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(jīng)網(wǎng)絡(luò)評估主題范文,僅供參考,歡迎閱讀并收藏。
關(guān)鍵詞: 神經(jīng)網(wǎng)絡(luò); 情感神經(jīng)網(wǎng)絡(luò); 信用卡評估; 情感因素分量
中圖分類號: TN711?34 文獻(xiàn)標(biāo)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(yè)務(wù)的發(fā)展程度成正比,近年來,隨著我國經(jīng)濟(jì)的不斷發(fā)展,人們生活水平的不斷提高,在國內(nèi)形成了日漸成熟的信用消費(fèi)環(huán)境,在這種信用消費(fèi)環(huán)境中,銀行信用卡業(yè)務(wù)應(yīng)運(yùn)而生。近些年來,信用卡業(yè)務(wù)已經(jīng)成為銀行利潤增長的跳板,信用卡業(yè)務(wù)業(yè)績的好壞直接關(guān)乎銀行的收益,因此,信用卡業(yè)務(wù)發(fā)展迅猛。然而,各大商業(yè)銀行一味追求數(shù)量,勢必會造成質(zhì)量的下降,各商業(yè)銀行在盲目追求發(fā)卡量的同時(shí),卻放松了對信用卡申請人的信用評估,這為后續(xù)的透支還款超出個(gè)人支付的水平埋下了隱患。因此如何有效地進(jìn)行信用卡評估成為各大商業(yè)銀行亟待解決的問題。
在與我國形成鮮明對照的西方發(fā)達(dá)國家,信用管理十分完善,技術(shù)也十分成熟,在進(jìn)行信用卡評估時(shí),申請人個(gè)人的信用評估模型和方法具有很強(qiáng)的適用性,經(jīng)過長時(shí)間的實(shí)踐檢驗(yàn)也得到了十分廣泛的應(yīng)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(tǒng)計(jì)模型的方法,第二類是基于運(yùn)籌學(xué)模型的方法,第三類是基于非參數(shù)估計(jì)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(chǔ)上進(jìn)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(fā)行和使用是基于“先消費(fèi)、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(gè)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(fēng)險(xiǎn)。信用卡評估就是通過建立一定的模型,運(yùn)用計(jì)算機(jī)技術(shù)評估個(gè)人在消費(fèi)信貸業(yè)務(wù)中誠實(shí)守信的意志和能力。
信用卡評估的必要性主要表現(xiàn)在微觀和宏觀兩個(gè)方面:在微觀方面,信用卡評估可以較為準(zhǔn)確地衡量申請辦卡人的信貸風(fēng)險(xiǎn),給發(fā)卡銀行提供一個(gè)可靠的數(shù)據(jù)判斷依據(jù),大大降低商業(yè)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(fēng)險(xiǎn),改善市場的金融環(huán)境和信用環(huán)境,有利于金融市場的穩(wěn)定和健康發(fā)展。
[關(guān)鍵詞] 人工神經(jīng) 專利 評估 模型
一、專利申請?jiān)u估中人工神經(jīng)網(wǎng)絡(luò)模型的原理與方法
專利評估是一個(gè)非常復(fù)雜的系統(tǒng), 其中存在著廣泛的非線性、時(shí)變性和不確定性。本文實(shí)質(zhì)上是對擬申請專利的技術(shù)創(chuàng)新成果做一個(gè)分類。但要注意的是,不宜申請專利的技術(shù)創(chuàng)新成果并不代表不具備創(chuàng)新價(jià)值和經(jīng)濟(jì)效益,我們在選取指標(biāo)因素時(shí),只是將專利法對專利權(quán)的保護(hù)方式作為是否適合申請專利重要的因素,某些技術(shù)創(chuàng)新成果如不必申請專利權(quán)便可以以單方執(zhí)有技術(shù)秘密而形成技術(shù)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(zhuǎn)化為尋找一差別函數(shù)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(hù)。因此,專利申請的可行性評估最終也可作為一類函數(shù)的逼近問題。
二、專利申請?jiān)u估人工神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建
本文構(gòu)建的專利評估模型是采用BP算法的多層前饋網(wǎng)絡(luò)。該模型的特點(diǎn)是信號由輸入層單向傳遞到輸出層,同一層神經(jīng)元之間互不傳遞信息,每個(gè)神經(jīng)元與鄰近層所有神經(jīng)元相連,連接權(quán)用Wij表示。各神經(jīng)元的作用函數(shù)為Sigmoid函數(shù),設(shè)神經(jīng)網(wǎng)絡(luò)輸入層的p個(gè)節(jié)點(diǎn),輸出層有q個(gè)節(jié)點(diǎn),k-1層的任意節(jié)點(diǎn)用l表示,k層的任意節(jié)點(diǎn)用j表示,k+1層的任意節(jié)點(diǎn)用l表示。Wij為k-1層的第i個(gè)神經(jīng)元與k層的第j個(gè)神經(jīng)元相連接的權(quán)值。k-1層的節(jié)點(diǎn)i輸出為O(k-1)i,k層節(jié)點(diǎn)j的輸出為:Okj=f(netkj)
設(shè)訓(xùn)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(yīng)于期望輸出;網(wǎng)絡(luò)的實(shí)際輸出Y也是q維向量。網(wǎng)絡(luò)在接受樣本對的訓(xùn)練過程中,采用BP算法,其權(quán)值調(diào)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(xùn)練步長,取0<η<1。
用樣本集合反復(fù)訓(xùn)練網(wǎng)絡(luò),并不斷修改權(quán)值,直到使實(shí)際輸出向量達(dá)到要求,訓(xùn)練過程結(jié)束。
三、基于BP人工神經(jīng)網(wǎng)絡(luò)的專利申請可行性判斷步驟及結(jié)論
本文使用的技術(shù)創(chuàng)新成果數(shù)據(jù)選自1995年~2005年某市知識產(chǎn)權(quán)局提供的樣本,共計(jì)551例。其中486例成功申請專利。每一樣本都包括多項(xiàng)數(shù)據(jù),其中用于評估的數(shù)據(jù)項(xiàng)有:申請專利的類別,技術(shù)創(chuàng)新的類別、技術(shù)的壟斷性、專利權(quán)保護(hù)的難易程度等多達(dá)58項(xiàng)。
1.網(wǎng)絡(luò)訓(xùn)練集的確定:在最原始的551例技術(shù)創(chuàng)新成果中存在著各種各樣的差別,如申請專利權(quán)類別差異(419例發(fā)明專利和實(shí)用新型專利,132例外觀設(shè)計(jì)專利),評估結(jié)果的差異(486例經(jīng)申請后被授予專利),技術(shù)創(chuàng)新成果的類別差異,技術(shù)創(chuàng)新成果技術(shù)價(jià)值的不同(如發(fā)明專利的技術(shù)獨(dú)創(chuàng)性最強(qiáng)且不易復(fù)制,因而最具技術(shù)價(jià)值)、專利權(quán)保護(hù)的時(shí)限不同(如外觀設(shè)計(jì)專利權(quán)和實(shí)用新型專利權(quán)的時(shí)限僅為10年,而發(fā)明專利權(quán)的保護(hù)時(shí)限為20年)。
2.神經(jīng)網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)的預(yù)處理。人工神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)都應(yīng)該屬于(0,1)區(qū)間的實(shí)數(shù),為此我們對原始數(shù)據(jù)進(jìn)行如下的規(guī)一化處理:
其中xi為原始數(shù)據(jù)項(xiàng),而Max=max{xi∶xi∈X},Min=min{xi∶xi∈X}。這里X為原始數(shù)據(jù)集。經(jīng)過變換后, yi將在(0,1)區(qū)間,可作為神經(jīng)網(wǎng)絡(luò)的輸入輸出。
3.使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行專利申請可行性判斷。將描述技術(shù)創(chuàng)新成果的各種情況的數(shù)據(jù)作為前向網(wǎng)絡(luò)的輸入數(shù)據(jù)加到其輸入端,并按各神經(jīng)元的輸入和輸出,同時(shí)調(diào)整神經(jīng)元之間的連接權(quán)值以使網(wǎng)絡(luò)的輸出和實(shí)際情況相符。即當(dāng)技術(shù)創(chuàng)新成果成功申請到專利權(quán)時(shí),網(wǎng)絡(luò)的輸出結(jié)果也恰好指示為適合申請專利權(quán),反之亦然。如果對所有的訓(xùn)練樣本集網(wǎng)絡(luò)的輸出基本上(95%或更高)能保證與實(shí)際結(jié)果一致,則訓(xùn)練過程結(jié)束。對于一個(gè)待評估的技術(shù)創(chuàng)新成果來說,只要將該成果的數(shù)據(jù)輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中去,根據(jù)網(wǎng)絡(luò)的輸出結(jié)果就可以知道該技術(shù)成果是否適合申請專利權(quán)保護(hù)。
上述結(jié)果表明不同類型的因素應(yīng)分開來考慮。我們將58項(xiàng)輸入數(shù)據(jù)分成四類不同的BP網(wǎng)絡(luò),然后再將它們各自的結(jié)果綜合起來得出最后的判斷。
上述四種網(wǎng)絡(luò)所得結(jié)果的可靠性各不相同。其中,根據(jù)基于專利法保護(hù)的判斷準(zhǔn)確性最高,因此在最后的綜合中重點(diǎn)考慮它的判斷結(jié)果,其權(quán)值也相對最高。其次,基于技術(shù)壟斷性的判斷往往也具有較高的準(zhǔn)確性,權(quán)值也較高,但比前者的稍低?;诩夹g(shù)創(chuàng)新成果屬性的判斷更多地涉及專利權(quán)的受保護(hù)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(shè)定權(quán)值最小。
最后的結(jié)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(wǎng)的輸出及其對應(yīng)的權(quán)值。
當(dāng)O>0.5時(shí)最后的結(jié)果為適合申請專利權(quán),反之則不宜申請專利權(quán)。對所有的樣本數(shù)據(jù)經(jīng)上述的判斷結(jié)果見表2。
WANG E (School of Traffic and Transportation, Lanzhou Jiaotong University, Lanzhou 730070, China)
摘 要:文章借鑒物流聯(lián)盟風(fēng)險(xiǎn)評價(jià)問題已有成果,總結(jié)了影響物流聯(lián)盟風(fēng)險(xiǎn)的主要因素,并在此基礎(chǔ)上建立了兩級4種類型的物流聯(lián)盟風(fēng)險(xiǎn)評估指標(biāo)體系,該指標(biāo)體系包括市場風(fēng)險(xiǎn)、合作關(guān)系風(fēng)險(xiǎn)、能力風(fēng)險(xiǎn)、信息與管理風(fēng)險(xiǎn)4個(gè)方面共11個(gè)評價(jià)指標(biāo)。建立了基于BP神經(jīng)網(wǎng)絡(luò)分析法對物流聯(lián)盟合作伙伴選擇模型,利用MATLAB進(jìn)行了樣本訓(xùn)練和實(shí)例分析,結(jié)果顯示利潤分配、信息共享、信任程度是影響物流聯(lián)盟風(fēng)險(xiǎn)最重要的二級指標(biāo)。
關(guān)鍵詞:物流聯(lián)盟;風(fēng)險(xiǎn)評價(jià);BP神經(jīng)網(wǎng)絡(luò);物流聯(lián)盟風(fēng)險(xiǎn)
中圖分類號:F272 文獻(xiàn)標(biāo)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(jīng)濟(jì)的發(fā)展,物流業(yè)已經(jīng)成為我國眾多發(fā)展迅猛的行業(yè)之一。由于市場競爭程度的加劇,單個(gè)物流企業(yè)已無法應(yīng)對市場中的各種風(fēng)險(xiǎn),建立物流聯(lián)盟成為物流企業(yè)調(diào)整戰(zhàn)略格局的重要措施。我國的一些大中型物流企業(yè)不斷卷起聯(lián)盟的狂潮,目的是使企業(yè)獲得較新的技術(shù)設(shè)備及能力資源、降低企業(yè)成本、提高企業(yè)核心競爭力、增加企業(yè)收入水平。理論上,如果物流聯(lián)盟能夠有效執(zhí)行,其發(fā)展前景是不可估量的,但是也存在一些風(fēng)險(xiǎn)。本文研究目的是為物流聯(lián)盟的構(gòu)建以及風(fēng)險(xiǎn)因素的評估進(jìn)行理論分析,并且借鑒這些因素對物流聯(lián)盟的風(fēng)險(xiǎn)程度做出相應(yīng)的定量分析和評價(jià),以增加物流聯(lián)盟的長期性、提高物流聯(lián)盟的穩(wěn)定性,使得雙方或者多方企業(yè)通過物流聯(lián)盟的方式降低物流成本,獲得最大收益。
Ashino和Rangan[1]提出兩個(gè)或者多個(gè)物流企業(yè)組成的聯(lián)盟必須能夠擁有共同的目標(biāo),在建立聯(lián)盟時(shí)共同分享獲得的利潤,并且將這些資源運(yùn)用到聯(lián)盟企業(yè)的運(yùn)營當(dāng)中去,只有這樣聯(lián)盟才能持久且穩(wěn)定,否則存在諸多聯(lián)盟風(fēng)險(xiǎn);Shapiro[2]將聯(lián)盟風(fēng)險(xiǎn)中的信任風(fēng)險(xiǎn)分為4種:基于達(dá)成共識的信任風(fēng)險(xiǎn)、基于認(rèn)知能力的信任風(fēng)險(xiǎn)、基于威懾的信任風(fēng)險(xiǎn)以及敏捷信任風(fēng)險(xiǎn);Ming-Chih Tsai[3]等人分析了政治風(fēng)險(xiǎn)對物流企業(yè)發(fā)展的作用,指出微觀企業(yè)因素和宏觀政治因素所引起的風(fēng)險(xiǎn)不容忽略;Hallikas[4]提出了如何在網(wǎng)絡(luò)環(huán)境中處理物流聯(lián)盟風(fēng)險(xiǎn)的方法,介紹了風(fēng)險(xiǎn)管理的過程;鄭紹鐮[5]計(jì)算了層次分析法評估指標(biāo)的權(quán)重,優(yōu)化了聯(lián)盟利益分配的機(jī)制;馮蔚東[6]利用模糊綜合分析法(Fuzzy-AHP)建立了一種基于風(fēng)險(xiǎn)與投資比例的求解辦法,通過實(shí)際的計(jì)算證明了其有效性和正確性;徐志祿[7]J為聯(lián)盟合作伙伴的適合性、匹配性、資產(chǎn)專用性、競爭和合作的平衡、企業(yè)成員之間相互信任等因素會直接影響到物流聯(lián)盟穩(wěn)定性;劉明菲[8]依據(jù)物流市場運(yùn)營風(fēng)險(xiǎn)的內(nèi)涵,對市場運(yùn)營風(fēng)險(xiǎn)進(jìn)行分類識別,分析了各類風(fēng)險(xiǎn)可能產(chǎn)生的后果,并提出風(fēng)險(xiǎn)管理對策;袁旭和孫希剛[9]結(jié)合時(shí)間價(jià)值理論和層次分析法建立了一個(gè)虛擬物流企業(yè)受益混合模型;DASTK和TENGBS[10]等人針對物流聯(lián)盟提出了基于風(fēng)險(xiǎn)理論,認(rèn)為影響物流聯(lián)盟的風(fēng)險(xiǎn)有績效和關(guān)系兩大類。
國外學(xué)者起初研究供應(yīng)商選擇方法,后來研究合作伙伴選擇條件,但都未深入進(jìn)行物流聯(lián)盟合作伙伴的研究。國內(nèi)對物流聯(lián)盟研究起步較遲,且缺少實(shí)踐經(jīng)驗(yàn),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(jù)物流聯(lián)盟風(fēng)險(xiǎn)的分類,結(jié)合BP神經(jīng)網(wǎng)絡(luò)分析法對物流聯(lián)盟的風(fēng)險(xiǎn)進(jìn)行綜合評價(jià),并且運(yùn)用MATLAB對物流聯(lián)盟的風(fēng)險(xiǎn)評價(jià)結(jié)果進(jìn)行驗(yàn)證。
1 物流聯(lián)盟風(fēng)險(xiǎn)分類
根據(jù)風(fēng)險(xiǎn)的劃分方式不同,物流聯(lián)盟風(fēng)險(xiǎn)的種類也不盡相同。唐萌春[10]認(rèn)為物流聯(lián)盟中存在兩類風(fēng)險(xiǎn):內(nèi)部風(fēng)險(xiǎn)和外部風(fēng)險(xiǎn)。聯(lián)盟外部風(fēng)險(xiǎn)主要包括市場風(fēng)險(xiǎn)、金融環(huán)境風(fēng)險(xiǎn)以及自然環(huán)境風(fēng)險(xiǎn)等;聯(lián)盟內(nèi)部風(fēng)險(xiǎn)主要有合作關(guān)系風(fēng)險(xiǎn)、能力風(fēng)險(xiǎn)和信息與管理風(fēng)險(xiǎn)等。物流聯(lián)盟風(fēng)險(xiǎn)的分類示意圖如圖1所示:
物流聯(lián)盟內(nèi)部風(fēng)險(xiǎn)占主導(dǎo)因素,物流聯(lián)盟的外部風(fēng)險(xiǎn)也起一定作用,一般是由外部環(huán)境的不確定性和不穩(wěn)定性導(dǎo)致的。本文主要分析以下4種風(fēng)險(xiǎn)(1種聯(lián)盟外部風(fēng)險(xiǎn)和3種聯(lián)盟內(nèi)部風(fēng)險(xiǎn)):
(1)市場風(fēng)險(xiǎn)
市場風(fēng)險(xiǎn)主要是指在一些市場中由于市場價(jià)格、利率等的不穩(wěn)定從而使得市場遭受無法預(yù)料的隱含損失風(fēng)險(xiǎn),包含物品風(fēng)險(xiǎn)、利率風(fēng)險(xiǎn)、權(quán)益風(fēng)險(xiǎn)以及匯率風(fēng)險(xiǎn)等,其中利率風(fēng)險(xiǎn)是主要風(fēng)險(xiǎn)。
(2)合作關(guān)系風(fēng)險(xiǎn)
合作關(guān)系風(fēng)險(xiǎn)是指由于聯(lián)盟的企業(yè)之間的某種交易行為從而造成聯(lián)盟關(guān)系的不穩(wěn)定性。一般來說,影響物流聯(lián)盟的合作關(guān)系有很多因素,例如:企業(yè)文化、價(jià)值觀念、激勵(lì)機(jī)制、道德風(fēng)險(xiǎn)、信任程度以及戰(zhàn)略目標(biāo)。第一,信任是合作的首要保證,當(dāng)然也是物流聯(lián)盟合作的基礎(chǔ)。如果企業(yè)聯(lián)盟之間互不相信,那么企業(yè)聯(lián)盟也將無法進(jìn)行下去。第二,物流聯(lián)盟的有效保障是適當(dāng)?shù)丶?lì)和合理公平的利益分配,如果信息不對稱,那么物流聯(lián)盟將可能會出現(xiàn)停滯現(xiàn)象,同樣,利潤分配不公平、激勵(lì)不合理、聯(lián)盟成員的機(jī)會主義等都有可能造成物流聯(lián)盟的失敗。第三,企業(yè)和成員的價(jià)值觀念以及行為方式的不同,還有企業(yè)文化的沖突等都會對聯(lián)盟的關(guān)系產(chǎn)生威脅,甚至破裂。
(3)能力風(fēng)險(xiǎn)
能力風(fēng)險(xiǎn)主要是指由于聯(lián)盟組織的實(shí)踐經(jīng)驗(yàn)、知識積累以及協(xié)調(diào)管理等能力的缺乏引起的。同樣,物流服務(wù)成本、物流技術(shù)、物流服務(wù)質(zhì)量以及物流響應(yīng)時(shí)間等方面因素都可能會對物流聯(lián)盟組織的穩(wěn)定性造成一定的影響。物流聯(lián)盟的基礎(chǔ)是對客戶提供優(yōu)質(zhì)的服務(wù),當(dāng)物流聯(lián)盟企業(yè)各方面的能力有限、技術(shù)上沒有辦法滿足客戶要求或服務(wù)質(zhì)量低下時(shí),都有可能使得物流聯(lián)盟的關(guān)系解體。
(4)信息與管理風(fēng)險(xiǎn)
信息與管理風(fēng)險(xiǎn)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(lián)盟的組織與管理等方面的風(fēng)險(xiǎn)。物流與信息流密切相關(guān),信息共享和信息高效、準(zhǔn)確的傳遞是有效物流聯(lián)盟建立的最基本要求,然而由于每個(gè)物流聯(lián)盟企業(yè)互不相同的信息系統(tǒng)、通信協(xié)議以及數(shù)據(jù)庫標(biāo)準(zhǔn),往往使得企業(yè)之間物流信息的傳遞出現(xiàn)延遲,或者集成時(shí)出現(xiàn)銜接困難,因而造成物流聯(lián)盟效率低下、運(yùn)行資料缺少,增加物流聯(lián)盟的運(yùn)行風(fēng)險(xiǎn)。
2 BP神經(jīng)網(wǎng)絡(luò)模型建立
設(shè)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(quán)值為W■,隱含層與輸出層間的連接權(quán)值為W■;隱含癰魃窬元的閥值為
z■,輸出層各神經(jīng)元的閥值為z■;樣本數(shù)據(jù)個(gè)數(shù)為K,K=1,2,…,m,輸出層的誤差函數(shù)為:
E=■■d■k-y■k■ (1)
隱含層與輸入層之間的連接修正權(quán)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(wǎng)絡(luò)誤差降到了一定的程度或者最初的最大次數(shù)小于訓(xùn)練次數(shù)時(shí),就可以讓訓(xùn)練停止。
MATLAB軟件中Nntool工具箱對BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程:
(1)創(chuàng)建網(wǎng)絡(luò);
(2)輸入訓(xùn)練樣本;
(3)計(jì)輸出值和誤差值;
(4)修正各層權(quán)值和閾值;
(5)誤差滿足條件,訓(xùn)練結(jié)束(如果誤差不滿足終止條件則繼續(xù)第三步,直到誤差達(dá)到所設(shè)置的誤差為止)。
3 基于BP神經(jīng)網(wǎng)絡(luò)分析的風(fēng)險(xiǎn)評估實(shí)例分析
文章結(jié)合以下實(shí)例運(yùn)用BP神經(jīng)網(wǎng)絡(luò)方法對物流聯(lián)盟風(fēng)險(xiǎn)進(jìn)行評估:例如某企業(yè)在組建物流聯(lián)盟之前邀請5位專家對聯(lián)盟伙伴的匹配性和合作者風(fēng)險(xiǎn)進(jìn)行評估,這兩種風(fēng)險(xiǎn)發(fā)生的概率和該風(fēng)險(xiǎn)對物流聯(lián)盟所產(chǎn)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(fēng)險(xiǎn)因素X■進(jìn)行評估,第j個(gè)專家的重要程度為W■,評價(jià)結(jié)果如表1所示:
風(fēng)險(xiǎn)影響程度數(shù)值表示,如表2所示:
第i種風(fēng)險(xiǎn)因素的風(fēng)險(xiǎn)度為:
X■=1-1-■w■f■1-■w■p■ (5)
其中:n表示專家個(gè)數(shù)(這里n=5),代入相應(yīng)的數(shù)值計(jì)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(shù)據(jù)如表3所示:
從以上的數(shù)據(jù)我們可以看出,在這11種風(fēng)險(xiǎn)當(dāng)中,信任程度的風(fēng)險(xiǎn)度是最高的,其值為0.963,其次是利潤分配和信息共享,風(fēng)險(xiǎn)度的值分別為0.953和0.941。在一定的條件下,技術(shù)能力和文化沖突等對聯(lián)盟風(fēng)險(xiǎn)的風(fēng)險(xiǎn)度就比較小。風(fēng)險(xiǎn)等級的區(qū)間表示:區(qū)間0,0.2表示低風(fēng)險(xiǎn),區(qū)間0.2,0.4表示較低風(fēng)險(xiǎn),區(qū)間0.4,0.6表示中等風(fēng)險(xiǎn),區(qū)間0.6,0.8表示較高風(fēng)險(xiǎn),區(qū)間0.8,1表示高風(fēng)險(xiǎn)。由于等級區(qū)間表示范圍在0,1之間,故隱含層采用Logsig函數(shù)(隱含層節(jié)點(diǎn)數(shù)為4),輸出層采用Purelin轉(zhuǎn)換函數(shù)(輸出層的節(jié)點(diǎn)數(shù)為1),建立BP神經(jīng)網(wǎng)絡(luò),對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。假設(shè)輸入層節(jié)點(diǎn)數(shù)為10,以專家評價(jià)法求出的11種風(fēng)險(xiǎn)因素的風(fēng)險(xiǎn)度作為BP神經(jīng)網(wǎng)絡(luò)的期望輸出值。5位專家打分的風(fēng)險(xiǎn)發(fā)生的概率和重要度作為樣本的輸入,輸出7組數(shù)據(jù)作為訓(xùn)練樣本,再用4組數(shù)據(jù)作為預(yù)測輸出值,輸出值的大小用以上的5個(gè)等級來反映風(fēng)險(xiǎn)的大小。
首先是創(chuàng)建神經(jīng)網(wǎng)絡(luò),然后對網(wǎng)絡(luò)環(huán)境初始化,主要是閾值和權(quán)值的設(shè)定(包括連接權(quán)重、隱含層、輸出層閾值等),最后輸入樣本訓(xùn)練值對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。當(dāng)訓(xùn)練到第100步時(shí),訓(xùn)練誤差的藍(lán)線達(dá)到期望水平并保持穩(wěn)定,即BP神經(jīng)網(wǎng)絡(luò)收斂,訓(xùn)練結(jié)束。如圖2所示:
經(jīng)過訓(xùn)練,得到樣本輸出結(jié)果為:0.92315,0.92071,0.93959,0.79772,0.80573,0.79717,0.91989;訓(xùn)練輸出結(jié)果為:0.82125,0.85374,0.92061,0.89466。
結(jié)果分析:從以上的訓(xùn)練結(jié)果可以得到該物流聯(lián)盟的風(fēng)險(xiǎn)范圍,因而能夠判斷物流聯(lián)盟風(fēng)險(xiǎn)的高低。從輸出結(jié)果可以看出,在誤差允許范圍內(nèi),第10種風(fēng)險(xiǎn)是信息共享風(fēng)險(xiǎn),專家評價(jià)計(jì)算得出的風(fēng)險(xiǎn)度(期望輸出值)為0.941,風(fēng)險(xiǎn)等級為極高;而網(wǎng)絡(luò)訓(xùn)練結(jié)果為0.92061,風(fēng)險(xiǎn)等級也為極高。由此說明BP神經(jīng)網(wǎng)絡(luò)的分析結(jié)果和期望結(jié)果基本一致,證明了本文所建立的BP神經(jīng)網(wǎng)絡(luò)的可靠性。
4 結(jié) 論
對物流鷴粵盟風(fēng)險(xiǎn)進(jìn)行評估,不僅可以有效地規(guī)避物流聯(lián)盟在建立過程中的風(fēng)險(xiǎn),而且可以讓聯(lián)盟企業(yè)有針對性地選擇對應(yīng)措施。如果在物流聯(lián)盟組建之前對其風(fēng)險(xiǎn)進(jìn)行評估,就可以未雨綢繆,采取有效措施將風(fēng)險(xiǎn)降低。BP神經(jīng)網(wǎng)絡(luò)能夠兼顧多種影響因素,利用人工智能學(xué)習(xí)的方法達(dá)到解決問題的實(shí)時(shí)性、敏捷性等特點(diǎn)。文章分析了物流聯(lián)盟風(fēng)險(xiǎn)產(chǎn)生的原因和風(fēng)險(xiǎn)特點(diǎn),結(jié)合BP神經(jīng)網(wǎng)絡(luò)分析法對風(fēng)險(xiǎn)指標(biāo)進(jìn)行評估,并且對聯(lián)盟的風(fēng)險(xiǎn)評估方法進(jìn)行選擇,最后使用MATLAB軟件中的Nntool工具箱對實(shí)例進(jìn)行分析,驗(yàn)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(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練所需的大量樣本不易獲得。
參考文獻(xiàn):
[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(jià)機(jī)制及其效率研究[J]. 管理科學(xué)學(xué)報(bào),1998(1):27-29.
[6] 馮蔚東. 虛擬企業(yè)中的風(fēng)險(xiǎn)分析與監(jiān)控[J]. 中國管理科學(xué),2001(10):24-31.
[7] 徐志祿. 第三方物流企業(yè)戰(zhàn)略聯(lián)盟的穩(wěn)定性研究[D]. 廣州:暨南大學(xué)(碩士學(xué)位論文),2007.
[8] 劉明菲,羅顯敏. 物流園區(qū)市場運(yùn)營風(fēng)險(xiǎn)管理[J]. 武漢理工大學(xué)學(xué)報(bào),2006(3):389-399.
[9] 袁旭,孫希剛. 基于貢獻(xiàn)的虛擬物流企業(yè)收益分配[J]. 桂林電子工業(yè)學(xué)院學(xué)報(bào),2004(3):72-74.
[10] DASTK, TENGBS. Resource and management in strategic alliance making process[J]. Journal of Management, 1998(24):21-54.
【關(guān)鍵詞】金融;P2P;網(wǎng)絡(luò)借貸
1 緒論
在P2P平臺風(fēng)險(xiǎn)評估研究方面,國內(nèi)外已有較多相關(guān)資料。Byan Jankar,M Heikkil,J Mezei(2015)構(gòu)建神經(jīng)網(wǎng)絡(luò)信用評級體系,發(fā)現(xiàn)其準(zhǔn)確度比傳統(tǒng)的回歸模型更高。國內(nèi),劉峙廷(2013)結(jié)合德國IPC風(fēng)險(xiǎn)評估,將風(fēng)險(xiǎn)量化,建立適合我國P2P網(wǎng)貸平臺的信用評價(jià)模型。曹玲燕(2014)結(jié)合模糊數(shù)學(xué)與層次分析方法對評估平臺風(fēng)險(xiǎn)進(jìn)行了評估。路晨(2015)借助風(fēng)險(xiǎn)矩陣模型,對P2P平臺不同風(fēng)險(xiǎn)進(jìn)行排序,提出了應(yīng)對不同風(fēng)險(xiǎn)的措施。上述研究主要以一間機(jī)構(gòu)為研究對象,研究的風(fēng)險(xiǎn)指標(biāo)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(chǔ)上進(jìn)一步拓展和完善評估模型。
2 BP神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評估模型
2.1BP神經(jīng)網(wǎng)絡(luò)模型簡介
BP(Back Propagation)神經(jīng)網(wǎng)絡(luò),即方向傳播算法,在1986年由Rumelhart和McCelland提出,是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。它能夠?qū)W習(xí)和儲存大量的輸入與輸出映射關(guān)系,而無需揭示這種映射的數(shù)學(xué)方程,是一種仿真模擬運(yùn)算系統(tǒng),能夠?qū)崿F(xiàn)自主學(xué)習(xí),尤其擅長進(jìn)行數(shù)據(jù)預(yù)測。BP神經(jīng)網(wǎng)絡(luò)模型有三層結(jié)構(gòu),包括輸入層(input)、輸出層(output layer)、隱層(hidden layer)。其學(xué)習(xí)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(guān)系,建立非線性模型。
2.2數(shù)據(jù)來源
樣本數(shù)據(jù)主要來自“網(wǎng)貸之家”與“佳璐數(shù)據(jù)”。選取160家網(wǎng)貸平臺(健康平臺及問題平臺各80個(gè))14個(gè)指標(biāo),共獲得2240個(gè)數(shù)據(jù)。同時(shí)為了控制數(shù)據(jù)變動(dòng)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(shù)據(jù)作為我們的參考依據(jù)。
2.3指標(biāo)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(wǎng)貸行業(yè)的實(shí)際發(fā)展情況,建立了如表1的雙重指標(biāo)體系。
2.3數(shù)據(jù)預(yù)處理
模型共有12個(gè)定量變量和2個(gè)定性變量,在對兩個(gè)定性變量的預(yù)處理中,股東背景為民營系時(shí)屬性編碼值為0,否則為1;而注冊省份按GDP排名進(jìn)行編碼。下表為數(shù)據(jù)的描述性統(tǒng)計(jì)分析:
通過上表我們得出以下結(jié)論:
(1)X1營業(yè)收入問題平臺標(biāo)準(zhǔn)差(19.88)遠(yuǎn)高于健康平臺(008),可見問題平臺的營業(yè)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(yuǎn)高于健康平臺(0.29),說明問題平臺存在嚴(yán)重的信用風(fēng)險(xiǎn),與我們的預(yù)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(yù)期有所出入;但問題平臺的標(biāo)準(zhǔn)差(0.33)遠(yuǎn)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(yù)期相符。
(4)X4平均借款期限:問題平臺(0.07)遠(yuǎn)低于健康平臺(754),而標(biāo)準(zhǔn)差則相反,問題平臺僅僅為0.1,遠(yuǎn)低于健康平臺(8.34),這說明了問題平臺為了大量籌資發(fā)行了大量短標(biāo),Ю戳舜罅苛鞫性風(fēng)險(xiǎn)。
(5)X5營業(yè)收入:健康平臺(3335.03)遠(yuǎn)高于問題平臺(5.01),與預(yù)期相符。
(6)X6前十大土豪待收金額占比:問題平臺(0.12)遠(yuǎn)高于健康平臺(0.44),說明問題平臺較大的流動(dòng)性風(fēng)險(xiǎn)。
(7)X7資金凈流入:問題平臺(2171786.44)遠(yuǎn)高于健康平臺(25765.63),X8人均借款金額(萬元)問題平臺(6637886)遠(yuǎn)高于健康平臺(1222.76),X9人均投資金額(萬元)問題平臺(26227.76)遠(yuǎn)高于健康平臺(14.39),這三者共同體現(xiàn)了問題平臺巨大的流動(dòng)性風(fēng)險(xiǎn)。
(8)X12運(yùn)營時(shí)間:健康平臺(33.99)約為問題平臺(14.25)的兩倍,與預(yù)期相符。
綜上,我們認(rèn)為所選取的14個(gè)指標(biāo)具有說服力,可納入風(fēng)險(xiǎn)評估體系。
3 模型設(shè)計(jì)與實(shí)證檢驗(yàn)
3.1模型結(jié)構(gòu)設(shè)計(jì)
BP神經(jīng)網(wǎng)絡(luò)主要用于求解非線性連續(xù)函數(shù)的多層前饋神經(jīng)網(wǎng)絡(luò)權(quán)重調(diào)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(quán)值,使權(quán)值不斷調(diào)整,直到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度,或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)。具體可分為以下兩步。
步驟1:結(jié)構(gòu)參數(shù)的設(shè)置,包括網(wǎng)絡(luò)層數(shù)及各層節(jié)點(diǎn)數(shù)的設(shè)置。本文采用包括輸入層、單個(gè)隱含層和輸出層的三層BP神經(jīng)網(wǎng)絡(luò)作為評估模型。
(1)輸入層節(jié)點(diǎn)數(shù)量
在我們的對比模型中,駱駝評級法共采用了12個(gè)指標(biāo),因此輸入層神經(jīng)元數(shù)量為12,而我們的改進(jìn)模型中,增加了兩個(gè)綜合實(shí)力指標(biāo),因此改進(jìn)模型的輸入層節(jié)點(diǎn)數(shù)量為14。
(2)隱含層節(jié)點(diǎn)數(shù)量
在原模型和改進(jìn)模型中,我們默認(rèn)隱含層節(jié)點(diǎn)數(shù)量為10。
(3)輸出層節(jié)點(diǎn)數(shù)量
在兩個(gè)對比模型中,我們的目標(biāo)都輸出為健康平臺1和問題平臺0,因?yàn)槲覀兊妮敵龉?jié)點(diǎn)數(shù)量為1。
步驟2:訓(xùn)練參數(shù)的設(shè)置,主要選擇神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)和訓(xùn)練函數(shù)等。
在兩個(gè)對比模型中,我們的學(xué)習(xí)函數(shù)和訓(xùn)練函數(shù)分別設(shè)定為learngdmi函數(shù)和trainlm函數(shù)。顯示出來的誤差變化為均方誤差值mse,誤差精度均設(shè)置為le一10。設(shè)定的網(wǎng)絡(luò)精度為0.0001,訓(xùn)練次數(shù)為1000。
3.2結(jié)果分析及對比
首先我們對12個(gè)定量指標(biāo)(X1-X12)進(jìn)行實(shí)證分析結(jié)果如下:網(wǎng)絡(luò)為12-10-1-1結(jié)構(gòu),經(jīng)過42次迭代循環(huán)完成訓(xùn)練,達(dá)到設(shè)定的網(wǎng)絡(luò)精度0.0001時(shí),誤差下降梯度為0.00976。BP算法在實(shí)際應(yīng)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(yōu)值。我們通過反復(fù)改變初始值,最終得到較為理想的訓(xùn)練結(jié)果:總判別準(zhǔn)確率為0.91429。
我們在駱駝評級法指標(biāo)的基礎(chǔ)上,在12個(gè)定量指標(biāo)的基礎(chǔ)上添加2個(gè)定性指標(biāo)(X13,X14)對模型進(jìn)行改進(jìn)。結(jié)果如下:網(wǎng)絡(luò)為14-10-1-1結(jié)構(gòu),經(jīng)過22次迭代循環(huán)完成訓(xùn)練,達(dá)到設(shè)定的網(wǎng)絡(luò)精度0.0001的時(shí),誤差下降梯度為0.00900。經(jīng)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(zhǔn)確率由0.91429提升到0.94286。由此可知,該BP網(wǎng)絡(luò)具有較好的泛化能力和預(yù)測精度,可用于對P2P網(wǎng)貸市場信用風(fēng)險(xiǎn)的評估。
3.3模型創(chuàng)新點(diǎn)和不足
3.3.1創(chuàng)新點(diǎn)
其一:數(shù)據(jù)的質(zhì)量較高。數(shù)據(jù)來源于權(quán)威行業(yè)統(tǒng)計(jì)網(wǎng)站,可信度較高。且樣本數(shù)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(fēng)險(xiǎn)評估體系完善。我們使用國際通行的駱駝評級法進(jìn)行評測,準(zhǔn)確率高達(dá)0.91429。我們還通過分析整個(gè)經(jīng)濟(jì)模型中各因素間的內(nèi)在聯(lián)系以及P2P網(wǎng)絡(luò)借貸的特殊性,加入注冊省份和股東背景兩個(gè)定性指標(biāo),進(jìn)一步提升準(zhǔn)確率。
其三:BP神經(jīng)網(wǎng)絡(luò)模型的自身優(yōu)勢。BP神經(jīng)網(wǎng)絡(luò)擅長預(yù)測和處理非線性關(guān)系。即便在輸入變量的權(quán)重、內(nèi)在關(guān)系不明確的情況下,該模型仍能夠自主學(xué)習(xí)和模擬訓(xùn)練。由此推斷,我們可以對任意平臺的信用風(fēng)險(xiǎn)進(jìn)行預(yù)測。
3.3.2不足
其一:參數(shù)設(shè)定較為困難。BP網(wǎng)絡(luò)的參數(shù)較多,設(shè)定缺乏簡單有效的方法,只能根據(jù)經(jīng)驗(yàn)設(shè)定其取值范圍,從而導(dǎo)致算法很不穩(wěn)定。
其二:容易陷入局部最優(yōu)。BP網(wǎng)絡(luò)在實(shí)際應(yīng)用中很可能陷入局部極小值,可以通過改變初始值,多次運(yùn)行的方式,獲得全局最優(yōu)值。
其三:結(jié)果不可重現(xiàn)。BP神經(jīng)網(wǎng)絡(luò)對初始權(quán)較為敏感。但是其初始權(quán)值是隨機(jī)的,又影響到訓(xùn)練結(jié)果,因此,結(jié)果具有不可重現(xiàn)性。
其四:數(shù)據(jù)不夠充足。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練都需要足夠的數(shù)據(jù)支持。160個(gè)平臺的數(shù)據(jù)只能避免一定的偶然性,并不能保證結(jié)果的確切性。
4 建議
4.1對P2P平臺的建議
(1)平臺應(yīng)做到信息公開透明,提供足夠而準(zhǔn)確的運(yùn)營指標(biāo)以供參考
平臺應(yīng)披露真實(shí)的企業(yè)信息,注冊省份,股東背景,企業(yè)背景以及其他運(yùn)營指標(biāo),從而提升可信度,吸引更多的投資者。
(2)定期對平臺的相關(guān)運(yùn)營指標(biāo)進(jìn)行監(jiān)測,確認(rèn)平臺運(yùn)行良好
平臺可以通過以上BP神經(jīng)模型,定期對運(yùn)營情況進(jìn)行監(jiān)測,對比同行業(yè)其他指標(biāo),確保運(yùn)行良好。
(3)依法運(yùn)營,防范相關(guān)法律風(fēng)險(xiǎn)
目前我國P2P領(lǐng)域在存在很多法律漏洞和空白,平臺應(yīng)依法規(guī)范自身行為,能最大程度降低法律風(fēng)險(xiǎn)。
(4)定期維護(hù)升級平臺,防范操作與技術(shù)風(fēng)險(xiǎn)
平臺應(yīng)對網(wǎng)站進(jìn)行加密處理,定期維護(hù)升級平臺,填補(bǔ)相關(guān)漏洞,以降低平臺操作與技術(shù)風(fēng)險(xiǎn),保障資金運(yùn)行的安全性。
4.2對投資者的建議
(1)關(guān)注平臺的各項(xiàng)基本運(yùn)營指標(biāo)是否正常
根據(jù)駱駝評級法,我們應(yīng)該關(guān)注12個(gè)定量指標(biāo)的具體情況。資本充足率8%左右,越多平臺流動(dòng)性越強(qiáng);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(dòng)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(dòng)性越好;運(yùn)營時(shí)間(月)越長越好。
(2)在關(guān)注定量指標(biāo)的基礎(chǔ)上,增加對定性指標(biāo)的關(guān)注
在研究中我們發(fā)現(xiàn)加入定性指標(biāo)可進(jìn)一步優(yōu)化模型。具體來說,定性指標(biāo)分為注冊省份和股東背景。要密切關(guān)注注冊省份的相關(guān)政策,經(jīng)濟(jì)發(fā)展情況等。例如從股東背景上看,民營系風(fēng)險(xiǎn)程度要大于上市公司系大于國企系。
參考文獻(xiàn):
[1]薛飛.P2P網(wǎng)貸的風(fēng)險(xiǎn)分析與風(fēng)控模式探究[J].時(shí)代金融,2015(1):226-229
[2]周慧.P2P網(wǎng)絡(luò)借貸:履約機(jī)制、運(yùn)作模式與風(fēng)險(xiǎn)控制[J].西部金融,2014(12):19-24
1.1區(qū)位因素
區(qū)位因素是高校周轉(zhuǎn)房房租市場化價(jià)格影響因素中較為宏觀卻具有重要地位的影響因素。區(qū)位能夠反映房屋在城鎮(zhèn)中所處的位置,反映房屋與商服、學(xué)校、醫(yī)院等生產(chǎn)生活不可或缺的重要設(shè)施之間的空間關(guān)系。
1.2鄰里因素
鄰里因素反映了房屋所處的小區(qū)級范圍內(nèi)各類生產(chǎn)、生活要素的情況,相對于區(qū)位因素而言,鄰里因素更加注重諸如容積率、物業(yè)管理、車位等更加微觀、具體的因素。
1.3個(gè)別因素
個(gè)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(jié)構(gòu)、評估時(shí)點(diǎn)等情況考慮,反映房屋自身情況與租金之間關(guān)系的要素。
2 高校周轉(zhuǎn)房房租市場化價(jià)格評估指標(biāo)體系的建立
2.1指標(biāo)的確定
遵循指標(biāo)體系構(gòu)建原則,結(jié)合高校周轉(zhuǎn)房房租市場化定價(jià)的實(shí)際情況,確定指標(biāo)體系,具體如表1所示。
3 基于神經(jīng)網(wǎng)絡(luò)的高校周轉(zhuǎn)房租金市場化價(jià)格評估模型構(gòu)建
3.1樣本的選取與預(yù)處理
BP神經(jīng)網(wǎng)絡(luò)能夠通過對一定數(shù)量網(wǎng)絡(luò)輸入輸出樣本數(shù)據(jù)學(xué)習(xí)、訓(xùn)練,確定網(wǎng)絡(luò)輸入輸出的映射關(guān)系。為保證其準(zhǔn)確性和高效性,需運(yùn)用一定的方法對樣本進(jìn)行選取和預(yù)處理?;谏窠?jīng)網(wǎng)絡(luò)的高校周?D房租金市場化價(jià)格評估模型的構(gòu)建,應(yīng)當(dāng)選取正常市場條件下,與評估對象相似或相近的樣本數(shù)據(jù),并對數(shù)據(jù)不完整或某指標(biāo)存在明顯異常值的樣本進(jìn)行甄別和剔除,對指標(biāo)數(shù)據(jù)進(jìn)行無量綱化處理,以避免不同指標(biāo)數(shù)據(jù)的實(shí)際單位對評估模型的收斂速度和準(zhǔn)確性造成的影響。
3.2神經(jīng)網(wǎng)絡(luò)的建立與學(xué)習(xí)
3.2.1神經(jīng)網(wǎng)絡(luò)層數(shù)的確定
神經(jīng)網(wǎng)絡(luò)一般包括輸入層、隱含層、輸出層。神經(jīng)網(wǎng)絡(luò)的層數(shù)越多,神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)越復(fù)雜,其數(shù)據(jù)學(xué)習(xí)和處理能力就越強(qiáng),但神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間也相應(yīng)的越長。根據(jù)已有的相關(guān)研究,輸入層、隱含層、輸出層各為一層的三層神經(jīng)網(wǎng)絡(luò)能夠?qū)﹂]合區(qū)間內(nèi)任意連續(xù)函數(shù)進(jìn)行無限逼近,考慮到基于神經(jīng)網(wǎng)絡(luò)的高校青年教師周轉(zhuǎn)公寓租金市場化定價(jià)模型并不復(fù)雜,確定其輸入層、隱含層、輸出層各為一層。
3.2.2神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)的確定
根據(jù)已構(gòu)建的高校周轉(zhuǎn)房房租市場化價(jià)格評估指標(biāo)體系中三級評估指標(biāo)的個(gè)數(shù),確定神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)個(gè)數(shù)為15個(gè)?;谏窠?jīng)網(wǎng)絡(luò)的高校青年教師周轉(zhuǎn)公寓租金市場化定價(jià)模型的最終結(jié)果為待估對象的房租價(jià)格,因此,確定神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)個(gè)數(shù)為1個(gè)。隱含層節(jié)點(diǎn)個(gè)數(shù)的確定需要運(yùn)用經(jīng)驗(yàn)公式和試驗(yàn)調(diào)整確定。
3.2.3激活函數(shù)的確定
激活函數(shù)是網(wǎng)絡(luò)輸入轉(zhuǎn)換為網(wǎng)絡(luò)輸出的關(guān)鍵,常用的激活函數(shù)有線性激活函數(shù)、對數(shù)S型激活函數(shù)、階躍型激活函數(shù)等。高校青年教師周轉(zhuǎn)公寓房租價(jià)格評估指標(biāo)與房租價(jià)格之間并非線性關(guān)系或離散關(guān)系,對數(shù)型激活函數(shù)連續(xù)可微,計(jì)算簡便,在神經(jīng)網(wǎng)絡(luò)建模中運(yùn)用較為普遍,因此,本文選取對數(shù)S型函數(shù)作為激活函數(shù)。
關(guān)鍵詞 BP神經(jīng)網(wǎng)絡(luò) 圖書館電子資源 質(zhì)量評價(jià)
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(shù)在圖書館中應(yīng)用越來越深入且智能化,電子資源或數(shù)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(wù)的質(zhì)量和用戶體驗(yàn)方面的要求越來越高。如何進(jìn)行有效的電子資源質(zhì)量評價(jià)已經(jīng)成為各大圖書館需要解決的重要課題,學(xué)者們針對電子資源質(zhì)量評價(jià)的傳統(tǒng)方法有模糊層次分析法、層次分析法等等,然而這些評價(jià)方法主觀隨意性較強(qiáng),往往帶有強(qiáng)烈的個(gè)人主觀因素,在評估的過程和結(jié)果中精確度不夠。本研究的主要內(nèi)容是將BP神經(jīng)網(wǎng)絡(luò)理論應(yīng)用在圖書館電子資源的構(gòu)建中,通過建立模型的方式對電子資源的質(zhì)量進(jìn)行評價(jià),解決傳統(tǒng)評價(jià)模式的模糊性和主觀性,為電子資源質(zhì)量的評價(jià)提供一種新的方法和思路。
1 構(gòu)建基于用戶滿意度的電子資源質(zhì)量評價(jià)指標(biāo)體系
要對圖書館電子資源做出評價(jià)就必須建立相應(yīng)的科學(xué)評價(jià)體系,在以往的評價(jià)體系中,學(xué)者們大都采用的是針對電子資源的使用效率、資源質(zhì)量等評價(jià)指標(biāo)。本文研究的方向與以往有所區(qū)別,打破了傳統(tǒng)的評價(jià)模式,從“用戶”的主體性角度出發(fā),以用戶的滿意程度為主要的評價(jià)標(biāo)準(zhǔn)。應(yīng)用該種理念的目的主要有兩個(gè):其一,電子資源的價(jià)值是需要不斷被挖掘和開發(fā)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(fā)揮到極致;其二,數(shù)據(jù)商在提供數(shù)據(jù)的過程中,統(tǒng)計(jì)的方法和統(tǒng)計(jì)的指標(biāo)不明確使得統(tǒng)計(jì)結(jié)果出現(xiàn)了某種程度的失真,在利用和評價(jià)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(yàn)了產(chǎn)品之后,對產(chǎn)品的一種滿意度反饋評價(jià)。此概念首次提出是在經(jīng)濟(jì)領(lǐng)域,當(dāng)今已經(jīng)應(yīng)用在各行各業(yè)中,逐漸地成為了衡量一個(gè)企業(yè)質(zhì)量的重要標(biāo)準(zhǔn)?,F(xiàn)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(nèi)容方面進(jìn)行分析,主要包括電子資源時(shí)間的跨度、種類的覆蓋率、內(nèi)容的權(quán)威性和更新速率;從資源檢索系統(tǒng)方面進(jìn)行分析,包括檢索功能、檢索的結(jié)果和用戶的體驗(yàn)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(zhǔn)率和資料結(jié)果的滿意程度;最后數(shù)據(jù)商在提供服務(wù)方面,用戶也會給予一定的評價(jià)。因此,上述這些都是當(dāng)前圖書館構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)電子資源評價(jià)體系的重要參考因素。
在構(gòu)建電子資源評價(jià)體系的過程中,需要參考的變量有5個(gè),包括電子資源的內(nèi)容、使用的情況、檢索系統(tǒng)的完整性、數(shù)據(jù)商的服務(wù)情況以及用戶的滿意程度?;谟脩舻臐M意度,對電子資源質(zhì)量評價(jià)體系的指標(biāo)設(shè)置如下表1:
表1 基于用戶滿意度的電子資源質(zhì)量評價(jià)指標(biāo)
2 BP神經(jīng)網(wǎng)絡(luò)及其評價(jià)原理
在圖書館電子資源質(zhì)量評價(jià)的過程中,本文采用的方法是構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的模型,通過鍛煉各系統(tǒng)的組織能力,擬合出各項(xiàng)指標(biāo)的最佳權(quán)數(shù),從而實(shí)現(xiàn)評價(jià)的最終目的。當(dāng)前階段,對于BP神經(jīng)網(wǎng)絡(luò)的理論已經(jīng)有了很多系統(tǒng)深入的研究。BP神經(jīng)網(wǎng)絡(luò)也是人工神經(jīng)網(wǎng)絡(luò)中最重要的組成部分,運(yùn)用函數(shù)的理論知識進(jìn)行控制,廣泛的應(yīng)用于函數(shù)逼近、模式分類和非線性建模等階段,在當(dāng)今的圖書館電子資源質(zhì)量評價(jià)的應(yīng)用中非常廣泛。
以下通過幾個(gè)步驟來設(shè)計(jì)圖書館電子資源質(zhì)量評價(jià)的BP模型。
首先,建立Yw系,根據(jù)指標(biāo)體系的內(nèi)容采用問卷調(diào)查、網(wǎng)絡(luò)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(shù)進(jìn)行運(yùn)算,需要對原始的數(shù)據(jù)進(jìn)行進(jìn)一步的整理,將處理完的數(shù)據(jù)分為學(xué)習(xí)樣本和測試樣本,方便采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析和研究[1]。
其次,通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的模型確定BP神經(jīng)網(wǎng)絡(luò)的參數(shù)。想要成功的建立BP神經(jīng)網(wǎng)絡(luò)模型,就必須對網(wǎng)絡(luò)的層次數(shù)以及網(wǎng)絡(luò)層的神經(jīng)元數(shù)進(jìn)行合理的確認(rèn)。通過以往的數(shù)據(jù)研究發(fā)現(xiàn):在閉區(qū)間內(nèi)的任何連續(xù)的函數(shù)都可以用一個(gè)隱含的BP神經(jīng)網(wǎng)絡(luò)來逼近,在本次的研究中,采用的隱含層數(shù)為1,利用3層對圖書館電子資源質(zhì)量評價(jià)的模型進(jìn)行構(gòu)建;在Y體系中針對用戶的滿意度采用了8個(gè)二級指標(biāo),由此可知BP神經(jīng)網(wǎng)絡(luò)的輸入層結(jié)點(diǎn)數(shù)為8,輸出層的神經(jīng)元的個(gè)數(shù)為1,其中用戶對電子資源質(zhì)量的滿意度值即為神經(jīng)網(wǎng)絡(luò)的輸出值。在進(jìn)行分析的過程中,采用的方法主要是“試湊法”,經(jīng)過一系列的仿真擬合確定出隱含層的節(jié)點(diǎn)數(shù)為6,從而就可以確定出BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為8-6-1;在對BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行設(shè)定的過程中,輸出層結(jié)構(gòu)和隱含層結(jié)構(gòu)的的函數(shù)均采用的是Sngmoid函數(shù),將Logsig函數(shù)作為輸出層的神經(jīng)元的傳遞函數(shù),在(0,1)之間隨機(jī)取出一個(gè)數(shù)作為初始權(quán)值,期望值誤差維持在0.0001左右,學(xué)習(xí)的速率定為0.1,在設(shè)定完參數(shù)之后需要對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
最后,利用Matlab軟件的平臺對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,采用的開發(fā)軟件是Matlab7.0,將檢測的樣本輸入到軟件中,讀取必要的網(wǎng)絡(luò)參數(shù)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練工作,完成預(yù)定的檢測次數(shù),當(dāng)各項(xiàng)指標(biāo)都達(dá)標(biāo)之后即為符合要求,網(wǎng)絡(luò)的訓(xùn)練達(dá)到成功,如果沒有達(dá)到預(yù)期的要求則必須重新調(diào)整網(wǎng)絡(luò)參數(shù),直到訓(xùn)練合格為止。
除此之外,需要利用Matlab的軟件將訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真測試,不斷地提高它的精準(zhǔn)度,將測試的樣本輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中,檢驗(yàn)測試的誤差是否滿足要求。在測試結(jié)束之后,如果誤差比較大則需要對不理想的樣本進(jìn)行剔除,得到新的測試樣本之后再進(jìn)行網(wǎng)絡(luò)測試,直到完全符合要求位置為止[2]。
3 BP神經(jīng)網(wǎng)絡(luò)模型在圖書館中的應(yīng)用
采用BP神經(jīng)網(wǎng)絡(luò)可以有效的對圖書館中各種信息進(jìn)行處理,并且能夠完成對相關(guān)業(yè)務(wù)的評估、預(yù)測和建模功能,為管理圖書館的人員提供了一種科學(xué)有效的評價(jià)方法[3]。
首先是評價(jià)與評估的方法。評價(jià)與評估指的是按照一定的原則和準(zhǔn)則對相關(guān)的業(yè)務(wù)進(jìn)行評價(jià),利用BP神經(jīng)網(wǎng)絡(luò)對圖書館電子資源質(zhì)量評價(jià)可避免人為因素的影響,在評估之前需要做相關(guān)的準(zhǔn)備工作,結(jié)合各圖書館的具體情況,建立一套完整的評價(jià)和評估系統(tǒng),再利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行評估。例如將某高校作為研究對象,建立高校圖書館網(wǎng)站,采用基于用戶滿意程度的評價(jià)指標(biāo)體系,利用編程對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行程序化的處理,構(gòu)建出具體的模型,實(shí)現(xiàn)對圖書館電子資源的質(zhì)量評價(jià)。在設(shè)計(jì)過程中,需要將中文圖書采購招標(biāo)評價(jià)的體系考慮進(jìn)去,建立必要的評價(jià)機(jī)制,從而實(shí)現(xiàn)準(zhǔn)確快速的評價(jià),為圖書館建設(shè)提供了重要的數(shù)據(jù)信息。
其次是預(yù)測。預(yù)測是指根據(jù)圖書館其他業(yè)務(wù)的信息,由已知信息對未知信息進(jìn)行準(zhǔn)確的估計(jì)和預(yù)測,其中預(yù)測功能是BP神經(jīng)網(wǎng)絡(luò)的主要特征,無論是樣本的顯性和非線性都可以進(jìn)行預(yù)測和評估,例如將BP神經(jīng)網(wǎng)絡(luò)的預(yù)測功能應(yīng)用于圖書館借閱量的研究,將某一個(gè)年份圖書館的借閱量進(jìn)行分析研究預(yù)測,甚至可以分析出部分讀者的閱讀習(xí)慣和個(gè)人愛好,根據(jù)大量數(shù)據(jù)研究結(jié)果可以及時(shí)地調(diào)整圖書館館藏采購計(jì)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(dòng)化方法,避免了人為因素造成的影響,為制定圖書館的發(fā)展戰(zhàn)略提供了重要的依據(jù)[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(guān)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(biāo)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(diào)查他們對圖書館電子資源質(zhì)量的滿意程度,建立學(xué)校各個(gè)影響因素之間的關(guān)系模型。研究表明采用BP神經(jīng)網(wǎng)絡(luò)對圖書館電子資源質(zhì)量評價(jià)分析是可行的,并且能夠反應(yīng)出具體的實(shí)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(tài)度等方面的情況,從而全面掌握圖書館員工的工作狀態(tài),有利于工作內(nèi)容的調(diào)整[5]。
4 基于BP神經(jīng)網(wǎng)絡(luò)的圖書館電子資源質(zhì)量評價(jià)實(shí)證
在對圖書館電子資源進(jìn)行質(zhì)量評價(jià)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(xué)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(xùn)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(gè)電子資源的8個(gè)質(zhì)量指標(biāo)做出合理的評價(jià),并且記錄下具體分?jǐn)?shù),其中專家打分范圍在[0,10],在對數(shù)據(jù)分析之前需要對數(shù)據(jù)進(jìn)行歸一化的處理,其中歸一化的處理表格如表2所示。
對數(shù)據(jù)進(jìn)行歸一化的處理之后,需要采用Matlab7.0軟件進(jìn)行開發(fā),首先要輸入提前預(yù)定好的網(wǎng)絡(luò)參數(shù),經(jīng)過多次處理之后,使得網(wǎng)絡(luò)的誤差值達(dá)到最小,之后對網(wǎng)絡(luò)輸出的結(jié)果和專家的預(yù)測結(jié)果進(jìn)行對比分析,通過研究發(fā)現(xiàn)兩種形式的評價(jià)結(jié)果誤差比較小。因此,可以說明網(wǎng)絡(luò)的分析能力與專家基本相似,從某一方面來說網(wǎng)絡(luò)可以按照專家的方式進(jìn)行評價(jià),其中仿真的結(jié)果處理之后為表3所示。
表3 仿真的模擬輸出與專家評價(jià)值比較
通過上述表格分析研究發(fā)現(xiàn),網(wǎng)絡(luò)輸出與專家的評價(jià)誤差都在設(shè)定的范圍之內(nèi),采用BP神經(jīng)網(wǎng)絡(luò)對圖書館電子資源質(zhì)量評價(jià)的方法和預(yù)測的精度要求基本符合,是一個(gè)科學(xué)可行的預(yù)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(gè)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(jù)不同的等級可以明確知曉用戶的滿意程度。
5 BP神經(jīng)網(wǎng)絡(luò)模型評價(jià)方法的優(yōu)勢
將基于BP神經(jīng)網(wǎng)絡(luò)的圖書館電子資源質(zhì)量評價(jià)方法與傳統(tǒng)的評價(jià)方法對比,通過比較和分析可以進(jìn)一步說明BP神經(jīng)網(wǎng)絡(luò)評價(jià)模型的優(yōu)勢。
根據(jù)層次分析法的原理,Y體系可以分為三層,第一個(gè)層次是目標(biāo)層,將電子資源用戶的滿意程度定為目標(biāo)A;第二個(gè)層次是準(zhǔn)則層,在Y體系中的準(zhǔn)則層分為四個(gè)內(nèi)容,分別是從B1~B4;第三個(gè)層次與四個(gè)準(zhǔn)則層相對應(yīng)。在分析的過程中,由專家對每個(gè)指標(biāo)準(zhǔn)則進(jìn)行兩兩分析研究,由此構(gòu)造出五個(gè)矩陣,由矩陣計(jì)算出權(quán)重。計(jì)算特征向量的過程中必須檢查一致性,最后計(jì)算出合成權(quán)重。層次分析法的指標(biāo)體系的權(quán)重需要事先設(shè)定,BP神經(jīng)網(wǎng)絡(luò)可以通過對此樣本訓(xùn)練完成權(quán)重的自擬合調(diào)整。但是非線性的問題層次分析法是無法解決的。訓(xùn)練成功的BP神經(jīng)網(wǎng)絡(luò)在計(jì)算一個(gè)新的樣本時(shí)能夠自動(dòng)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(jīng)網(wǎng)絡(luò)模型在處理信息方面有著巨大的潛力,然而BP神經(jīng)網(wǎng)絡(luò)并不是沒有缺點(diǎn),其中反向的傳播算法收斂的速度比較慢,只能實(shí)現(xiàn)局部優(yōu)化。由于隱含的網(wǎng)絡(luò)結(jié)點(diǎn)太多,在進(jìn)行處理時(shí)只能憑借著經(jīng)驗(yàn)。因此,還需要不斷地改進(jìn)各種算法,達(dá)到提高處理信息的能力,在實(shí)際應(yīng)用中一定要進(jìn)行靈活處理。提高收斂的速度和避免局部最優(yōu)已經(jīng)成為當(dāng)今BP神經(jīng)網(wǎng)絡(luò)發(fā)展的重要方向。如要提高收斂的速度就必須要加動(dòng)量項(xiàng),采用更加高端的算法;若要避免局部最,在進(jìn)行運(yùn)行的過程中一定要與其他的應(yīng)用程序結(jié)合起來。這樣才能使得高校圖書館的電子資源質(zhì)量評價(jià)逐步建立起適合自身管理的強(qiáng)大網(wǎng)絡(luò)體系,不斷根據(jù)用戶的使用習(xí)慣和需求進(jìn)行完善和改進(jìn),提高圖書館資源的利用效率,將BP神經(jīng)網(wǎng)絡(luò)的作用發(fā)揮到極致[7]。彌補(bǔ)傳統(tǒng)分析方法的缺陷,發(fā)揮出快速、方便、可靠的評價(jià)特征,提高辨識度,充分滿足用戶實(shí)際需求[8]。
參考文獻(xiàn):
[ 1 ] 賈潔,彭奇志.基于BP神經(jīng)網(wǎng)絡(luò)的圖書館電子資源質(zhì)量評價(jià)研究[J].圖書情報(bào)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(biāo)綜合評價(jià)方法評析[J].圖書情報(bào)工作,2013(7):139-143,146.
[ 3 ] 尹正梅,張捍東.基于RBF神經(jīng)網(wǎng)絡(luò)的高校圖書館電子資源評價(jià)研究[J].情報(bào)探索,2016(1):38-41.
[ 4 ] 高祥.森林資源調(diào)查監(jiān)測信息化技術(shù)方法研究[D].北京:北京林業(yè)大學(xué),2015.
[ 5 ] 陳笑怡.泛在學(xué)習(xí)中教學(xué)質(zhì)量評價(jià)的數(shù)據(jù)挖掘研究[D].上海:上海交通大學(xué),2011.
[ 6 ] 李佳成.面向用戶網(wǎng)絡(luò)的物流網(wǎng)絡(luò)自適應(yīng)運(yùn)作機(jī)制研究[D].北京:北京交通大學(xué),2012.
[ 7 ] 劉天嬌.基于神經(jīng)網(wǎng)絡(luò)方法的高校圖書館知識服務(wù)評價(jià)體系研究[D].合肥:安徽大學(xué),2013.
[ 8 ] 孫達(dá)辰,孫常麗,盧國強(qiáng).基于BP神經(jīng)網(wǎng)絡(luò)的圖書館電子資料借閱服務(wù)評價(jià)模型[J].價(jià)值工程,2012(7):119-120.
關(guān)鍵詞:交通事件自動(dòng)檢測 BP神經(jīng)網(wǎng)絡(luò) 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(fā)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(nèi)外學(xué)者研究的基礎(chǔ)上提出了基于BP神經(jīng)網(wǎng)絡(luò)的高速公路交通事件自動(dòng)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(jīng)網(wǎng)絡(luò)的輸入,建立了神經(jīng)網(wǎng)絡(luò)模型。本算法可為高速公路事件檢測系統(tǒng)的建立提供理論基礎(chǔ),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(dòng)檢測原理分析
正常情況下,高速公路上的交通流符合“連續(xù)車流”的規(guī)律[2]。當(dāng)T時(shí)刻發(fā)生交通事件后,由于道路通行能力的突然下降導(dǎo)致事發(fā)點(diǎn)上游出現(xiàn)交通擁擠,流量和車速下降,占有率上升;T+1時(shí)刻下游車道流量下降,車速上升,占有率下降;同時(shí)研究發(fā)現(xiàn)由于不同類型的車輛換車道行駛需要的時(shí)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(dòng)檢測的原理是通過分析高速公路上不同位置、不同時(shí)刻的交通參數(shù)變化來識別事件和非事件模式。
3.交通事件檢測的模型構(gòu)建
本研究采用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),模型結(jié)構(gòu)圖如圖1所示。
輸入層:輸入層有6個(gè)神經(jīng)元節(jié)點(diǎn)代表交通流變化的交通參數(shù)。包括T時(shí)刻上游和T+1時(shí)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(jīng)元節(jié)點(diǎn)數(shù)目nh的確定,有下列經(jīng)驗(yàn)公式[3]:
其中ni為輸入層節(jié)點(diǎn)數(shù),no為輸出層節(jié)點(diǎn)數(shù),本研究中ni=6,no=1,所以隱含層神經(jīng)元節(jié)點(diǎn)數(shù)nh =13。
輸出層:選擇一個(gè)輸出神經(jīng)元節(jié)點(diǎn)作為輸出,按照有無事件發(fā)生,以輸出節(jié)點(diǎn)為1表示有事件發(fā)生,輸出節(jié)點(diǎn)為0表示無事件發(fā)生。
4.事件檢測算法的Matlab實(shí)現(xiàn)與評估
4.1.數(shù)據(jù)預(yù)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(shù)據(jù)。其中500組用來訓(xùn)練網(wǎng)絡(luò),包括輸入數(shù)據(jù)(交通參數(shù))和目標(biāo)數(shù)據(jù)(事件狀態(tài))。另外500組作為神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)。在訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)之前先利用premnmx函數(shù)對數(shù)據(jù)進(jìn)行歸一化處理,即 [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)。
4.2神經(jīng)網(wǎng)絡(luò)創(chuàng)建和初始化
利用newff函數(shù)創(chuàng)建一個(gè)新的神經(jīng)網(wǎng)絡(luò):
net=newff(minmax(pn),[13,1],{'tansig','purelin'},'traingdx', 'learngdm');
利用minmax函數(shù)設(shè)定輸入向量pn的元素的取值范圍;在訓(xùn)練BP網(wǎng)絡(luò)之前,必須對網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行初始化。
4.3.BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練
將神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為每50次顯示訓(xùn)練迭代過程;學(xué)習(xí)速率為0.05;動(dòng)量因子為0.9;
網(wǎng)絡(luò)訓(xùn)練次數(shù)為1500;訓(xùn)練目標(biāo)精度為1e-002;網(wǎng)絡(luò)最大失敗次數(shù)為5次。
調(diào)用train函數(shù)利用traingdx算法訓(xùn)練BP網(wǎng)絡(luò):net=train(net,pn,tn); BP網(wǎng)絡(luò)訓(xùn)練效果如圖2所示,由圖可見,經(jīng)過852次訓(xùn)練,經(jīng)過交通數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)能快速收斂,效果良好。
4.4.BP神經(jīng)網(wǎng)絡(luò)仿真與測試
訓(xùn)練結(jié)束后,用剩下的500組數(shù)據(jù)作為測試樣本對網(wǎng)絡(luò)進(jìn)行測試,用tramnmx 函數(shù)對其進(jìn)行歸一化處理。然后運(yùn)用sim函數(shù)對BP網(wǎng)絡(luò)進(jìn)行仿真,仿真結(jié)果須用postmnmx函數(shù)進(jìn)行反歸一,這時(shí)的輸出數(shù)據(jù)才是真正的交通事件檢測結(jié)果,將小于0.5的事件狀態(tài)輸出為0,即無事件發(fā)生,大于0.5的事件狀態(tài)輸出為1,即有事件發(fā)生,計(jì)算檢測誤差并輸出圖形。結(jié)果如圖3所示,由圖可見檢測結(jié)果和訓(xùn)練結(jié)果能很好的擬合。
4.5.AID算法評估
交通事件自動(dòng)檢測算法最常用的性能評估指標(biāo)有檢測率、誤報(bào)率和平均檢測時(shí)間 [4]。本文對經(jīng)典加州算法和BP神經(jīng)網(wǎng)絡(luò)算法通過仿真
5.結(jié)語
本文采用BP神經(jīng)網(wǎng)絡(luò)算法來對高速公路交通事件進(jìn)行檢測。算法中將上下游大型車比例作為一個(gè)輸入是個(gè)創(chuàng)新點(diǎn)。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法建立交通檢測模型,避免了傳統(tǒng)算法因人為建立的模型與實(shí)際情況不符而導(dǎo)致檢測不準(zhǔn)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(xiàn):
[1]靳引利,朱春平.高速公路信息設(shè)施的特性分析[J].中國水運(yùn).2007-10,(10)
[2]潘若禹.基于數(shù)據(jù)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(xué).2006
關(guān)鍵詞:棉紡設(shè)備;運(yùn)行狀態(tài);BP神經(jīng)網(wǎng)絡(luò)
中圖分類號:TP311 文獻(xiàn)標(biāo)識碼:A 文章編號:1009-3044(2014)04-0824-05
紡織行業(yè)十分重視各項(xiàng)基礎(chǔ)管理,其中棉紡設(shè)備的管理是各項(xiàng)生產(chǎn)管理的基礎(chǔ)。棉紡設(shè)備的使用好壞直接影響企業(yè)生產(chǎn)過程中的生產(chǎn)效率、產(chǎn)品的質(zhì)量、產(chǎn)品的產(chǎn)量和生產(chǎn)成本的消耗,成為影響紡織企業(yè)經(jīng)濟(jì)效益提升的很重要的因素。因此,正確的對棉紡設(shè)備的運(yùn)行狀態(tài)進(jìn)行評估,從而制定更加合理的檢修計(jì)劃,就顯得尤為重要[1]。
目前,企業(yè)的定期大、小平車管理制度體現(xiàn)了設(shè)備檢修中預(yù)防為主的思想,它相對于那種事后檢修策略是進(jìn)步的。但這種檢修管理制度由于沒有考慮各類設(shè)備初始狀態(tài)的差異性,以及設(shè)備在不同環(huán)境下運(yùn)行狀態(tài)的變化,因而既在理論上有缺陷,又在實(shí)際中有盲目性。
隨著科學(xué)技術(shù)的進(jìn)步和發(fā)展,新工藝與新產(chǎn)品的不斷涌現(xiàn),中外技術(shù)的不斷交流,棉紡設(shè)備的質(zhì)量得到很大提高,棉紡設(shè)備已有了本質(zhì)的飛躍。機(jī)電一體化、半自動(dòng)、全自動(dòng)棉紡設(shè)備大量使用,新技術(shù)、新成果不斷應(yīng)用,設(shè)備的運(yùn)行可靠性大大提高了;因此,紡織設(shè)備的維護(hù)已出現(xiàn)了新問題。如果繼續(xù)按大、小平車檢修管理制度所規(guī)定的周期對設(shè)備進(jìn)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(yè)生產(chǎn)和管理成本。因此,需要一個(gè)更好的對設(shè)備運(yùn)行狀態(tài)做一個(gè)綜合評估的預(yù)測評估,來指導(dǎo)設(shè)備的大小平、部分保全等的選擇[2]。
我們根據(jù)紡織企業(yè)的特點(diǎn)和某企業(yè)的實(shí)際情況,利用基于動(dòng)量因子的BP神經(jīng)網(wǎng)絡(luò)模型,確立一個(gè)新的評估棉紡設(shè)備運(yùn)行狀態(tài)的評估標(biāo)準(zhǔn),為該企業(yè)棉紡設(shè)備的綜合管理提供一個(gè)重要的參考依據(jù)。
1 設(shè)備運(yùn)行狀態(tài)預(yù)測方法的確定
設(shè)備運(yùn)行狀態(tài)預(yù)測模型是一個(gè)復(fù)雜的非線性模型,影響設(shè)備運(yùn)行狀態(tài)的因素也比較多,且各個(gè)因素之間會存在不同程度的耦合關(guān)系。BP神經(jīng)元網(wǎng)絡(luò)對于非線性模型具有模型優(yōu)化的能力,所以通過使用BP神經(jīng)網(wǎng)絡(luò)模型來對設(shè)備運(yùn)行狀態(tài)進(jìn)行預(yù)測比較可行[3]。
BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系,而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。
利用BP神經(jīng)網(wǎng)絡(luò)模型解決設(shè)備的運(yùn)行狀態(tài)預(yù)測問題的流程大致為:經(jīng)過前期的資料調(diào)研,確定影響設(shè)備運(yùn)行狀態(tài)的關(guān)鍵因素(特征值),然后采集這些關(guān)鍵因素的數(shù)據(jù),并進(jìn)行數(shù)據(jù)處理,從中提取出樣本數(shù)據(jù),建立合適的神經(jīng)網(wǎng)絡(luò)模型,訓(xùn)練和學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),最終實(shí)現(xiàn)預(yù)測設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)的功能。預(yù)測流程圖如圖1所示。
2 BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)設(shè)計(jì)
根據(jù)紡織設(shè)備的運(yùn)維特點(diǎn),其中以某一類設(shè)備(如細(xì)紗機(jī))的某一種相同型號(如FA506)為例,分別從技術(shù)性指標(biāo)、經(jīng)濟(jì)性指標(biāo)、環(huán)境性指標(biāo)、安全健康指標(biāo)等方面考慮,可以選取以下幾個(gè)特征參數(shù):設(shè)備殘值、月折舊額、月產(chǎn)量、單位產(chǎn)品成本、單位產(chǎn)品維護(hù)費(fèi)用、能源利用率、噪聲、設(shè)備安全性等來表示設(shè)備的運(yùn)行狀態(tài)特點(diǎn),即作為網(wǎng)絡(luò)的輸入。
在所選輸入?yún)?shù)中,設(shè)備殘值指的是設(shè)備現(xiàn)有的剩余價(jià)值,且設(shè)備殘值越高,對應(yīng)的設(shè)備運(yùn)行狀態(tài)一般也越好;月折舊額指的是設(shè)備每月折損的價(jià)值,月折舊額越低,對應(yīng)的設(shè)備運(yùn)行狀態(tài)一般越好;月產(chǎn)量指的是該臺設(shè)備每月實(shí)際生產(chǎn)的合格產(chǎn)品數(shù)量,產(chǎn)量越高,說明設(shè)備的生產(chǎn)能力越強(qiáng),運(yùn)行狀態(tài)一般越好;單位產(chǎn)品成本指的是設(shè)備生產(chǎn)出來單位產(chǎn)品所需要的生產(chǎn)費(fèi)用,所需費(fèi)用越少,成本越低,設(shè)備運(yùn)行狀態(tài)一般越好;單位產(chǎn)品維修費(fèi)用指的是生產(chǎn)單位產(chǎn)品所需要的維修費(fèi)用,所需費(fèi)用越少,則說明設(shè)備運(yùn)行狀態(tài)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(shè)備運(yùn)行狀態(tài)一般越好;噪聲主要指設(shè)備運(yùn)行生產(chǎn)過程中的聒噪程度,噪聲越低,工作環(huán)境越好,設(shè)備運(yùn)行情況一般越好;設(shè)備安全性主要指設(shè)備運(yùn)行操作時(shí)的安全指數(shù),安全指數(shù)越高,越有利于設(shè)備的正常運(yùn)行,設(shè)備的運(yùn)行狀態(tài)才越好。
根據(jù)紡織設(shè)備的實(shí)際情況,把設(shè)備運(yùn)行狀態(tài)作為評定運(yùn)行設(shè)備優(yōu)劣標(biāo)準(zhǔn)的網(wǎng)絡(luò)的輸出,即優(yōu)秀、良好、一般、較差四個(gè)標(biāo)準(zhǔn),分別用3、2、1、0表示。
由上述分析可得,網(wǎng)絡(luò)輸入為8個(gè),輸出為1個(gè)。由于網(wǎng)絡(luò)層次太多會影響網(wǎng)絡(luò)收斂速度,本例選擇三層網(wǎng)絡(luò)結(jié)構(gòu),即只有一層隱含層,就能夠合理的解決本預(yù)測問題。隱含層的神經(jīng)元個(gè)數(shù)不是固定的,常用的經(jīng)驗(yàn)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(jīng)元個(gè)數(shù),A為1到10之間的常數(shù))[4]。經(jīng)過實(shí)際訓(xùn)練的檢驗(yàn)和不斷的對隱含層神經(jīng)元個(gè)數(shù)的調(diào)整,可最終確定隱含層節(jié)點(diǎn)的個(gè)數(shù)為5。
大致的網(wǎng)絡(luò)模型圖如圖2所示,圖中M=8,I=5,P=1。
根據(jù)確定的網(wǎng)絡(luò)結(jié)構(gòu),通過動(dòng)量梯度下降法進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)驗(yàn),對不同的學(xué)習(xí)速率和動(dòng)量因子分別進(jìn)行取值調(diào)整,進(jìn)而得到不同的誤差精度和收斂速度的比較,最終可確定學(xué)習(xí)速率η=0.04,動(dòng)量因子α=0.88。
3 基于動(dòng)量因子的BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練
常用的三層BP神經(jīng)網(wǎng)絡(luò)由以下三部分構(gòu)成:一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層。層內(nèi)神經(jīng)元之間沒有連接,層與層之間的神經(jīng)元由可以通過學(xué)習(xí)修正的權(quán)值(Weight)互連。
設(shè)BP網(wǎng)絡(luò)的輸入層為x,有M個(gè)輸入信號;隱含層為y,有I個(gè)神經(jīng)元;輸出層為z,有P個(gè)輸出神經(jīng)元。其中,
各個(gè)神經(jīng)網(wǎng)絡(luò)層的輸出由輸入和轉(zhuǎn)移函數(shù)決定。BP神經(jīng)網(wǎng)絡(luò)通常采用Sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)。Sigmoid函數(shù)的數(shù)學(xué)表達(dá)式為:[f(x)=11+e-x]。
BP網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練方法有很多種,如標(biāo)準(zhǔn)誤差反向傳播算法、累積誤差校正算法、Sigmoid函數(shù)輸出限幅的BP算法、增加動(dòng)量項(xiàng)的BP算法、學(xué)習(xí)速率自適應(yīng)調(diào)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(quán)值W1MI(1)、W2IP(1)及閾值θ、γ各一個(gè)較小的[-1,+1]區(qū)間的隨機(jī)非零值,n=1。
第二步:隨機(jī)選取一個(gè)輸入樣本Xk。
第三步:對于輸入樣本Xk,前向計(jì)算BP網(wǎng)絡(luò)每層神經(jīng)元的輸入信號和輸出信號。設(shè)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(gè)處理單元對輸入模式不進(jìn)行處理,即輸入層的輸出與輸入相同:
隱含層各個(gè)神經(jīng)元的凈輸入和輸出分別為:
輸出層各個(gè)神經(jīng)元的凈輸入和實(shí)際輸出分別為:
第四步:由訓(xùn)練樣本的輸出dk和上一步求得的實(shí)際輸出Yk(n),計(jì)算輸出層各個(gè)神經(jīng)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(gè)神經(jīng)元的校正誤差:
修正隱含層至輸出層的連接權(quán)值w2ip和輸出層神經(jīng)元的閾值γ,其修正式為:
修正輸入層至隱含層的連接權(quán)值w1mi和輸出層神經(jīng)元的閾值θ,其修正式為:
第五步:隨機(jī)選取下一個(gè)輸入樣本提供給網(wǎng)絡(luò),返回第三步,直至全部N個(gè)樣本訓(xùn)練完畢。
第六步:判斷網(wǎng)絡(luò)全局誤差[E=k=1NEk]是否滿足精度要求,即[E≤ε]。若滿足,則轉(zhuǎn)到第八步,否則繼續(xù)。
第七步:更新網(wǎng)絡(luò)學(xué)習(xí)次數(shù),即n=n+1,若學(xué)習(xí)次數(shù)小于規(guī)定的次數(shù),則返回第二步,否則繼續(xù)。
第八步:結(jié)束,得到最終的閾值和權(quán)值。
不過,上述的BP算法存在兩個(gè)問題:①由于BP算法的基本思想是基于梯度下降法將各個(gè)權(quán)值和閾值向著減小誤差的方向調(diào)整,并且梯度下降法的原理保證在只有一個(gè)極小值時(shí)才絕對有效,但在很多時(shí)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(quán)值的初始值位于梯度比較小的位置,則必須經(jīng)過多次調(diào)整權(quán)值來才有可能最終收斂。所以,該BP學(xué)習(xí)算法的收斂速度可能較慢。
通過加入動(dòng)量項(xiàng)可以進(jìn)一步改進(jìn)該BP網(wǎng)絡(luò),從而更加快速準(zhǔn)確的實(shí)現(xiàn)運(yùn)行設(shè)備的狀態(tài)評估預(yù)測。其具體步驟就是在計(jì)算權(quán)值修正量的時(shí)候,加入一個(gè)動(dòng)量項(xiàng),即令
再將上式寫成以t為變量的時(shí)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(dāng)本次的[?E(t)?w2ip(t)]與前一次同符號時(shí),其加權(quán)求和值增大,使得w2ip(n)較大,從而加快了調(diào)節(jié)速度;當(dāng)本次的[?E(t)?w2ip(t)]與前一次符號相反時(shí),其加權(quán)求和值變小,w2ip(n)也減小,起到了穩(wěn)定作用。
通過在BP算法中加入動(dòng)量項(xiàng),不僅可以微調(diào)權(quán)值的修正量,使得收斂速度加快,也可以使學(xué)習(xí)避免陷入局部最小。
正是由于加入動(dòng)量項(xiàng)的BP神經(jīng)網(wǎng)絡(luò)隨著誤差反向傳播不斷地進(jìn)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(wǎng)絡(luò)模型可以合理地解決該預(yù)測問題。
4 實(shí)例分析
下面以某棉紡廠近十年來型號為FA506的細(xì)紗機(jī)設(shè)備為例,其設(shè)備運(yùn)行狀態(tài)情況及主要影響因素的部分樣本數(shù)據(jù)如表1所示:
狀態(tài)及主要影響因素的部分樣本數(shù)據(jù)
根據(jù)動(dòng)量梯度下降法原理,采用上述的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),學(xué)習(xí)速率為0.04,動(dòng)量因子為0.88,使用前190組樣本數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,可設(shè)置網(wǎng)絡(luò)全局誤差目標(biāo)值為0.01,最大學(xué)習(xí)次數(shù)為1000次。
網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練完成之后,得到最終的閾值和權(quán)值。采用最后10組樣本數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行診斷,可得到設(shè)備運(yùn)行狀態(tài)的診斷預(yù)測結(jié)果,再將診斷結(jié)果進(jìn)行乘以3的處理,與期望結(jié)果進(jìn)行比較,如表2所示:
從實(shí)際的預(yù)測結(jié)果可以看出,期望結(jié)果應(yīng)該為0的數(shù)據(jù)預(yù)測所得的結(jié)果近似為0,期望結(jié)果應(yīng)該為1的數(shù)據(jù)預(yù)測所得的結(jié)果近似為1,期望結(jié)果應(yīng)該為2的數(shù)據(jù)預(yù)測所得的結(jié)果近似為2,期望結(jié)果應(yīng)該為3的數(shù)據(jù)預(yù)測所得的結(jié)果近似為3。因此,所測的每組數(shù)據(jù)都符合誤差要求,而且平均誤差約為0.00180556。
從測試結(jié)果可以看出,基于改進(jìn)動(dòng)量因子的BP神經(jīng)網(wǎng)絡(luò)不但能夠解決棉紡設(shè)備運(yùn)行狀態(tài)預(yù)測的非線性問題,而且預(yù)測結(jié)果比較符合要求,預(yù)測誤差也非常小。因此,該神經(jīng)網(wǎng)絡(luò)模型完全可以滿足設(shè)備運(yùn)行狀態(tài)預(yù)測的要求。
5 結(jié)論
通過前面的實(shí)例,我們可以知道,通過改進(jìn)動(dòng)量因子的BP神經(jīng)網(wǎng)絡(luò)算法來預(yù)測棉紡設(shè)備的運(yùn)行狀態(tài)情況,可以彌補(bǔ)傳統(tǒng)方法評估設(shè)備的不足,實(shí)現(xiàn)設(shè)備運(yùn)行狀態(tài)的智能化評估,具有很大的實(shí)用價(jià)值。通過設(shè)計(jì)合適的網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)速率和動(dòng)量因子,得到的BP網(wǎng)絡(luò)可以保證誤差精度和收斂速度。最后,通過實(shí)驗(yàn),我們可以對網(wǎng)絡(luò)進(jìn)行訓(xùn)練和診斷。實(shí)驗(yàn)結(jié)果表明:動(dòng)量因子BP神經(jīng)網(wǎng)絡(luò)算法可以為設(shè)備管理者提供一個(gè)智能化的、可靠的評估設(shè)備運(yùn)行狀態(tài)水平的預(yù)測途徑,能夠使紡織廠的各項(xiàng)計(jì)劃得到有效、有序的實(shí)施,節(jié)省許多資源。
參考文獻(xiàn):
[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(xiàn)偉,黃民祥,許諾,等.供電設(shè)備檢修計(jì)劃優(yōu)化[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),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.
關(guān)鍵詞: 金融風(fēng)險(xiǎn);預(yù)警;模糊聚類;神經(jīng)網(wǎng)絡(luò)
一、引言
2014年中央經(jīng)濟(jì)工作會議明確提出要“高度重視財(cái)政金融領(lǐng)域存在的風(fēng)險(xiǎn)隱患,堅(jiān)決守住不發(fā)生系統(tǒng)性和區(qū)域性金融風(fēng)險(xiǎn)的底線”。2008年國際金融危機(jī)爆發(fā)以來,世界各國應(yīng)對金融危機(jī)的經(jīng)驗(yàn)表明,構(gòu)建金融體系風(fēng)險(xiǎn)預(yù)警機(jī)制是必要且可行的。相對于整體金融風(fēng)險(xiǎn)而言,區(qū)域性金融風(fēng)險(xiǎn)具有更強(qiáng)的外部傳導(dǎo)性和可控性,且一般早于整體金融風(fēng)險(xiǎn)爆發(fā),在某種程度上可被視為整體金融風(fēng)險(xiǎn)的預(yù)警信號,因此,作為金融監(jiān)管的有效補(bǔ)充,研究區(qū)域性金融風(fēng)險(xiǎn)早期預(yù)警體系并進(jìn)行預(yù)警分析將對金融風(fēng)險(xiǎn)管控具有重要意義。
國外學(xué)者對于早期風(fēng)險(xiǎn)預(yù)警體系的研究較為系統(tǒng)和成熟,且已有一些金融監(jiān)管部門建立了早期預(yù)警模型,如美聯(lián)儲的SEER評級模型、美國聯(lián)邦存款保險(xiǎn)公司的SCOR模型、法國銀行業(yè)委員會的預(yù)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(jī)的影響,近年來國內(nèi)學(xué)者在早期金融風(fēng)險(xiǎn)預(yù)警和管理方面的研究也越來越多,但由于預(yù)警指標(biāo)選擇、風(fēng)險(xiǎn)狀態(tài)劃分及臨界值選擇等均不盡相同,因此建立的預(yù)警模型也有所差異。本文通過借鑒國內(nèi)外對金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的既有研究成果,綜合運(yùn)用模糊聚類分析、BP神經(jīng)網(wǎng)絡(luò)建模等計(jì)量分析方法,構(gòu)建區(qū)域金融風(fēng)險(xiǎn)預(yù)警體系,以期對區(qū)域性金融風(fēng)險(xiǎn)的評估和防范提供客觀性依據(jù)。
二、總體分析框架及模型構(gòu)建
本文構(gòu)建的區(qū)域金融風(fēng)險(xiǎn)早期預(yù)警體系由三部分組成:首先結(jié)合安徽區(qū)域特點(diǎn),構(gòu)建包括經(jīng)濟(jì)因素、財(cái)政因素、金融因素、房地產(chǎn)發(fā)展、企業(yè)經(jīng)營狀況等的區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)體系;其次利用模糊聚類分析對研究樣本進(jìn)行分類,確定BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型的分割點(diǎn),為區(qū)域性金融風(fēng)險(xiǎn)水平的劃分提供一種新思路;最后采用人工神經(jīng)網(wǎng)絡(luò)來預(yù)測未來金融危機(jī)發(fā)生的可能性。
(一)區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)體系
區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)選擇既要考慮金融風(fēng)險(xiǎn)因素的普遍性,更要體現(xiàn)區(qū)域經(jīng)濟(jì)金融發(fā)展特點(diǎn)。指標(biāo)選取原則:一是全面性,所選指標(biāo)盡可能全面反映區(qū)域金融風(fēng)險(xiǎn);二是可得性,所選數(shù)據(jù)要容易獲得,且期間口徑未作調(diào)整;三是匹配性,數(shù)據(jù)收集成本與模型預(yù)測的經(jīng)濟(jì)實(shí)用性相匹配。
(二)風(fēng)險(xiǎn)評估的模糊聚類分析
在分析一個(gè)時(shí)間序列的區(qū)域金融風(fēng)險(xiǎn)時(shí),我們可以把指標(biāo)相似程度高的樣本聚集在一起,作為一個(gè)整體進(jìn)行分析,以達(dá)到簡化的效果。傳統(tǒng)的聚類分析是一種“硬劃分”,即把每個(gè)待識別的對象嚴(yán)格劃分到某類中,具有“非此即彼”的性質(zhì),這種分類的類別界限也是分明的。然而,在大多數(shù)情況下,風(fēng)險(xiǎn)類別可能并沒有嚴(yán)格的界定,其類屬性方面存在中介性,適合進(jìn)行“軟劃分”。模糊集理論為這種劃分提供了強(qiáng)有力且有效的分析工具,采用相應(yīng)的模糊聚類模型,可以取得較好的分類效果?!澳:垲悺备拍钭钤缬蒖uspini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(yùn)用神經(jīng)網(wǎng)絡(luò)來進(jìn)行模糊聚類,其優(yōu)勢在于神經(jīng)網(wǎng)絡(luò)的并行處理結(jié)構(gòu)。
(三)基于人工神經(jīng)網(wǎng)絡(luò)的早期預(yù)警體系
人工神經(jīng)網(wǎng)絡(luò)ANN)是一種在生物神經(jīng)網(wǎng)絡(luò)啟示下建立的數(shù)據(jù)處理模型,其具有強(qiáng)大的模式識別和數(shù)據(jù)擬合能力,最為可貴的是神經(jīng)網(wǎng)絡(luò)還有自學(xué)習(xí)和自適應(yīng)性。自適應(yīng)性是指一個(gè)系統(tǒng)能夠改變自身的性能以適應(yīng)環(huán)境變化的能力,當(dāng)環(huán)境發(fā)生變化時(shí),相當(dāng)于給神經(jīng)網(wǎng)絡(luò)輸入新的訓(xùn)練樣本,網(wǎng)絡(luò)能夠自動(dòng)調(diào)整結(jié)構(gòu)參數(shù),改變映射關(guān)系,從而對特定的輸入產(chǎn)生相應(yīng)的期望輸出。人工神經(jīng)網(wǎng)絡(luò)包括很多種,不同類型的神經(jīng)網(wǎng)絡(luò)適用于解決不同的問題,其中最為常用的一種就是BP神經(jīng)網(wǎng)絡(luò),它是一種多層前向神經(jīng)網(wǎng)絡(luò),其權(quán)值調(diào)整采用反向傳播學(xué)習(xí)算法。而自組織競爭神經(jīng)網(wǎng)絡(luò)則使用了與前向神經(jīng)網(wǎng)絡(luò)完全不同的思路,采取競爭學(xué)習(xí)的思想,網(wǎng)絡(luò)的輸出神經(jīng)元之間相互競爭,同一時(shí)刻只有一個(gè)輸出神經(jīng)元獲勝,因此自組織神經(jīng)網(wǎng)絡(luò)主要用于解決分類、聚類問題。鑒于此,本文在進(jìn)行區(qū)域金融風(fēng)險(xiǎn)評估時(shí),運(yùn)用自組織競爭神經(jīng)網(wǎng)絡(luò)進(jìn)行模糊聚類分析,得出各樣本的風(fēng)險(xiǎn)類別;而在構(gòu)建區(qū)域風(fēng)險(xiǎn)早期預(yù)警體系時(shí),采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析和預(yù)測。
三、區(qū)域性金融風(fēng)險(xiǎn)早期預(yù)警的實(shí)證分析
(一)區(qū)域性金融風(fēng)險(xiǎn)監(jiān)測指標(biāo)的選取與標(biāo)準(zhǔn)化
金融風(fēng)險(xiǎn)是一個(gè)綜合性、系統(tǒng)性的概念,單純選用個(gè)別指標(biāo)不足以反映其真實(shí)水平。因此,根據(jù)客觀性、完備性、科學(xué)性、實(shí)用性、重要性原則,同時(shí)借鑒國內(nèi)外研究成果,本文選取了經(jīng)濟(jì)、財(cái)政、金融、房地產(chǎn)、企業(yè)經(jīng)營等方面的17個(gè)金融風(fēng)險(xiǎn)評價(jià)指標(biāo),樣本區(qū)間為2009年至2014年一季度的安徽省季度數(shù)據(jù),并根據(jù)指標(biāo)與金融風(fēng)險(xiǎn)的正負(fù)相關(guān)性對其進(jìn)行標(biāo)準(zhǔn)化。
級別:統(tǒng)計(jì)源期刊
榮譽(yù):中國優(yōu)秀期刊遴選數(shù)據(jù)庫
級別:部級期刊
榮譽(yù):中國期刊全文數(shù)據(jù)庫(CJFD)
級別:北大期刊
榮譽(yù):中國優(yōu)秀期刊遴選數(shù)據(jù)庫
級別:北大期刊
榮譽(yù):百種重點(diǎn)期刊
級別:統(tǒng)計(jì)源期刊
榮譽(yù):中國優(yōu)秀期刊遴選數(shù)據(jù)庫