神經網絡評估精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡評估主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡評估范文

關鍵詞： 神經網絡； 情感神經網絡； 信用卡評估； 情感因素分量

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2016）15?0130?03

Abstract： The emotional neural network is researched by referring the content requirement of emotion psychology， and the emotional factor in emotional intelligence is added relatively. The emotional factor component is added into the common neural network structure to establish the emotional neural network model， which can improve the learning and decision?making processes of the neural network. In this paper， the input and output relations of each neuron are constructed， including the emotion neuron. The emotional neural network structure was established to deduct the learning algorithm of emotional neural network. The algorithm is applied to the credit card assessment. The experimental results show that the classification effect of the proposed emotional neural network algorithm is obviously better than that of the traditional method， and the recognition rate of good customer and bad customer can reach up to 100%， and the model classification accuracy is improved to a certain extent.

Keywords： neural network； emotional neural network； credit card assessment； emotional factor component

0 引 言

信用卡評估被重視的程度與信用卡業務的發展程度成正比，近年來，隨著我國經濟的不斷發展，人們生活水平的不斷提高，在國內形成了日漸成熟的信用消費環境，在這種信用消費環境中，銀行信用卡業務應運而生。近些年來，信用卡業務已經成為銀行利潤增長的跳板，信用卡業務業績的好壞直接關乎銀行的收益，因此，信用卡業務發展迅猛。然而，各大商業銀行一味追求數量，勢必會造成質量的下降，各商業銀行在盲目追求發卡量的同時，卻放松了對信用卡申請人的信用評估，這為后續的透支還款超出個人支付的水平埋下了隱患。因此如何有效地進行信用卡評估成為各大商業銀行亟待解決的問題。

在與我國形成鮮明對照的西方發達國家，信用管理十分完善，技術也十分成熟，在進行信用卡評估時，申請人個人的信用評估模型和方法具有很強的適用性，經過長時間的實踐檢驗也得到了十分廣泛的應用。在西方，較為常用的信用卡評估方法大致可分為三大類：第一類是基于統計模型的方法，第二類是基于運籌學模型的方法，第三類是基于非參數估計和人工智能模型的方法。與西方成熟的評估方法相比，我國對信用卡評估模型和算法的研究大多還是處于理論研究的層面，在理論的基礎上進行了一些積極的嘗試。

1 信用卡評估概述

1.1 信用卡評估的必要性

信用卡的發行和使用是基于“先消費、后付款”的操作模式，信用卡使用者在透支以后，還款存在一個約定的滯后期，只要在銀行收回用戶所有的透支金額之前，銀行就必然要承受用戶潛在違約的風險。信用卡評估就是通過建立一定的模型，運用計算機技術評估個人在消費信貸業務中誠實守信的意志和能力。

信用卡評估的必要性主要表現在微觀和宏觀兩個方面：在微觀方面，信用卡評估可以較為準確地衡量申請辦卡人的信貸風險，給發卡銀行提供一個可靠的數據判斷依據，大大降低商業銀行的不良貸款率；在宏觀方面，信用卡評估可以很好地增加金融和資本的透明度，降低風險，改善市場的金融環境和信用環境，有利于金融市場的穩定和健康發展。

第2篇：神經網絡評估范文

[關鍵詞] 人工神經 專利 評估 模型

一、專利申請評估中人工神經網絡模型的原理與方法

專利評估是一個非常復雜的系統, 其中存在著廣泛的非線性、時變性和不確定性。本文實質上是對擬申請專利的技術創新成果做一個分類。但要注意的是，不宜申請專利的技術創新成果并不代表不具備創新價值和經濟效益，我們在選取指標因素時，只是將專利法對專利權的保護方式作為是否適合申請專利重要的因素，某些技術創新成果如不必申請專利權便可以以單方執有技術秘密而形成技術壟斷，則不必申請專利。

以上這些因素可以用一向量(e1,e2,…，em)來表示，也可以轉化為尋找一差別函數f使得：

(1)f(e1，e2，…，em)＞ε， (e1，e2，…，em)∈T

(2)f(e1，e2，…，em)＞ε， (e1，e2，…，em)T

其中集合T表示適合申請專利保護。因此，專利申請的可行性評估最終也可作為一類函數的逼近問題。

二、專利申請評估人工神經網絡模型的構建

本文構建的專利評估模型是采用BP算法的多層前饋網絡。該模型的特點是信號由輸入層單向傳遞到輸出層，同一層神經元之間互不傳遞信息，每個神經元與鄰近層所有神經元相連，連接權用Wij表示。各神經元的作用函數為Sigmoid函數，設神經網絡輸入層的p個節點，輸出層有q個節點，k-1層的任意節點用l表示，k層的任意節點用j表示，k+1層的任意節點用l表示。Wij為k-1層的第i個神經元與k層的第j個神經元相連接的權值。k-1層的節點i輸出為O(k-1)i，k層節點j的輸出為：Okj=f(netkj)

設訓練樣本為(X，Ye),X為p維向量，加到輸入層；Ye為q維向量，對應于期望輸出；網絡的實際輸出Y也是q維向量。網絡在接受樣本對的訓練過程中，采用BP算法，其權值調整量為：

ΔWij=-ηδkjO(k-1)i

其中，對于輸出層為：δkj=yj(1-yj)(yej-yj)

對于非輸出層為：η為訓練步長，取0＜η＜1。

用樣本集合反復訓練網絡，并不斷修改權值，直到使實際輸出向量達到要求，訓練過程結束。

三、基于BP人工神經網絡的專利申請可行性判斷步驟及結論

本文使用的技術創新成果數據選自1995年～2005年某市知識產權局提供的樣本，共計551例。其中486例成功申請專利。每一樣本都包括多項數據，其中用于評估的數據項有：申請專利的類別，技術創新的類別、技術的壟斷性、專利權保護的難易程度等多達58項。

1.網絡訓練集的確定：在最原始的551例技術創新成果中存在著各種各樣的差別，如申請專利權類別差異(419例發明專利和實用新型專利，132例外觀設計專利)，評估結果的差異(486例經申請后被授予專利)，技術創新成果的類別差異，技術創新成果技術價值的不同（如發明專利的技術獨創性最強且不易復制，因而最具技術價值）、專利權保護的時限不同（如外觀設計專利權和實用新型專利權的時限僅為10年，而發明專利權的保護時限為20年）。

2.神經網絡輸入和輸出數據的預處理。人工神經網絡的輸入輸出數據都應該屬于(0，1)區間的實數，為此我們對原始數據進行如下的規一化處理：

其中xi為原始數據項，而Max=max｛xi∶xi∈X｝，Min=min｛xi∶xi∈X｝。這里X為原始數據集。經過變換后， yi將在(0，1)區間，可作為神經網絡的輸入輸出。

3.使用人工神經網絡進行專利申請可行性判斷。將描述技術創新成果的各種情況的數據作為前向網絡的輸入數據加到其輸入端，并按各神經元的輸入和輸出，同時調整神經元之間的連接權值以使網絡的輸出和實際情況相符。即當技術創新成果成功申請到專利權時，網絡的輸出結果也恰好指示為適合申請專利權，反之亦然。如果對所有的訓練樣本集網絡的輸出基本上(95%或更高)能保證與實際結果一致，則訓練過程結束。對于一個待評估的技術創新成果來說，只要將該成果的數據輸入到訓練好的神經網絡中去，根據網絡的輸出結果就可以知道該技術成果是否適合申請專利權保護。

上述結果表明不同類型的因素應分開來考慮。我們將58項輸入數據分成四類不同的BP網絡,然后再將它們各自的結果綜合起來得出最后的判斷。

上述四種網絡所得結果的可靠性各不相同。其中，根據基于專利法保護的判斷準確性最高，因此在最后的綜合中重點考慮它的判斷結果，其權值也相對最高。其次，基于技術壟斷性的判斷往往也具有較高的準確性，權值也較高，但比前者的稍低。基于技術創新成果屬性的判斷更多地涉及專利權的受保護程度，因此在專利的申請階段也屬于相對不太重要的參考因素，因此設定權值最小。

最后的結果O為：

O=a1XO1+a2XO2+a3XO3+a4XO4

a1+a2+a3+a4=1

其中Oi，ai,i=1,2,3,4分別為各診斷網的輸出及其對應的權值。

當O＞0.5時最后的結果為適合申請專利權，反之則不宜申請專利權。對所有的樣本數據經上述的判斷結果見表2。

第3篇：神經網絡評估范文

WANG E （School of Traffic and Transportation， Lanzhou Jiaotong University， Lanzhou 730070， China）

摘 要：文章借鑒物流聯盟風險評價問題已有成果，總結了影響物流聯盟風險的主要因素，并在此基礎上建立了兩級4種類型的物流聯盟風險評估指標體系，該指標體系包括市場風險、合作關系風險、能力風險、信息與管理風險4個方面共11個評價指標。建立了基于BP神經網絡分析法對物流聯盟合作伙伴選擇模型，利用MATLAB進行了樣本訓練和實例分析，結果顯示利潤分配、信息共享、信任程度是影響物流聯盟風險最重要的二級指標。

關鍵詞：物流聯盟；風險評價；BP神經網絡；物流聯盟風險

中圖分類號：F272 文獻標識碼：A

Abstract： This paper questioned the risk of assessment results for logistics alliance， summarized the main factors which influencing the risk of logistics alliance， and based on the two levels of four types of logistics alliance risk assessment index system， the index systems including four aspects such as market risk， cooperation risk， ability risk， information and management risk， these risks contained eleven evaluation indexes. We build a logistics alliance partner selection model which is based on the BP neural network analysis method， and sample training and case analysis， are studied by using the MATLAB software and results show that the degree of profit distribution， information sharing， trust are the most important secondary indexes affecting logistics alliance risk.

Key words： logistics alliance； risk assessment； the BP neural network； logistics alliance risk

0 引 言

隨著經濟的發展，物流業已經成為我國眾多發展迅猛的行業之一。由于市場競爭程度的加劇，單個物流企業已無法應對市場中的各種風險，建立物流聯盟成為物流企業調整戰略格局的重要措施。我國的一些大中型物流企業不斷卷起聯盟的狂潮，目的是使企業獲得較新的技術設備及能力資源、降低企業成本、提高企業核心競爭力、增加企業收入水平。理論上，如果物流聯盟能夠有效執行，其發展前景是不可估量的，但是也存在一些風險。本文研究目的是為物流聯盟的構建以及風險因素的評估進行理論分析，并且借鑒這些因素對物流聯盟的風險程度做出相應的定量分析和評價，以增加物流聯盟的長期性、提高物流聯盟的穩定性，使得雙方或者多方企業通過物流聯盟的方式降低物流成本，獲得最大收益。

Ashino和Rangan[1]提出兩個或者多個物流企業組成的聯盟必須能夠擁有共同的目標，在建立聯盟時共同分享獲得的利潤，并且將這些資源運用到聯盟企業的運營當中去，只有這樣聯盟才能持久且穩定，否則存在諸多聯盟風險；Shapiro[2]將聯盟風險中的信任風險分為4種：基于達成共識的信任風險、基于認知能力的信任風險、基于威懾的信任風險以及敏捷信任風險；Ming-Chih Tsai[3]等人分析了政治風險對物流企業發展的作用，指出微觀企業因素和宏觀政治因素所引起的風險不容忽略；Hallikas[4]提出了如何在網絡環境中處理物流聯盟風險的方法，介紹了風險管理的過程；鄭紹鐮[5]計算了層次分析法評估指標的權重，優化了聯盟利益分配的機制；馮蔚東[6]利用模糊綜合分析法（Fuzzy-AHP）建立了一種基于風險與投資比例的求解辦法，通過實際的計算證明了其有效性和正確性；徐志祿[7]J為聯盟合作伙伴的適合性、匹配性、資產專用性、競爭和合作的平衡、企業成員之間相互信任等因素會直接影響到物流聯盟穩定性；劉明菲[8]依據物流市場運營風險的內涵，對市場運營風險進行分類識別，分析了各類風險可能產生的后果，并提出風險管理對策；袁旭和孫希剛[9]結合時間價值理論和層次分析法建立了一個虛擬物流企業受益混合模型；DASTK和TENGBS[10]等人針對物流聯盟提出了基于風險理論，認為影響物流聯盟的風險有績效和關系兩大類。

國外學者起初研究供應商選擇方法，后來研究合作伙伴選擇條件，但都未深入進行物流聯盟合作伙伴的研究。國內對物流聯盟研究起步較遲，且缺少實踐經驗，只描述概念方法和模型介紹，并未證明模型的適用性。本文根據物流聯盟風險的分類，結合BP神經網絡分析法對物流聯盟的風險進行綜合評價，并且運用MATLAB對物流聯盟的風險評價結果進行驗證。

1 物流聯盟風險分類

根據風險的劃分方式不同，物流聯盟風險的種類也不盡相同。唐萌春[10]認為物流聯盟中存在兩類風險：內部風險和外部風險。聯盟外部風險主要包括市場風險、金融環境風險以及自然環境風險等；聯盟內部風險主要有合作關系風險、能力風險和信息與管理風險等。物流聯盟風險的分類示意圖如圖1所示：

物流聯盟內部風險占主導因素，物流聯盟的外部風險也起一定作用，一般是由外部環境的不確定性和不穩定性導致的。本文主要分析以下4種風險（1種聯盟外部風險和3種聯盟內部風險）：

（1）市場風險

市場風險主要是指在一些市場中由于市場價格、利率等的不穩定從而使得市場遭受無法預料的隱含損失風險，包含物品風險、利率風險、權益風險以及匯率風險等，其中利率風險是主要風險。

（2）合作關系風險

合作關系風險是指由于聯盟的企業之間的某種交易行為從而造成聯盟關系的不穩定性。一般來說，影響物流聯盟的合作關系有很多因素，例如：企業文化、價值觀念、激勵機制、道德風險、信任程度以及戰略目標。第一，信任是合作的首要保證，當然也是物流聯盟合作的基礎。如果企業聯盟之間互不相信，那么企業聯盟也將無法進行下去。第二，物流聯盟的有效保障是適當地激勵和合理公平的利益分配，如果信息不對稱，那么物流聯盟將可能會出現停滯現象，同樣，利潤分配不公平、激勵不合理、聯盟成員的機會主義等都有可能造成物流聯盟的失敗。第三，企業和成員的價值觀念以及行為方式的不同，還有企業文化的沖突等都會對聯盟的關系產生威脅，甚至破裂。

（3）能力風險

能力風險主要是指由于聯盟組織的實踐經驗、知識積累以及協調管理等能力的缺乏引起的。同樣，物流服務成本、物流技術、物流服務質量以及物流響應時間等方面因素都可能會對物流聯盟組織的穩定性造成一定的影響。物流聯盟的基礎是對客戶提供優質的服務，當物流聯盟企業各方面的能力有限、技術上沒有辦法滿足客戶要求或服務質量低下時，都有可能使得物流聯盟的關系解體。

（4）信息與管理風險

信息與管理風險主要是指信息的傳遞、核心能力的集成、信息資源的集成和物流聯盟的組織與管理等方面的風險。物流與信息流密切相關，信息共享和信息高效、準確的傳遞是有效物流聯盟建立的最基本要求，然而由于每個物流聯盟企業互不相同的信息系統、通信協議以及數據庫標準，往往使得企業之間物流信息的傳遞出現延遲，或者集成時出現銜接困難，因而造成物流聯盟效率低下、運行資料缺少，增加物流聯盟的運行風險。

2 BP神經網絡模型建立

設輸入變量為X=x■，x■，…，x■；隱含層輸出向量為y■=y■，y■，…，y■；輸出層輸出向量為h■=h■，h■，…，h■；期望輸出向量為d■=d■，d■，…，d■。輸入層和隱含層間的連接權值為W■，隱含層與輸出層間的連接權值為W■；隱含癰魃窬元的閥值為

z■，輸出層各神經元的閥值為z■；樣本數據個數為K，K=1，2，…，m，輸出層的誤差函數為：

E=■■d■k-y■k■ （1）

隱含層與輸入層之間的連接修正權值為：

ΔW■k=-u■=δ■kX■k （2）

W■=W■■+ηδ■kX■k （3）

則全局誤差為：

E=■■■d■k-y■k■ （4）

接下來看誤差是不是適合特定的條件，如果網絡誤差降到了一定的程度或者最初的最大次數小于訓練次數時，就可以讓訓練停止。

MATLAB軟件中Nntool工具箱對BP神經網絡訓練過程：

（1）創建網絡；

（2）輸入訓練樣本；

（3）計輸出值和誤差值；

（4）修正各層權值和閾值；

（5）誤差滿足條件，訓練結束（如果誤差不滿足終止條件則繼續第三步，直到誤差達到所設置的誤差為止）。

3 基于BP神經網絡分析的風險評估實例分析

文章結合以下實例運用BP神經網絡方法對物流聯盟風險進行評估：例如某企業在組建物流聯盟之前邀請5位專家對聯盟伙伴的匹配性和合作者風險進行評估，這兩種風險發生的概率和該風險對物流聯盟所產生的影響度分別用p■和f■來表示。評語集合U=極高，高，中等，低，極低。邀請5位專家對風險因素X■進行評估，第j個專家的重要程度為W■，評價結果如表1所示：

風險影響程度數值表示，如表2所示：

第i種風險因素的風險度為：

X■=1-1-■w■f■1-■w■p■ （5）

其中：n表示專家個數（這里n=5），代入相應的數值計算可得：

X■=1-1-0.2×0.8+0.2×0.8+0.3×0.6+0.1×0+0.2×0.61-0.2×0.4+0.2×0.6+0.3×0.5+0.1×0.85+0.2×0.65=0.835

同理可得：X■=0.865，X■=0.888，X■=0.963，X■=0.800，X■=0.953，X■=0.779，X■=0.769，X■=0.774，X■=0.941，X■

=0.933。

具體數據如表3所示：

從以上的數據我們可以看出，在這11種風險當中，信任程度的風險度是最高的，其值為0.963，其次是利潤分配和信息共享，風險度的值分別為0.953和0.941。在一定的條件下，技術能力和文化沖突等對聯盟風險的風險度就比較小。風險等級的區間表示：區間0，0.2表示低風險，區間0.2，0.4表示較低風險，區間0.4，0.6表示中等風險，區間0.6，0.8表示較高風險，區間0.8，1表示高風險。由于等級區間表示范圍在0，1之間，故隱含層采用Logsig函數（隱含層節點數為4），輸出層采用Purelin轉換函數（輸出層的節點數為1），建立BP神經網絡，對網絡進行訓練。假設輸入層節點數為10，以專家評價法求出的11種風險因素的風險度作為BP神經網絡的期望輸出值。5位專家打分的風險發生的概率和重要度作為樣本的輸入，輸出7組數據作為訓練樣本，再用4組數據作為預測輸出值，輸出值的大小用以上的5個等級來反映風險的大小。

首先是創建神經網絡，然后對網絡環境初始化，主要是閾值和權值的設定（包括連接權重、隱含層、輸出層閾值等），最后輸入樣本訓練值對網絡進行訓練。當訓練到第100步時，訓練誤差的藍線達到期望水平并保持穩定，即BP神經網絡收斂，訓練結束。如圖2所示：

經過訓練，得到樣本輸出結果為：0.92315，0.92071，0.93959，0.79772，0.80573，0.79717，0.91989；訓練輸出結果為：0.82125，0.85374，0.92061，0.89466。

結果分析：從以上的訓練結果可以得到該物流聯盟的風險范圍，因而能夠判斷物流聯盟風險的高低。從輸出結果可以看出，在誤差允許范圍內，第10種風險是信息共享風險，專家評價計算得出的風險度（期望輸出值）為0.941，風險等級為極高；而網絡訓練結果為0.92061，風險等級也為極高。由此說明BP神經網絡的分析結果和期望結果基本一致，證明了本文所建立的BP神經網絡的可靠性。

4 結 論

對物流鷴粵盟風險進行評估，不僅可以有效地規避物流聯盟在建立過程中的風險，而且可以讓聯盟企業有針對性地選擇對應措施。如果在物流聯盟組建之前對其風險進行評估，就可以未雨綢繆，采取有效措施將風險降低。BP神經網絡能夠兼顧多種影響因素，利用人工智能學習的方法達到解決問題的實時性、敏捷性等特點。文章分析了物流聯盟風險產生的原因和風險特點，結合BP神經網絡分析法對風險指標進行評估，并且對聯盟的風險評估方法進行選擇，最后使用MATLAB軟件中的Nntool工具箱對實例進行分析，驗證了文章提出方法的合理性和適用性。但是，該方法的使用有其不足之處：在使用BP神經網絡進行訓練所需的大量樣本不易獲得。

參考文獻：

[1] Charles W. L. Hill， Gareth R. Jones. Strategic management[M]. Houghton Mifflin Co， 1995：32-37.

[2] Shapiro D. L. International Trust： A Comparison of Attitudinal and Situational Factors[J]. Human Relations， 1980，33（11）：113-132.

[3] Ming-Chih Tsai， Ying-So Su. Political risk assessment on air logistics hub developments in Taiwan[J]. Journal of Air Transport Management， 2002，11（6）：373-380.

[4] Jukka Hallikas， Iris Karvonen， Urho Pulkkinen， et al. Risk management processes in supplier networks[J]. International Journal of Production Economics， 2004，6（8）：47-58.

[5] 鄭紹濂，等. 分層次與相對績效評價機制及其效率研究[J]. 管理科學學報，1998（1）：27-29.

[6] 馮蔚東. 虛擬企業中的風險分析與監控[J]. 中國管理科學，2001（10）：24-31.

[7] 徐志祿. 第三方物流企業戰略聯盟的穩定性研究[D]. 廣州：暨南大學（碩士學位論文），2007.

[8] 劉明菲，羅顯敏. 物流園區市場運營風險管理[J]. 武漢理工大學學報，2006（3）：389-399.

[9] 袁旭，孫希剛. 基于貢獻的虛擬物流企業收益分配[J]. 桂林電子工業學院學報，2004（3）：72-74.

[10] DASTK， TENGBS. Resource and management in strategic alliance making process[J]. Journal of Management， 1998（24）：21-54.

第4篇：神經網絡評估范文

【關鍵詞】金融；P2P；網絡借貸

1 緒論

在P2P平臺風險評估研究方面，國內外已有較多相關資料。Byan Jankar，M Heikkil，J Mezei（2015）構建神經網絡信用評級體系，發現其準確度比傳統的回歸模型更高。國內，劉峙廷（2013）結合德國IPC風險評估，將風險量化，建立適合我國P2P網貸平臺的信用評價模型。曹玲燕（2014）結合模糊數學與層次分析方法對評估平臺風險進行了評估。路晨（2015）借助風險矩陣模型，對P2P平臺不同風險進行排序，提出了應對不同風險的措施。上述研究主要以一間機構為研究對象，研究的風險指標體系有待完善，因此不存在廣泛性。在接下來的討論中，將在前人研究基礎上進一步拓展和完善評估模型。

2 BP神經網絡風險評估模型

2.1BP神經網絡模型簡介

BP（Back Propagation）神經網絡，即方向傳播算法，在1986年由Rumelhart和McCelland提出，是目前應用最廣泛的神經網絡模型之一。它能夠學習和儲存大量的輸入與輸出映射關系，而無需揭示這種映射的數學方程，是一種仿真模擬運算系統，能夠實現自主學習，尤其擅長進行數據預測。BP神經網絡模型有三層結構，包括輸入層（input）、輸出層（output layer）、隱層（hidden layer）。其學習方式是通過處理大量的輸入變量和輸出變量，擬合出最貼近的映射關系，建立非線性模型。

2.2數據來源

樣本數據主要來自“網貸之家”與“佳璐數據”。選取160家網貸平臺（健康平臺及問題平臺各80個）14個指標，共獲得2240個數據。同時為了控制數據變動所帶來的誤差，我們選擇了2016年6月1日的各平臺的歷史數據作為我們的參考依據。

2.3指標體系的建立

本文借鑒國際通行的駱駝評級法，并考慮到我國P2P網貸行業的實際發展情況，建立了如表1的雙重指標體系。

2.3數據預處理

模型共有12個定量變量和2個定性變量，在對兩個定性變量的預處理中，股東背景為民營系時屬性編碼值為0，否則為1；而注冊省份按GDP排名進行編碼。下表為數據的描述性統計分析：

通過上表我們得出以下結論：

（1）X1營業收入問題平臺標準差（19.88）遠高于健康平臺（008），可見問題平臺的營業收入存在巨大差異。

（2）從X2前十大借款人待還金額占比：問題平臺均值（0.66）遠高于健康平臺（0.29），說明問題平臺存在嚴重的信用風險，與我們的預期相符。

（3）X3平均借款利率健康平臺（0.11）略高于問題平臺（009），這與我們預期有所出入；但問題平臺的標準差（0.33）遠高于健康平臺（0.02），這反映了不同問題平臺利率差距較大，這與我們的預期相符。

（4）X4平均借款期限：問題平臺（0.07）遠低于健康平臺（754），而標準差則相反，問題平臺僅僅為0.1，遠低于健康平臺（8.34），這說明了問題平臺為了大量籌資發行了大量短標，Ю戳舜罅苛鞫性風險。

（5）X5營業收入：健康平臺（3335.03）遠高于問題平臺（5.01），與預期相符。

（6）X6前十大土豪待收金額占比：問題平臺（0.12）遠高于健康平臺（0.44），說明問題平臺較大的流動性風險。

（7）X7資金凈流入：問題平臺（2171786.44）遠高于健康平臺（25765.63），X8人均借款金額（萬元）問題平臺（6637886）遠高于健康平臺（1222.76），X9人均投資金額（萬元）問題平臺（26227.76）遠高于健康平臺（14.39），這三者共同體現了問題平臺巨大的流動性風險。

（8）X12運營時間：健康平臺（33.99）約為問題平臺（14.25）的兩倍，與預期相符。

綜上，我們認為所選取的14個指標具有說服力，可納入風險評估體系。

3 模型設計與實證檢驗

3.1模型結構設計

BP神經網絡主要用于求解非線性連續函數的多層前饋神經網絡權重調整問題。在解決問題的過程中，我們按誤差梯度下降的方式修正各層權值，使權值不斷調整，直到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數。具體可分為以下兩步。

步驟1：結構參數的設置，包括網絡層數及各層節點數的設置。本文采用包括輸入層、單個隱含層和輸出層的三層BP神經網絡作為評估模型。

（1）輸入層節點數量

在我們的對比模型中，駱駝評級法共采用了12個指標，因此輸入層神經元數量為12，而我們的改進模型中，增加了兩個綜合實力指標，因此改進模型的輸入層節點數量為14。

（2）隱含層節點數量

在原模型和改進模型中，我們默認隱含層節點數量為10。

（3）輸出層節點數量

在兩個對比模型中，我們的目標都輸出為健康平臺1和問題平臺0，因為我們的輸出節點數量為1。

步驟2：訓練參數的設置，主要選擇神經網絡的學習函數和訓練函數等。

在兩個對比模型中，我們的學習函數和訓練函數分別設定為learngdmi函數和trainlm函數。顯示出來的誤差變化為均方誤差值mse，誤差精度均設置為le一10。設定的網絡精度為0.0001，訓練次數為1000。

3.2結果分析及對比

首先我們對12個定量指標（X1-X12）進行實證分析結果如下：網絡為12-10-1-1結構，經過42次迭代循環完成訓練，達到設定的網絡精度0.0001時，誤差下降梯度為0.00976。BP算法在實際應用中很可能會陷入到局部極小值中，可通過改變初始值的方式獲得全局最優值。我們通過反復改變初始值，最終得到較為理想的訓練結果：總判別準確率為0.91429。

我們在駱駝評級法指標的基礎上，在12個定量指標的基礎上添加2個定性指標（X13，X14）對模型進行改進。結果如下：網絡為14-10-1-1結構，經過22次迭代循環完成訓練，達到設定的網絡精度0.0001的時，誤差下降梯度為0.00900。經測試，最終取得了較理想的識別正確率為：0.94286，與原模型采用駱駝評級法對比，準確率由0.91429提升到0.94286。由此可知，該BP網絡具有較好的泛化能力和預測精度，可用于對P2P網貸市場信用風險的評估。

3.3模型創新點和不足

3.3.1創新點

其一：數據的質量較高。數據來源于權威行業統計網站，可信度較高。且樣本數量多（80家健康平_和80家問題平臺），在一定程度上降低了偶然性。

其二：風險評估體系完善。我們使用國際通行的駱駝評級法進行評測，準確率高達0.91429。我們還通過分析整個經濟模型中各因素間的內在聯系以及P2P網絡借貸的特殊性，加入注冊省份和股東背景兩個定性指標，進一步提升準確率。

其三：BP神經網絡模型的自身優勢。BP神經網絡擅長預測和處理非線性關系。即便在輸入變量的權重、內在關系不明確的情況下，該模型仍能夠自主學習和模擬訓練。由此推斷，我們可以對任意平臺的信用風險進行預測。

3.3.2不足

其一：參數設定較為困難。BP網絡的參數較多，設定缺乏簡單有效的方法，只能根據經驗設定其取值范圍，從而導致算法很不穩定。

其二：容易陷入局部最優。BP網絡在實際應用中很可能陷入局部極小值，可以通過改變初始值，多次運行的方式，獲得全局最優值。

其三：結果不可重現。BP神經網絡對初始權較為敏感。但是其初始權值是隨機的，又影響到訓練結果，因此，結果具有不可重現性。

其四：數據不夠充足。BP神經網絡的學習與訓練都需要足夠的數據支持。160個平臺的數據只能避免一定的偶然性，并不能保證結果的確切性。

4 建議

4.1對P2P平臺的建議

（1）平臺應做到信息公開透明，提供足夠而準確的運營指標以供參考

平臺應披露真實的企業信息，注冊省份，股東背景，企業背景以及其他運營指標，從而提升可信度，吸引更多的投資者。

（2）定期對平臺的相關運營指標進行監測，確認平臺運行良好

平臺可以通過以上BP神經模型，定期對運營情況進行監測，對比同行業其他指標，確保運行良好。

（3）依法運營，防范相關法律風險

目前我國P2P領域在存在很多法律漏洞和空白，平臺應依法規范自身行為，能最大程度降低法律風險。

（4）定期維護升級平臺，防范操作與技術風險

平臺應對網站進行加密處理，定期維護升級平臺，填補相關漏洞，以降低平臺操作與技術風險，保障資金運行的安全性。

4.2對投資者的建議

（1）關注平臺的各項基本運營指標是否正常

根據駱駝評級法，我們應該關注12個定量指標的具體情況。資本充足率8%左右，越多平臺流動性越強；前十大借款人待還金額占比29%左右，越小越好；資金凈流入（萬元），越大越好；人均借款金額（萬元）越小，平臺流動性越好；人均投資金額（萬元）越大，平臺資金越充足；借款集中度越低，流動性越好；運營時間（月）越長越好。

（2）在關注定量指標的基礎上，增加對定性指標的關注

在研究中我們發現加入定性指標可進一步優化模型。具體來說，定性指標分為注冊省份和股東背景。要密切關注注冊省份的相關政策，經濟發展情況等。例如從股東背景上看，民營系風險程度要大于上市公司系大于國企系。

參考文獻：

[1]薛飛.P2P網貸的風險分析與風控模式探究[J].時代金融，2015（1）：226-229

[2]周慧.P2P網絡借貸：履約機制、運作模式與風險控制[J].西部金融，2014（12）：19-24

第5篇：神經網絡評估范文

1.1區位因素

區位因素是高校周轉房房租市場化價格影響因素中較為宏觀卻具有重要地位的影響因素。區位能夠反映房屋在城鎮中所處的位置，反映房屋與商服、學校、醫院等生產生活不可或缺的重要設施之間的空間關系。

1.2鄰里因素

鄰里因素反映了房屋所處的小區級范圍內各類生產、生活要素的情況，相對于區位因素而言，鄰里因素更加注重諸如容積率、物業管理、車位等更加微觀、具體的因素。

1.3個別因素

個別因素是從出租房屋本身的面積、戶型、樓層、裝修、建筑年代、建筑結構、評估時點等情況考慮，反映房屋自身情況與租金之間關系的要素。

2 高校周轉房房租市場化價格評估指標體系的建立

2.1指標的確定

遵循指標體系構建原則，結合高校周轉房房租市場化定價的實際情況，確定指標體系，具體如表1所示。

3 基于神經網絡的高校周轉房租金市場化價格評估模型構建

3.1樣本的選取與預處理

BP神經網絡能夠通過對一定數量網絡輸入輸出樣本數據學習、訓練，確定網絡輸入輸出的映射關系。為保證其準確性和高效性，需運用一定的方法對樣本進行選取和預處理。基于神經網絡的高校周?D房租金市場化價格評估模型的構建，應當選取正常市場條件下，與評估對象相似或相近的樣本數據，并對數據不完整或某指標存在明顯異常值的樣本進行甄別和剔除，對指標數據進行無量綱化處理，以避免不同指標數據的實際單位對評估模型的收斂速度和準確性造成的影響。

3.2神經網絡的建立與學習

3.2.1神經網絡層數的確定

神經網絡一般包括輸入層、隱含層、輸出層。神經網絡的層數越多，神經網絡的結構越復雜，其數據學習和處理能力就越強，但神經網絡的學習時間也相應的越長。根據已有的相關研究，輸入層、隱含層、輸出層各為一層的三層神經網絡能夠對閉合區間內任意連續函數進行無限逼近，考慮到基于神經網絡的高校青年教師周轉公寓租金市場化定價模型并不復雜，確定其輸入層、隱含層、輸出層各為一層。

3.2.2神經網絡節點數的確定

根據已構建的高校周轉房房租市場化價格評估指標體系中三級評估指標的個數，確定神經網絡輸入層的節點個數為15個。基于神經網絡的高校青年教師周轉公寓租金市場化定價模型的最終結果為待估對象的房租價格，因此，確定神經網絡的輸出層節點個數為1個。隱含層節點個數的確定需要運用經驗公式和試驗調整確定。

3.2.3激活函數的確定

激活函數是網絡輸入轉換為網絡輸出的關鍵，常用的激活函數有線性激活函數、對數S型激活函數、階躍型激活函數等。高校青年教師周轉公寓房租價格評估指標與房租價格之間并非線性關系或離散關系，對數型激活函數連續可微，計算簡便，在神經網絡建模中運用較為普遍，因此，本文選取對數S型函數作為激活函數。

第6篇：神經網絡評估范文

關鍵詞 BP神經網絡 圖書館電子資源 質量評價

分類號 G255.76

DOI 10.16810/ki.1672-514X.2017.03.005

Study on the Construction of Electronic Resources’ Quality Evaluation System in University Libraries：Based on the BP Neural Network Model

Wang Junguang

Abstract This paper firstly describes the construction of library electronic resources’ quality evaluation index system， and describes the process of setting up a library electronic resources’ quality evaluation model based on BP neural network， including the basic principle of BP neural network， the network structure and network test and so on.Then it illustrates that in order to effectively manage and evaluate the electronic resources of the library， the BP neural network model is used to evaluate the quality of the electronic resources in the library.

Keywords BP neural network. Library electronic resources. Quality evaluation.

近年來，隨著電子信息技術在圖書館中應用越來越深入且智能化，電子資源或數字資源在圖書館館藏資源中所占比重也越來越大，讀者對電子資源的利用效率、服務的質量和用戶體驗方面的要求越來越高。如何進行有效的電子資源質量評價已經成為各大圖書館需要解決的重要課題，學者們針對電子資源質量評價的傳統方法有模糊層次分析法、層次分析法等等，然而這些評價方法主觀隨意性較強，往往帶有強烈的個人主觀因素，在評估的過程和結果中精確度不夠。本研究的主要內容是將BP神經網絡理論應用在圖書館電子資源的構建中，通過建立模型的方式對電子資源的質量進行評價，解決傳統評價模式的模糊性和主觀性，為電子資源質量的評價提供一種新的方法和思路。

1 構建基于用戶滿意度的電子資源質量評價指標體系

要對圖書館電子資源做出評價就必須建立相應的科學評價體系，在以往的評價體系中，學者們大都采用的是針對電子資源的使用效率、資源質量等評價指標。本文研究的方向與以往有所區別，打破了傳統的評價模式，從“用戶”的主體性角度出發，以用戶的滿意程度為主要的評價標準。應用該種理念的目的主要有兩個：其一，電子資源的價值是需要不斷被挖掘和開發的，只有站在利用者，即用戶的角度去思考問題才能有效地將該資源的作用發揮到極致；其二，數據商在提供數據的過程中，統計的方法和統計的指標不明確使得統計結果出現了某種程度的失真，在利用和評價過程中需得到糾正。

在本文的研究中提到的“用戶滿意度”主要指的是用戶在體驗了產品之后，對產品的一種滿意度反饋評價。此概念首次提出是在經濟領域，當今已經應用在各行各業中，逐漸地成為了衡量一個企業質量的重要標準。現今，電子資源的使用過程中，影響用戶滿意度的因素有很多，從電子資源內容方面進行分析，主要包括電子資源時間的跨度、種類的覆蓋率、內容的權威性和更新速率；從資源檢索系統方面進行分析，包括檢索功能、檢索的結果和用戶的體驗等等；另外用戶在使用的過程中，會特別在意所檢資源的查全率、查準率和資料結果的滿意程度；最后數據商在提供服務方面，用戶也會給予一定的評價。因此，上述這些都是當前圖書館構建基于BP神經網絡電子資源評價體系的重要參考因素。

在構建電子資源評價體系的過程中，需要參考的變量有5個，包括電子資源的內容、使用的情況、檢索系統的完整性、數據商的服務情況以及用戶的滿意程度。基于用戶的滿意度，對電子資源質量評價體系的指標設置如下表1：

表1 基于用戶滿意度的電子資源質量評價指標

2 BP神經網絡及其評價原理

在圖書館電子資源質量評價的過程中，本文采用的方法是構建BP神經網絡的模型，通過鍛煉各系統的組織能力，擬合出各項指標的最佳權數，從而實現評價的最終目的。當前階段，對于BP神經網絡的理論已經有了很多系統深入的研究。BP神經網絡也是人工神經網絡中最重要的組成部分，運用函數的理論知識進行控制，廣泛的應用于函數逼近、模式分類和非線性建模等階段，在當今的圖書館電子資源質量評價的應用中非常廣泛。

以下通過幾個步驟來設計圖書館電子資源質量評價的BP模型。

首先，建立Yw系，根據指標體系的內容采用問卷調查、網絡提問和訪談的方式收集客戶的反饋信息，為了能夠更加方便的對函數進行運算，需要對原始的數據進行進一步的整理，將處理完的數據分為學習樣本和測試樣本，方便采用BP神經網絡進行分析和研究[1]。

其次，通過構建BP神經網絡的模型確定BP神經網絡的參數。想要成功的建立BP神經網絡模型，就必須對網絡的層次數以及網絡層的神經元數進行合理的確認。通過以往的數據研究發現：在閉區間內的任何連續的函數都可以用一個隱含的BP神經網絡來逼近，在本次的研究中，采用的隱含層數為1，利用3層對圖書館電子資源質量評價的模型進行構建；在Y體系中針對用戶的滿意度采用了8個二級指標，由此可知BP神經網絡的輸入層結點數為8，輸出層的神經元的個數為1，其中用戶對電子資源質量的滿意度值即為神經網絡的輸出值。在進行分析的過程中，采用的方法主要是“試湊法”，經過一系列的仿真擬合確定出隱含層的節點數為6，從而就可以確定出BP神經網絡模型的結構為8-6-1；在對BP神經網絡參數進行設定的過程中，輸出層結構和隱含層結構的的函數均采用的是Sngmoid函數，將Logsig函數作為輸出層的神經元的傳遞函數，在（0，1）之間隨機取出一個數作為初始權值，期望值誤差維持在0.0001左右，學習的速率定為0.1，在設定完參數之后需要對BP神經網絡進行訓練。

最后，利用Matlab軟件的平臺對BP神經網絡進行訓練，采用的開發軟件是Matlab7.0，將檢測的樣本輸入到軟件中，讀取必要的網絡參數對BP神經網絡進行訓練工作，完成預定的檢測次數，當各項指標都達標之后即為符合要求，網絡的訓練達到成功，如果沒有達到預期的要求則必須重新調整網絡參數，直到訓練合格為止。

除此之外，需要利用Matlab的軟件將訓練好的BP神經網絡進行仿真測試，不斷地提高它的精準度，將測試的樣本輸入到訓練好的BP神經網絡中，檢驗測試的誤差是否滿足要求。在測試結束之后，如果誤差比較大則需要對不理想的樣本進行剔除，得到新的測試樣本之后再進行網絡測試，直到完全符合要求位置為止[2]。

3 BP神經網絡模型在圖書館中的應用

采用BP神經網絡可以有效的對圖書館中各種信息進行處理，并且能夠完成對相關業務的評估、預測和建模功能，為管理圖書館的人員提供了一種科學有效的評價方法[3]。

首先是評價與評估的方法。評價與評估指的是按照一定的原則和準則對相關的業務進行評價，利用BP神經網絡對圖書館電子資源質量評價可避免人為因素的影響，在評估之前需要做相關的準備工作，結合各圖書館的具體情況，建立一套完整的評價和評估系統，再利用BP神經網絡進行評估。例如將某高校作為研究對象，建立高校圖書館網站，采用基于用戶滿意程度的評價指標體系，利用編程對BP神經網絡進行程序化的處理，構建出具體的模型，實現對圖書館電子資源的質量評價。在設計過程中，需要將中文圖書采購招標評價的體系考慮進去，建立必要的評價機制，從而實現準確快速的評價，為圖書館建設提供了重要的數據信息。

其次是預測。預測是指根據圖書館其他業務的信息，由已知信息對未知信息進行準確的估計和預測，其中預測功能是BP神經網絡的主要特征，無論是樣本的顯性和非線性都可以進行預測和評估，例如將BP神經網絡的預測功能應用于圖書館借閱量的研究，將某一個年份圖書館的借閱量進行分析研究預測，甚至可以分析出部分讀者的閱讀習慣和個人愛好，根據大量數據研究結果可以及時地調整圖書館館藏采購計劃，使得圖書館的管理更加信息化。在管理過程中采用的都是智能自動化方法，避免了人為因素造成的影響，為制定圖書館的發展戰略提供了重要的依據[4]。

最后是建模過程。建模主要是指在圖書館資源配置過程中，由于很多非線性關系的存在，需要建立一種符合圖書館管理的模型，其中包括輸入樣本和輸出樣本。如在用戶滿意程度的指標之上，建立合適的圖書館滿意程度評測模型。將200名高校師生作為研究對象，調查他們對圖書館電子資源質量的滿意程度，建立學校各個影響因素之間的關系模型。研究表明采用BP神經網絡對圖書館電子資源質量評價分析是可行的，并且能夠反應出具體的實際情況。除此之外，還可以建立圖書館員工離職、工作壓力、工作態度等方面的情況，從而全面掌握圖書館員工的工作狀態，有利于工作內容的調整[5]。

4 基于BP神經網絡的圖書館電子資源質量評價實證

在對圖書館電子資源進行質量評價過程中，需要采用有效樣本，為了能夠保證研究的有效性，筆者選取某大學圖書館9種電子資源作為主要研究對象，選取6種電子資源作為訓練樣本，選取3種電子資源作為測試樣本，邀請10位專家針對每個電子資源的8個質量指標做出合理的評價，并且記錄下具體分數，其中專家打分范圍在[0，10]，在對數據分析之前需要對數據進行歸一化的處理，其中歸一化的處理表格如表2所示。

對數據進行歸一化的處理之后，需要采用Matlab7.0軟件進行開發，首先要輸入提前預定好的網絡參數，經過多次處理之后，使得網絡的誤差值達到最小，之后對網絡輸出的結果和專家的預測結果進行對比分析，通過研究發現兩種形式的評價結果誤差比較小。因此，可以說明網絡的分析能力與專家基本相似，從某一方面來說網絡可以按照專家的方式進行評價，其中仿真的結果處理之后為表3所示。

表3 仿真的模擬輸出與專家評價值比較

通過上述表格分析研究發現，網絡輸出與專家的評價誤差都在設定的范圍之內，采用BP神經網絡對圖書館電子資源質量評價的方法和預測的精度要求基本符合，是一個科學可行的預測模型；另外為了能夠明確用戶的滿意程度，將用戶的滿意程度分為四個等級，一級為非常滿意（0.85～1），二級比較滿意（0.65～0.85），三級為一般（0.4～0.65），四級為不滿意（0～0.4），根據不同的等級可以明確知曉用戶的滿意程度。

5 BP神經網絡模型評價方法的優勢

將基于BP神經網絡的圖書館電子資源質量評價方法與傳統的評價方法對比，通過比較和分析可以進一步說明BP神經網絡評價模型的優勢。

根據層次分析法的原理，Y體系可以分為三層，第一個層次是目標層，將電子資源用戶的滿意程度定為目標A；第二個層次是準則層，在Y體系中的準則層分為四個內容，分別是從B1～B4；第三個層次與四個準則層相對應。在分析的過程中，由專家對每個指標準則進行兩兩分析研究，由此構造出五個矩陣，由矩陣計算出權重。計算特征向量的過程中必須檢查一致性，最后計算出合成權重。層次分析法的指標體系的權重需要事先設定，BP神經網絡可以通過對此樣本訓練完成權重的自擬合調整。但是非線性的問題層次分析法是無法解決的。訓練成功的BP神經網絡在計算一個新的樣本時能夠自動輸出正確的判斷值，用戶的滿意程度也很高，也更加的符合專家的判斷[6]。

BP神經網絡模型在處理信息方面有著巨大的潛力，然而BP神經網絡并不是沒有缺點，其中反向的傳播算法收斂的速度比較慢，只能實現局部優化。由于隱含的網絡結點太多，在進行處理時只能憑借著經驗。因此，還需要不斷地改進各種算法，達到提高處理信息的能力，在實際應用中一定要進行靈活處理。提高收斂的速度和避免局部最優已經成為當今BP神經網絡發展的重要方向。如要提高收斂的速度就必須要加動量項，采用更加高端的算法；若要避免局部最，在進行運行的過程中一定要與其他的應用程序結合起來。這樣才能使得高校圖書館的電子資源質量評價逐步建立起適合自身管理的強大網絡體系，不斷根據用戶的使用習慣和需求進行完善和改進，提高圖書館資源的利用效率，將BP神經網絡的作用發揮到極致[7]。彌補傳統分析方法的缺陷，發揮出快速、方便、可靠的評價特征，提高辨識度，充分滿足用戶實際需求[8]。

參考文獻：

[ 1 ] 賈潔，彭奇志.基于BP神經網絡的圖書館電子資源質量評價研究[J].圖書情報工作，2010（21）：79，84-87.

[ 2 ] 蒲筱哥，胡亞敏.圖書館電子資源績效多指標綜合評價方法評析[J].圖書情報工作，2013（7）：139-143，146.

[ 3 ] 尹正梅，張捍東.基于RBF神經網絡的高校圖書館電子資源評價研究[J].情報探索，2016（1）：38-41.

[ 4 ] 高祥.森林資源調查監測信息化技術方法研究[D].北京：北京林業大學，2015.

[ 5 ] 陳笑怡.泛在學習中教學質量評價的數據挖掘研究[D].上海：上海交通大學，2011.

[ 6 ] 李佳成.面向用戶網絡的物流網絡自適應運作機制研究[D].北京：北京交通大學，2012.

[ 7 ] 劉天嬌.基于神經網絡方法的高校圖書館知識服務評價體系研究[D].合肥：安徽大學，2013.

[ 8 ] 孫達辰，孫常麗，盧國強.基于BP神經網絡的圖書館電子資料借閱服務評價模型[J].價值工程，2012（7）：119-120.

第7篇：神經網絡評估范文

關鍵詞：交通事件自動檢測 BP神經網絡 Matlab仿真

1.前言

隨著高速公路車流量的越來越大，交通事件頻繁發生，給高速公路管理者帶來了諸多困擾，而且給國家和社會也帶來了不必要的損失[1]。

本文在國內外學者研究的基礎上提出了基于BP神經網絡的高速公路交通事件自動檢測算法。將上下游車道占有率、流量、大型車所占比例作為BP神經網絡的輸入，建立了神經網絡模型。本算法可為高速公路事件檢測系統的建立提供理論基礎，對提高高速公路利用率和安全性有重要意義。

2.交通事件自動檢測原理分析

正常情況下，高速公路上的交通流符合“連續車流”的規律[2]。當T時刻發生交通事件后，由于道路通行能力的突然下降導致事發點上游出現交通擁擠，流量和車速下降，占有率上升；T+1時刻下游車道流量下降，車速上升，占有率下降；同時研究發現由于不同類型的車輛換車道行駛需要的時間和道路空間不同，上、下游車道中車型比例也有所變化。因此，交通事件自動檢測的原理是通過分析高速公路上不同位置、不同時刻的交通參數變化來識別事件和非事件模式。

3.交通事件檢測的模型構建

本研究采用三層神經網絡結構，模型結構圖如圖1所示。

輸入層：輸入層有6個神經元節點代表交通流變化的交通參數。包括T時刻上游和T+1時刻下游的占有率、流量及大型車所占比例。

隱含層：對于隱含層神經元節點數目nh的確定，有下列經驗公式[3]：

其中ni為輸入層節點數，no為輸出層節點數，本研究中ni=6，no=1，所以隱含層神經元節點數nh =13。

輸出層：選擇一個輸出神經元節點作為輸出，按照有無事件發生，以輸出節點為1表示有事件發生，輸出節點為0表示無事件發生。

4.事件檢測算法的Matlab實現與評估

4.1.數據預處理

本次研究采用陜西西安繞城高速上車檢器采集的1000組交通數據。其中500組用來訓練網絡，包括輸入數據（交通參數）和目標數據（事件狀態）。另外500組作為神經網絡測試數據。在訓練BP神經網絡之前先利用premnmx函數對數據進行歸一化處理，即 [pn，minp，maxp，tn，mint，maxt]=premnmx（p，t）。

4.2神經網絡創建和初始化

利用newff函數創建一個新的神經網絡：

net=newff（minmax（pn），[13，1]，{'tansig'，'purelin'}，'traingdx'， 'learngdm'）；

利用minmax函數設定輸入向量pn的元素的取值范圍；在訓練BP網絡之前，必須對網絡的連接權值和閾值進行初始化。

4.3.BP神經網絡訓練

將神經網絡的參數設置為每50次顯示訓練迭代過程；學習速率為0.05；動量因子為0.9；

網絡訓練次數為1500；訓練目標精度為1e-002；網絡最大失敗次數為5次。

調用train函數利用traingdx算法訓練BP網絡：net=train（net，pn，tn）； BP網絡訓練效果如圖2所示，由圖可見，經過852次訓練，經過交通數據訓練的網絡能快速收斂，效果良好。

4.4.BP神經網絡仿真與測試

訓練結束后，用剩下的500組數據作為測試樣本對網絡進行測試，用tramnmx 函數對其進行歸一化處理。然后運用sim函數對BP網絡進行仿真，仿真結果須用postmnmx函數進行反歸一，這時的輸出數據才是真正的交通事件檢測結果，將小于0.5的事件狀態輸出為0，即無事件發生，大于0.5的事件狀態輸出為1，即有事件發生，計算檢測誤差并輸出圖形。結果如圖3所示，由圖可見檢測結果和訓練結果能很好的擬合。

4.5.AID算法評估

交通事件自動檢測算法最常用的性能評估指標有檢測率、誤報率和平均檢測時間 [4]。本文對經典加州算法和BP神經網絡算法通過仿真

5.結語

本文采用BP神經網絡算法來對高速公路交通事件進行檢測。算法中將上下游大型車比例作為一個輸入是個創新點。運用BP神經網絡算法建立交通檢測模型，避免了傳統算法因人為建立的模型與實際情況不符而導致檢測不準確的情況。通過Matlab仿真與測試證明本算法檢測交通事件性能較好。

參考文獻：

[1]靳引利，朱春平.高速公路信息設施的特性分析[J].中國水運.2007-10，（10）

[2]潘若禹.基于數據融合的高速公路交通異常事件檢測的研究[D].西安：長安大學.2006

第8篇：神經網絡評估范文

關鍵詞：棉紡設備；運行狀態；BP神經網絡

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2014）04-0824-05

紡織行業十分重視各項基礎管理，其中棉紡設備的管理是各項生產管理的基礎。棉紡設備的使用好壞直接影響企業生產過程中的生產效率、產品的質量、產品的產量和生產成本的消耗，成為影響紡織企業經濟效益提升的很重要的因素。因此，正確的對棉紡設備的運行狀態進行評估，從而制定更加合理的檢修計劃，就顯得尤為重要[1]。

目前，企業的定期大、小平車管理制度體現了設備檢修中預防為主的思想，它相對于那種事后檢修策略是進步的。但這種檢修管理制度由于沒有考慮各類設備初始狀態的差異性，以及設備在不同環境下運行狀態的變化，因而既在理論上有缺陷，又在實際中有盲目性。

隨著科學技術的進步和發展，新工藝與新產品的不斷涌現，中外技術的不斷交流，棉紡設備的質量得到很大提高，棉紡設備已有了本質的飛躍。機電一體化、半自動、全自動棉紡設備大量使用，新技術、新成果不斷應用，設備的運行可靠性大大提高了；因此，紡織設備的維護已出現了新問題。如果繼續按大、小平車檢修管理制度所規定的周期對設備進行頻繁的檢修，勢必要大幅度增加維修人員和檢修工作量，增加企業生產和管理成本。因此，需要一個更好的對設備運行狀態做一個綜合評估的預測評估，來指導設備的大小平、部分保全等的選擇[2]。

我們根據紡織企業的特點和某企業的實際情況，利用基于動量因子的BP神經網絡模型，確立一個新的評估棉紡設備運行狀態的評估標準，為該企業棉紡設備的綜合管理提供一個重要的參考依據。

1 設備運行狀態預測方法的確定

設備運行狀態預測模型是一個復雜的非線性模型，影響設備運行狀態的因素也比較多，且各個因素之間會存在不同程度的耦合關系。BP神經元網絡對于非線性模型具有模型優化的能力，所以通過使用BP神經網絡模型來對設備運行狀態進行預測比較可行[3]。

BP（Back Propagation）神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。

利用BP神經網絡模型解決設備的運行狀態預測問題的流程大致為：經過前期的資料調研，確定影響設備運行狀態的關鍵因素（特征值），然后采集這些關鍵因素的數據，并進行數據處理，從中提取出樣本數據，建立合適的神經網絡模型，訓練和學習神經網絡，最終實現預測設備運行狀態數據的功能。預測流程圖如圖1所示。

2 BP神經網絡模型的結構設計

根據紡織設備的運維特點，其中以某一類設備（如細紗機）的某一種相同型號（如FA506）為例，分別從技術性指標、經濟性指標、環境性指標、安全健康指標等方面考慮，可以選取以下幾個特征參數：設備殘值、月折舊額、月產量、單位產品成本、單位產品維護費用、能源利用率、噪聲、設備安全性等來表示設備的運行狀態特點，即作為網絡的輸入。

在所選輸入參數中，設備殘值指的是設備現有的剩余價值，且設備殘值越高，對應的設備運行狀態一般也越好；月折舊額指的是設備每月折損的價值，月折舊額越低，對應的設備運行狀態一般越好；月產量指的是該臺設備每月實際生產的合格產品數量，產量越高，說明設備的生產能力越強，運行狀態一般越好；單位產品成本指的是設備生產出來單位產品所需要的生產費用，所需費用越少，成本越低，設備運行狀態一般越好；單位產品維修費用指的是生產單位產品所需要的維修費用，所需費用越少，則說明設備運行狀態一般越好；能源利用率主要指對能源的利用效率，利用效率越高，則說明設備運行狀態一般越好；噪聲主要指設備運行生產過程中的聒噪程度，噪聲越低，工作環境越好，設備運行情況一般越好；設備安全性主要指設備運行操作時的安全指數，安全指數越高，越有利于設備的正常運行，設備的運行狀態才越好。

根據紡織設備的實際情況，把設備運行狀態作為評定運行設備優劣標準的網絡的輸出，即優秀、良好、一般、較差四個標準，分別用3、2、1、0表示。

由上述分析可得，網絡輸入為8個，輸出為1個。由于網絡層次太多會影響網絡收斂速度，本例選擇三層網絡結構，即只有一層隱含層，就能夠合理的解決本預測問題。隱含層的神經元個數不是固定的，常用的經驗公式為[I=M+P+A]（M、I、P分別表示輸入層、隱含層、輸出層的神經元個數，A為1到10之間的常數）[4]。經過實際訓練的檢驗和不斷的對隱含層神經元個數的調整，可最終確定隱含層節點的個數為5。

大致的網絡模型圖如圖2所示，圖中M=8，I=5，P=1。

根據確定的網絡結構，通過動量梯度下降法進行神經網絡訓練實驗，對不同的學習速率和動量因子分別進行取值調整，進而得到不同的誤差精度和收斂速度的比較，最終可確定學習速率η=0.04，動量因子α=0.88。

3 基于動量因子的BP神經網絡模型的訓練

常用的三層BP神經網絡由以下三部分構成：一個輸入層、一個隱含層和一個輸出層。層內神經元之間沒有連接，層與層之間的神經元由可以通過學習修正的權值（Weight）互連。

設BP網絡的輸入層為x，有M個輸入信號；隱含層為y，有I個神經元；輸出層為z，有P個輸出神經元。其中，

各個神經網絡層的輸出由輸入和轉移函數決定。BP神經網絡通常采用Sigmoid函數作為轉移函數。Sigmoid函數的數學表達式為：[f（x）=11+e-x]。

BP網絡的學習訓練方法有很多種，如標準誤差反向傳播算法、累積誤差校正算法、Sigmoid函數輸出限幅的BP算法、增加動量項的BP算法、學習速率自適應調整算法等[5]。其中最常用到的是累積誤差校正算法，其算法步驟可描述如下[6]：

第一步：初始化：賦給權值W1MI（1）、W2IP（1）及閾值θ、γ各一個較小的[-1，+1]區間的隨機非零值，n=1。

第二步：隨機選取一個輸入樣本Xk。

第三步：對于輸入樣本Xk，前向計算BP網絡每層神經元的輸入信號和輸出信號。設輸入層的輸入和輸出分別為[ukxm]和[vkxm]，隱含層的輸入和輸出分別為[ukyi]和[vkyi]，輸出層的輸入和輸出分別為[ukzp]和[vkzp]。

輸入層的各個處理單元對輸入模式不進行處理，即輸入層的輸出與輸入相同：

隱含層各個神經元的凈輸入和輸出分別為：

輸出層各個神經元的凈輸入和實際輸出分別為：

第四步：由訓練樣本的輸出dk和上一步求得的實際輸出Yk（n），計算輸出層各個神經元的校正誤差：

輸出層的誤差能量總和可定義為：

隱含層各個神經元的校正誤差：

修正隱含層至輸出層的連接權值w2ip和輸出層神經元的閾值γ，其修正式為：

修正輸入層至隱含層的連接權值w1mi和輸出層神經元的閾值θ，其修正式為：

第五步：隨機選取下一個輸入樣本提供給網絡，返回第三步，直至全部N個樣本訓練完畢。

第六步：判斷網絡全局誤差[E=k=1NEk]是否滿足精度要求，即[E≤ε]。若滿足，則轉到第八步，否則繼續。

第七步：更新網絡學習次數，即n=n+1，若學習次數小于規定的次數，則返回第二步，否則繼續。

第八步：結束，得到最終的閾值和權值。

不過，上述的BP算法存在兩個問題：①由于BP算法的基本思想是基于梯度下降法將各個權值和閾值向著減小誤差的方向調整，并且梯度下降法的原理保證在只有一個極小值時才絕對有效，但在很多時候誤差曲線有許多的局部極小值。因此，該BP算法可能會陷入局部極小值。②如果權值的初始值位于梯度比較小的位置，則必須經過多次調整權值來才有可能最終收斂。所以，該BP學習算法的收斂速度可能較慢。

通過加入動量項可以進一步改進該BP網絡，從而更加快速準確的實現運行設備的狀態評估預測。其具體步驟就是在計算權值修正量的時候，加入一個動量項，即令

再將上式寫成以t為變量的時間序列，t由1到n。則上式可看成是w2ip（n）的一階差分方程，即

最終可推得

當本次的[?E（t）?w2ip（t）]與前一次同符號時，其加權求和值增大，使得w2ip（n）較大，從而加快了調節速度；當本次的[?E（t）?w2ip（t）]與前一次符號相反時，其加權求和值變小，w2ip（n）也減小，起到了穩定作用。

通過在BP算法中加入動量項，不僅可以微調權值的修正量，使得收斂速度加快，也可以使學習避免陷入局部最小。

正是由于加入動量項的BP神經網絡隨著誤差反向傳播不斷地進行修正，不斷提高對輸入模式識別的正確率，而且修正速度也加快許多，因此，該BP網絡模型可以合理地解決該預測問題。

4 實例分析

下面以某棉紡廠近十年來型號為FA506的細紗機設備為例，其設備運行狀態情況及主要影響因素的部分樣本數據如表1所示：

狀態及主要影響因素的部分樣本數據

根據動量梯度下降法原理，采用上述的神經網絡結構，學習速率為0.04，動量因子為0.88，使用前190組樣本數據對網絡進行訓練，可設置網絡全局誤差目標值為0.01，最大學習次數為1000次。

網絡學習訓練完成之后，得到最終的閾值和權值。采用最后10組樣本數據對網絡進行診斷，可得到設備運行狀態的診斷預測結果，再將診斷結果進行乘以3的處理，與期望結果進行比較，如表2所示：

從實際的預測結果可以看出，期望結果應該為0的數據預測所得的結果近似為0，期望結果應該為1的數據預測所得的結果近似為1，期望結果應該為2的數據預測所得的結果近似為2，期望結果應該為3的數據預測所得的結果近似為3。因此，所測的每組數據都符合誤差要求，而且平均誤差約為0.00180556。

從測試結果可以看出，基于改進動量因子的BP神經網絡不但能夠解決棉紡設備運行狀態預測的非線性問題，而且預測結果比較符合要求，預測誤差也非常小。因此，該神經網絡模型完全可以滿足設備運行狀態預測的要求。

5 結論

通過前面的實例，我們可以知道，通過改進動量因子的BP神經網絡算法來預測棉紡設備的運行狀態情況，可以彌補傳統方法評估設備的不足，實現設備運行狀態的智能化評估，具有很大的實用價值。通過設計合適的網絡結構、學習速率和動量因子，得到的BP網絡可以保證誤差精度和收斂速度。最后，通過實驗，我們可以對網絡進行訓練和診斷。實驗結果表明：動量因子BP神經網絡算法可以為設備管理者提供一個智能化的、可靠的評估設備運行狀態水平的預測途徑，能夠使紡織廠的各項計劃得到有效、有序的實施，節省許多資源。

參考文獻：

[1] Pan Rongchang，Li Haixia Xu Linlan.Experience of Blowing-carding Unit State Maintenance and Management[J].Cotton Textile Technology，2011，3（3）：34-36.

[2] 蔣獻偉，黃民祥，許諾，等.供電設備檢修計劃優化[J].電力系統及其自動化學報，2007，19（4）：116-120.

[3] Wikipedia.Artificial neural network[DB/OL].http：///wiki/Artificial_neural_network.

[4] Basheer A，Hajmeer M.Artificial neural networks： fundamentals， computing， design，and application.Neural Computting in Microbiology，2000，12（1）：3-31.

第9篇：神經網絡評估范文

關鍵詞： 金融風險；預警；模糊聚類；神經網絡

一、引言

2014年中央經濟工作會議明確提出要“高度重視財政金融領域存在的風險隱患，堅決守住不發生系統性和區域性金融風險的底線”。2008年國際金融危機爆發以來，世界各國應對金融危機的經驗表明，構建金融體系風險預警機制是必要且可行的。相對于整體金融風險而言，區域性金融風險具有更強的外部傳導性和可控性，且一般早于整體金融風險爆發，在某種程度上可被視為整體金融風險的預警信號，因此，作為金融監管的有效補充，研究區域性金融風險早期預警體系并進行預警分析將對金融風險管控具有重要意義。

國外學者對于早期風險預警體系的研究較為系統和成熟，且已有一些金融監管部門建立了早期預警模型，如美聯儲的SEER評級模型、美國聯邦存款保險公司的SCOR模型、法國銀行業委員會的預期損失模型、國際貨幣基金組織的宏觀審慎評估模型等。受國際金融危機的影響，近年來國內學者在早期金融風險預警和管理方面的研究也越來越多，但由于預警指標選擇、風險狀態劃分及臨界值選擇等均不盡相同，因此建立的預警模型也有所差異。本文通過借鑒國內外對金融風險預警指標體系的既有研究成果，綜合運用模糊聚類分析、BP神經網絡建模等計量分析方法，構建區域金融風險預警體系，以期對區域性金融風險的評估和防范提供客觀性依據。

二、總體分析框架及模型構建

本文構建的區域金融風險早期預警體系由三部分組成：首先結合安徽區域特點，構建包括經濟因素、財政因素、金融因素、房地產發展、企業經營狀況等的區域性金融風險指標體系；其次利用模糊聚類分析對研究樣本進行分類，確定BP神經網絡預警模型的分割點，為區域性金融風險水平的劃分提供一種新思路；最后采用人工神經網絡來預測未來金融危機發生的可能性。

（一）區域性金融風險指標體系

區域性金融風險指標選擇既要考慮金融風險因素的普遍性，更要體現區域經濟金融發展特點。指標選取原則：一是全面性，所選指標盡可能全面反映區域金融風險；二是可得性，所選數據要容易獲得，且期間口徑未作調整；三是匹配性，數據收集成本與模型預測的經濟實用性相匹配。

（二）風險評估的模糊聚類分析

在分析一個時間序列的區域金融風險時，我們可以把指標相似程度高的樣本聚集在一起，作為一個整體進行分析，以達到簡化的效果。傳統的聚類分析是一種“硬劃分”，即把每個待識別的對象嚴格劃分到某類中，具有“非此即彼”的性質，這種分類的類別界限也是分明的。然而，在大多數情況下，風險類別可能并沒有嚴格的界定，其類屬性方面存在中介性，適合進行“軟劃分”。模糊集理論為這種劃分提供了強有力且有效的分析工具，采用相應的模糊聚類模型，可以取得較好的分類效果。“模糊聚類”概念最早由Ruspini提出，之后人們利用這一概念提出了多種模糊聚類算法。本文運用神經網絡來進行模糊聚類，其優勢在于神經網絡的并行處理結構。

（三）基于人工神經網絡的早期預警體系

人工神經網絡ANN）是一種在生物神經網絡啟示下建立的數據處理模型，其具有強大的模式識別和數據擬合能力，最為可貴的是神經網絡還有自學習和自適應性。自適應性是指一個系統能夠改變自身的性能以適應環境變化的能力，當環境發生變化時，相當于給神經網絡輸入新的訓練樣本，網絡能夠自動調整結構參數，改變映射關系，從而對特定的輸入產生相應的期望輸出。人工神經網絡包括很多種，不同類型的神經網絡適用于解決不同的問題，其中最為常用的一種就是BP神經網絡，它是一種多層前向神經網絡，其權值調整采用反向傳播學習算法。而自組織競爭神經網絡則使用了與前向神經網絡完全不同的思路，采取競爭學習的思想，網絡的輸出神經元之間相互競爭，同一時刻只有一個輸出神經元獲勝，因此自組織神經網絡主要用于解決分類、聚類問題。鑒于此，本文在進行區域金融風險評估時，運用自組織競爭神經網絡進行模糊聚類分析，得出各樣本的風險類別；而在構建區域風險早期預警體系時，采用BP神經網絡進行分析和預測。

三、區域性金融風險早期預警的實證分析

（一）區域性金融風險監測指標的選取與標準化

金融風險是一個綜合性、系統性的概念，單純選用個別指標不足以反映其真實水平。因此，根據客觀性、完備性、科學性、實用性、重要性原則，同時借鑒國內外研究成果，本文選取了經濟、財政、金融、房地產、企業經營等方面的17個金融風險評價指標，樣本區間為2009年至2014年一季度的安徽省季度數據，并根據指標與金融風險的正負相關性對其進行標準化。