前言：中文期刊网精心挑选了神经网络评估范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
神经网络评估范文1
[关键词]软件项目风险管理神经网络粗集
本篇论文的中心是基于粗集的人工神经网络(ANN)技术的高风险识别，这样在制定开发计划中，最大的减少风险发生的概率，形成对高风险的管理。
一、模型结构的建立
本文基于粗集的BP神经网络的风险分析模型,对项目的风险进行评估,为项目进行中的风险管理提供决策支持。在这个模型中主要是粗糙集预处理神经网络系统，即用RS理论对ANN输入端的样本约简，寻找属性间关系，约简掉与决策无关的属性。简化输入信息的表达空间维数，简化ANN结构。本论文在此理论基础上，建立一种风险评估的模型结构。这个模型由三部分组成即：风险辨识单元库、神经网络单元、风险预警单元。
1.风险辨识单元库。由三个部分功能组成：历史数据的输入，属性约简和初始化数据.这里用户需提供历史的项目风险系数。所谓项目风险系数,是在项目评价中根据各种客观定量指标加权推算出的一种评价项目风险程度的客观指标。计算的方法:根据项目完成时间、项目费用和效益投入比三个客观指标,结合项目对各种资源的要求,确定三个指标的权值。项目风险系数可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r为风险系数;T、T0分别为实际时间和计划时间;S、S0分别为实际费用和计划费用;U、U0分别为实际效能和预计效能;w1、w2、w3分别是时间、费用和效能的加权系数,而且应满足w1+w2+w3=1的条件。
2.神经网络单元。完成风险辨识单元的输入后,神经网络单元需要先载入经初始化的核心风险因素的历史数据,进行网络中权值的训练,可以得到输入层与隐含层、隐含层与输出层之间的权值和阀值。
(1)选取核心特征数据作为输入，模式对xp=[xp1,xp2,.,xpn]T,dp(网络期望输出)提供给网络。用输入模式xp,连接权系数wij及阈值hj计算各隐含单元的输出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隐含层输出ypj,连接权系数wij及阈值h计算输出单元的输出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比较已知输出与计算输出,计算下一次的隐含各层和输出层之间新的连接权值及输出神经元阈值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步长;t是学习次数;T是总的迭代次数;M是一个正数,α∈(0,1)是动量系数。σp是一个与偏差有关的值,对输出结点来说；σp=yp(1-yp)(dp-yp)；对隐结点来说,因其输出无法比较,所以经过反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h计算下一次的输入层和隐含层之间新的连接权值及隐含神经元阈值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.风险预警单元
根据风险评价系数的取值,可以将项目的风险状况分为若干个区间。本文提出的划分方法是按照5个区间来划分的:
r<0.2项目的风险很低,损失发生的概率或者额度很小;
0.2≤r<0.4项目的风险较低,但仍存在一定风险;
0.4≤r<0.6项目的风险处于中等水平,有出现重大损失的可能;
0.6≤r<0.8项目的风险较大,必须加强风险管理,采取避险措施;
0.8≤r<1项目的风险极大,重大损失出现的概率很高,建议重新考虑对于项目的投资决策。
总之，有许多因素影响着项目风险的各个对象，我们使用了用户评级的方式，从风险评估单元中获得评价系数五个等级。给出各风险指标的评价系数，衡量相关风险的大小。系数越低，项目风险越低；反之，系数越高，项目风险越高。
二、实证：以软件开发风险因素为主要依据
这里我们从影响项目风险诸多因素中，经项目风险系数计算，作出决策表，利用粗集约简，抽取出最核心的特征属性(中间大量复杂的计算过程省略)。总共抽取出六个主要的指标(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)确定了6个输入神经元，根据需求网络隐含层神经元选为13个，一个取值在0到1的输出三层神经元的BP网络结构。将前十个季度的指标数据作为训练样本数据，对这些训练样本进行数值化和归一化处理，给定学习率η=0.0001，动量因子α=0.01，非线性函数参数β=1.05，误差闭值ε=0.01，经过多次迭代学习后训练次数N＝1800网络趋于收敛，以确定神经网络的权值。最后将后二个季度的指标数据作为测试数据，输入到训练好的神经网络中，利用神经网络系统进行识别和分类，以判断软件是否会发生危机。实验结果表明，使用神经网络方法进行风险预警工作是有效的，运用神经网络方法对后二个季度的指标数据进行处理和计算，最后神经网络的实际输出值为r=0.57和r=0.77，该软件开发风险处于中等和较大状态，与用专家效绩评价方法评价出的结果基本吻合。
参考文献：
[1]王国胤“Rough:集理论与知识获取”[M].西安交通大学出版社，2001
神经网络评估范文2
[关键词] 软件项目风险管理 神经网络 粗集
本篇论文的中心是基于粗集的人工神经网络(ANN)技术的高风险识别，这样在制定开发计划中，最大的减少风险发生的概率，形成对高风险的管理。
一、模型结构的建立
本文基于粗集的BP 神经网络的风险分析模型,对项目的风险进行评估,为项目进行中的风险管理提供决策支持。在这个模型中主要是粗糙集预处理神经网络系统，即用RS理论对ANN输入端的样本约简，寻找属性间关系，约简掉与决策无关的属性。简化输入信息的表达空间维数，简化ANN结构。本论文在此理论基础上，建立一种风险评估的模型结构。这个模型由三部分组成即：风险辨识单元库、神经网络单元、风险预警单元。
1.风险辨识单元库。由三个部分功能组成：历史数据的输入，属性约简和初始化数据. 这里用户需提供历史的项目风险系数。所谓项目风险系数,是在项目评价中根据各种客观定量指标加权推算出的一种评价项目风险程度的客观指标。计算的方法:根据项目完成时间、项目费用和效益投入比三个客观指标,结合项目对各种资源的要求,确定三个指标的权值。项目风险系数可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R
2.神经网络单元。完成风险辨识单元的输入后,神经网络单元需要先载入经初始化的核心风险因素的历史数据,进行网络中权值的训练,可以得到输入层与隐含层、隐含层与输出层之间的权值和阀值。
(1)选取核心特征数据作为输入，模式对xp=[xp1,xp2,.,xpn ]T,dp(网络期望输出) 提供给网络。用输入模式xp,连接权系数wij及阈值hj计算各隐含单元的输出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i =1,2,.,m;j=1,2,Λ,n ,
i=1
(2)用隐含层输出ypj,连接权系数wij及阈值h计算输出单元的输出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比较已知输出与计算输出, 计算下一次的隐含各层和输出层之间新的连接权值及输出神经元阈值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步长;t是学习次数;T是总的迭代次数;M是一个正数,α∈(0,1)是动量系数。σp是一个与偏差有关的值,对输出结点来说；σp=yp(1-yp)(dp-yp)；对隐结点来说,因其输出无法比较,所以经过反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h计算下一次的输入层和隐含层之间新的连接权值及隐含神经元阈值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.风险预警单元
根据风险评价系数的取值,可以将项目的风险状况分为若干个区间。本文提出的划分方法是按照5 个区间来划分的:
r
0.2≤r
0.4≤r
0.6≤r
0.8≤r
总之，有许多因素影响着项目风险的各个对象，我们使用了用户评级的方式，从风险评估单元中获得评价系数五个等级。给出各风险指标的评价系数，衡量相关风险的大小。系数越低，项目风险越低；反之，系数越高，项目风险越高。
二、实证：以软件开发风险因素为主要依据
这里我们从影响项目风险诸多因素中，经项目风险系数计算，作出决策表，利用粗集约简，抽取出最核心的特征属性 (中间大量复杂的计算过程省略)。总共抽取出六个主要的指标(Personnel Management/Training，Schedule，Product Control，Safety，Project Organization，Communication)确定了6个输入神经元，根据需求网络隐含层神经元选为13个，一个取值在0到1的输出三层神经元的BP网络结构。将前十个季度的指标数据作为训练样本数据，对这些训练样本进行数值化和归一化处理，给定学习率η=0.0001，动量因子α=0.01，非线性函数参数β=1.05，误差闭值ε=0.01，经过多次迭代学习后训练次数N＝1800网络趋于收敛，以确定神经网络的权值。最后将后二个季度的指标数据作为测试数据，输入到训练好的神经网络中，利用神经网络系统进行识别和分类，以判断软件是否会发生危机。实验结果表明，使用神经网络方法进行风险预警工作是有效的，运用神经网络方法对后二个季度的指标数据进行处理和计算，最后神经网络的实际输出值为r=0.57和r=0.77，该软件开发风险处于中等和较大状态，与用专家效绩评价方法评价出的结果基本吻合。
参考文献：
[1]王国胤 “Rough:集理论与知识获取”[M].西安交通大学出版社，2001
神经网络评估范文3
一、人工神经元模型、结构及工作方法
神经网络的基本单元是神经元，神经元的三个基本要素为：
（1）一组连接（对应于生物神经元的突触），连接强度由各连接上的权值表示，权值为正表示激活，为负表示抑制;
（2）一个求和单元，用于求取各输入信号的加权和（线性组合）;
（3）一个非线性激活函数，起非线性映射作用并将神经元输出幅度限制在一定范围内（一般限制在（0，1）或（-1，+1）之间）。此外还有一个阈值（或偏置）。
以上作用可分别以数学式表达出来：
（1）
式中为输入信号，为神经元k之权值，uk为线性组合结果，为阈值，为激活函数，yk为神经元k的输出。
除单元特性外，网络的拓扑结构也是神经网络的一个重要特性;从连接方式看，神经网络主要有两种：
（1）前馈型网络
前馈型网络有输入层、输出层和若干隐含层构成，各神经元接受前一层的输入，并输入给下一层，信息的传播是逐层进行的，没有反馈，且经过每一次都要有相应的特征函数进行变换[1]。
（2）反馈型网络
反馈型网络的所有节点都是计算单元，同时可接受输入，并向外界输出，可画成一个无向图3所示。反馈型网络的每个连接弧都是双向的。若总单元数为n，则每一个节点有n-1个输入和一个输出。
从作用效果来看，前馈网络主要是函数映射，可用于模式识别和函数逼近。反馈网络按对能量函数的极小点的利用来分类有两种：第一类是能量函数的所有极小点都起作用，这一类主要用作各种联想存储器，第二类只利用全局最小点，它主要用于求解制约优化问题。
二、网络的选取
由于BP网络模型和RBF网络模型这两种网络存在收敛速度慢和局部极小的缺点，在解决样本量少且噪声较多的问题时，效果并不理想，因此不适合对车辆运输安全风险进行评估。
广义回归神经网络（GRNN）在逼近能力、分类能力和学习速率上较BP网络和RBF网络有着较强的优势，网络最后收敛于样本量急剧较多的优化回归面，并且在样本数据缺乏时，评估效果也比较好，此外，网络还可以处理不稳定的数据。因此，本文利用GRNN建立风险评估模型，对车辆运输安全风险进行评估。
GRNN的结构及其原理参见文献[2]，网络的第一层为径向基隐含层，神经元个数等于训练样本数，该层的权值函数为欧氏距离函数（用表示），其作用为计算网络输入与第一层的权值IW1，1之间的距离，b1为隐含层的阈值。符号“・”表示的输出与阈值b1之间的关系。隐含层的传递函数为径向基函数，通常采用高斯函数作为网络的传递函数：
（2）
其中，决定了第i个隐含层位置中基函数的形状，越大，基函数越平滑，所以又称为光滑因子。
网络的第二层为线性输出层，其权函数为规范化点积权函数（用nprod表示），计算网络的向量n2，它的每个元素是由向量aI和权值矩阵每行元素的点积再除以向量aI的各元素之和得到的，并将结果n2提供给线性传递函数a2=purelin（n2），计算网络输出。
GRNN连接权值的学习修正仍然使用BP算法。由于网络隐含层节点中的作用函数（基函数）采用高斯函数，高斯函数作为一种局部分布对中心径向对称衰减的非负非线性函数，对输入型号将在局部产生相应，即当输入信号靠近基函数的中央范围时，隐含层结点将产生较大的输出。由此看出这种网络具有局部逼近能力，这也是该网络学习速度更快的原因。此外，GRNN中认为调节的参数少，只有一个阈值，网络的学习全部依赖数据样本，这个特点决定了网络得以最大限度的避免人为主观假定对评估结果的影响。
三、基于GRNN的车辆安全风险评估
根据对车辆运行系统安全影响因素的分析，网络输入分别取指标体系内安全意识、知识技能等二十个二级指标，以车辆发生重大安全事故风险度为输出因子，即网络的输出。利用某车辆运输公司1998～2006年的历史统计数据作为网络的训练样本，2007～2008年的历史统计数据作为网络的外推测试样本。输入样本及目标样本如表1所示。
图1 网络的逼近误差
图2 网络的评估误差
首先对表1中的数据进行归一化处理，利用处理后的数据建立GRNN神经网络并进行训练与测试。由于光滑因子对网络的性能影响比较大，因此，需要不断尝试才可以获得最佳值。本文采用MATLAB神经网络工具箱对其进行分析求解，将光滑因子分别设为0.1、0.2、…、0.5，经过对输出结果的检查发现，光滑因子越小，网络对样本的逼近能力就越强;光滑因子越大，网络对样本数据的逼近过程就越平滑。网络对训练样本的逼近误差如图1所示（单位×10-4），网络的风险评估误差如图2所示（单位×10-4）。由图可见，当光滑因子为0.1时，无论逼近性能还是评估性能，误差都比较小，随着光滑因子的增加，误差也在不断增大。
从误差的角度考虑，本文光滑因子取0.1，此时网络的测试输出（07、08年风险度）为：
y=0.0069 0.0072
由此可见，该运输公司2007年、2008年的车辆重大安全事故风险评估的误差分别为2.5%、2.7%，这可能是由于训练样本容量比较小导致的，所以评估精度不是很高。考虑到各种随机因素，本文的风险评估结果还是可以接受的。
参考文献
神经网络评估范文4
[关键词] 神经网络；数字示波器；项目风险评估；仿真
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 12. 041
[中图分类号] N945.13；F272 [文献标识码] A [文章编号] 1673 - 0194（2014）12- 0067- 02
特种数字示波器是航空装备重要的维修检测设备，是快速高效地实施航空装备维修保障的重要检测技术手段。示波器研制项目的质量如何会直接影响特种示波器的性能，进而影响航空装备维修检测任务的顺利进行。基于BP神经网络对特种数字示波器研制项目进行风险评估是一种有效的技术分析方法。
1 特种数字示波器研制项目风险因素分析
建立特种数字示波器研制项目风险评估指标体系，首先要分析研制阶段每一个过程的风险以及各个风险的影响因素，然后在风险定性分析和定量分析的基础上，选择那些影响各个风险的主要因素，构成风险识别指标的集合，然后通过对预选指标进行优化，最后确定风险综合评估指标。
技术风险主要包括设计风险、工艺风险、元器件风险、原材料风险、设施风险等；费用风险是指维修检测设备研制在实现其研制过程费用目标方面存在的风险；管理风险是指在特种数字示波器研制项目的组织管理过程中，由于项目管理不善，职责不清，权限错误，运作失误以及其他不确定性而引起的直接影响到项目目标实现的风险；保障性风险是指由于设备研制的管理组织管理水平的状况及其变化对设备研制产生的风险；进度风险是指因对设备研制过程所估算和分配的工作时间不足而产生的风险。
2 风险评估指标体系的建立
对于具体的LHSB11特种数字示波器项目研制过程而言，采用3层BP网络预测该型示波器研制项目的风险。通过风险识别，将研制过程中的风险分为5类，每类风险又可以分为若干个风险因素。本文选取了16个已完成的同类示波器研制项目作为BP神经网络模型的训练和检测样本。采用专家评分法来获取指标体系的样本数据。通过评分表的形式向10位专家（其中3位权威专家，2位生产厂家项目负责人、3位企业领导、2位研制项目干系人），权威专家权重分别为0.15，生产厂家负责人和企业领导的权重分别为0.05，研制项目干系人权重分别为0.15。其中每一指标均分为5个等级：风险很低、风险较低、风险一般、风险较高、风险很高。此5个风险等级分别对应于5个区间内的数值：[0，1.5]，[1.5，3]，[3，4.5]，[4.5，6]，[6，8]，风险程度越低，相应的评分数值就越低。通过统计分析，得到了16个样本评估指标体系的指标值。
同时，在专家组评分以后，得出每个项目整体风险打分结果，即期望风险值。经综合分析整理得到示波器研制项目期望得分表。
3 BP 神经网络模型的建立
对研制风险的评估问题，可以看作是输入（各风险指标）到输出（该项目的最终风险评估值）的非线性映射。将样本数据中的前12组数据作为训练样本，样本中的评估指标体系指标值作为输入节点，与之对应的由专家评分法确定的期望风险值作为输出值，并通过Matlab软件编写神经网络仿真程序，创建BP神经网络并进行训练与仿真。
初始化后得到训练结果如图1所示。
图1中纵坐标为均方误差，横坐标为步数。由图可知，误差曲线的初始误差为14.2，在340步以后误差曲线呈明显梯度性下降，在1 354步时误差精度达到设定的0.001，完成训练。
训练结束后，调用sim函数对所建立模型进行仿真，得到如图2所示的仿真图形。
然后调用sim函数对所建立模型进行仿真，并计算出仿真误差。
%计算仿真误差。
E=t-A；
MSE=mse（E）；
最终得到仿真误差。
由图2可知，训练得出的输出曲线仿真图（绿色带圆圈的虚线）与实际输入的曲线（蓝色带星号的实线）基本相符，拟合程度较高，而且其均方差很小，效果非常理想。达到了训练的预期目的。
将专家评分组打分得出的期望输出和仿真实际结果输出作为比较，得出误差值。通过检测结果可以发现，期望输出与实际输出的误差较小，这说明运用BP神经网络模型建立的LHSB11系列示波器研制项目风险评估模型是有效的。可以用这个评估模型对项目的研制阶段进行风险评估。
神经网络评估范文5
关键词： 层次分析法； 神经网络； 电网安全； 安全评估
中图分类号： TN911?34； TP22 文献标识码： A 文章编号： 1004?373X（2016）15?0145?04
Abstract： The power grid safety situation analysis is realized based on the evaluation index. Since the nonlinear relationship among the safety assessment indexes causes the bad effect of security situation analysis， an evaluation method of power grid security situation analysis based on analytic hierarchy process （AHP） and neural network is proposed. The AHP is used to layer the multiple logical structures of the power grid， and the factors effecting on the security situation is set with weight. And then the weight of each influence factor is acquired， and according to which the influence factor with high power grid security interfe?rence is selected. The neural network model was trained with historical evaluation data to accomplish the power grid safety assessment. Experimental results show that the improved method can evaluate the power grid security accurately， and has high evaluation precision.
Keywords： analytic hierarchy process； neural network； power grid security； security assessment
0 引 言
电网安全关系到国家安全和社会稳定，是电力企业生存和发展的根本。又由于电网系统庞大而复杂的综合性，需要考虑的安全评估指标较多[1?2]。不同电网安全评估指标之间大都存在非线性关系，导致传统方法无法准确描述不同指标间存在的关联性，得到的电网安全评估结果存在较大偏差。在这种情况下，塑造有效的电网评估模型，成为相关学者的重点研究方向[3?6]。
文献[7]提出融合因子分析法和层次分析法的电网评估方法，该方法的评估结果具有一定的有效性，但是存在较高的局限性。文献[8]分析了采用模糊聚类和模糊推理产生稳定性电压评估的决策树方法，实现电网电压安全的有效评估，具有较高的效率，但是鲁棒性较低。文献[9]依据系统性能论以及层次分析法的电网安全评估方法，通过塑造电网优势函数对电网安全进行评估，当系统性能存在较大波动时，该方法的评估精度将大大降低，稳定性较差。文献[10]提出通过模糊神经网络模型的电网评估模型，存在效率高和容易陷入局部最佳解的问题。
针对上述各种方法存在的问题，本文提出了一种基于层次分析法和神经网络的电网安全评估方法，采用层次分析法对全部可以影响电网安全的因素进行分析，运算各影响因素的权值，按照权重选择对电网安全干扰最高的因素，将该因素当成神经网络的输入并塑造神经网络模型，依据历史评估数据对神经网络模型进行训练后，对电网安全进行评估。实验结果说明所提方法具有较高的评估准确性。
1 层次分析法和神经网络的电网安全评估
层次分析法与神经网络结合的电网安全评估过程是：采用层次分析法构建电网层次结构，基于该结构对影响电网安全评估的因素赋予权重，并通过层次分析软件获取电网安全的影响因素以及权重，按照权重大小选择对电网安全干扰最高的因素，并将该因素当成神经网络的输入并塑造神经网络模型，通过历史评估数据对神经网络模型进行训练后，对电网安全进行评估。在塑造的神经网络模型中，本文将影响因素数据当成神经元输入层的输入，运算结果看成网络的输出。
1.1 塑造电网层次结构和电网安全评估指标体系
1.1.1 电网层次结构
层次分析法（Analytical Hierarchy Process，AHP）是一种将定性和定量相结合的，系统化、层次化的多方案分析方法。本文通过层次分析法分析干扰电网安全的因素，获取各因素的权值，并采集对电网安全干扰最高的因素。
塑造电网的层次结构，如图1所示。假设构建目标为电网的安全与否，第1层包括全部影响电网安全的主因素，子因素则列于下一层。
1.1.2 电网安全影响因素及其权重的选择
在上述电网层次结构的基础上，设置电网安全性指标体系如图2所示，包括安全输电能力、静态电压安全性、拓扑结构脆弱性、暂态安全性和风险指标等五方面。
由图2可知，影响电网安全状态的因素很多。在获得电网安全性评估指标体系之后，通过层次分析法对影响电网安全评估的因素赋予权重，使用层次分析软件获取电网安全的影响因素以及权重，获取结果如表1所示。
分析表1，从电网安全影响因素的权重值可以看出，电压裕度和负荷裕度对电网安全影响重大，选择表1中7个权重较大的因素，也就是表1中被标注“*”的因素作为神经网络的输入，并通过历史评估数据对神经网络模型进行训练后，实现电网安全评估。
1.2 基于层次分析法和神经网络的电网安全评估
1.2.1 BP神经网络原理
BP神经网络是目前使用最广泛的一种网络，包括输入层、若干隐含层以及输出层。BP算法是一种监督式的学习算法，其通过梯度检索方法对已知的学习样本进行分析，进而确保网络的实际输出值与期望输出值的均方值误差最小。BP神经网络的结构见图3。图3 中的[x1，x2，…，xm]为输入特征向量，[y1，y2，…，yn]为输出特征向量。
1.2.2 基于BP神经网络的电网安全评估
神经网络的拓扑结构是由网络的层数、各层的节点数以及节点之间的连接方式组成的。本文研究采用层次分析法结合BP神经网络对输电网的安全运行过程进行建模评价。BP神经网络可以有一个或多个隐含层，而三层的BP神经网络能够完成任意的[n]维到[m]维的映射，即一个隐含层已经完全能够模拟任意的非线性关系。
通过基于层次分析后的电网安全评估指标体系，塑造3层神经网络。将表1中7个权重较大的因素作为神经网络的输入。在BP神经网络模型中采用三层网络，输入节点是层次分析法中的7个影响因素，输出节点是1，隐层的节点数为6。学习方式是BP神经网络算法。
实现电网安全评估的过程如下：
2 实验分析
为了验证本文方法的有效性需要进行相关的实验分析，实验采用的对比方法为文献[8]提出的基于模糊聚类的电网安全评估模型。实验采用层次分析法，从国家电网公司某分电网评估历史数据中采集5组电网安全评估重要因素权重样本数据，如表2所示。并将这些样本数据当成神经网络的输入值，将各组数据的评估结果作为期望输出值对神经网络进行训练，神经网络的输入量是评估数据指标通过归一化处理后的值。并将这些权重作为神经网络的7个输入节点，设置隐含层节点数为6，输出节点数为1，该节点用来表示综合评价结果。
将表2中的样本数据列入神经网络模型，以得到预期的输出结果，对神经网络进行测试训练，设置学习速率为0.02，学习精度为0.001，通过训练2次后，神经网络的误差曲线斜率接近于零，满足精度要求。
然后对5组检验样本进行安全评价，输出验证结果如表3所示。分析表3可得，神经网络预测输出值同期望输出结果间的误差达到了0.001，输出电网安全等级同期望输出结果相匹配，说明本文提出的基于层次分析法和神经网络的电网安全评估方法是有效的，可用于实际电网安全等级的评价。
为了进一步验证本文方法的准确性，对比分析本文方法和文献[8]方法的评估精度，两种方法的输出结果和期望的输出结果对比情况如图4和图5所示。
对比分析图4和图5可得，相比文献[8]方法，本文方法的预测值同实际值间具有较高的匹配度，误差较低，本文方法对电网安全的评估精度较高。实验结果说明，通过本文提出的层次分析法分析出的输入因素越重要，风险评估的结果越佳，并且降低了神经网络结构的复杂性，提高了学习效率，大大增强了电网安全评估精度。
3 结 论
本文提出一种基于层次分析法和神经网络的电网安全评估方法，将层次分析法和神经网络相结合，用于评估电网的安全。采用层次分析法塑造电网层次结构，对全部干扰电网安全的因素进行分析，获取各影响因素的权重，按照权重大小选择对电网安全干扰较高的影响因素，并将这些影响因素当成神经网络的输入，同时塑造神经网络模型，通过历史评估数据对神经网络模型进行训练后，完成电网的安全评估。实验结果说明，所提方法可对电网安全进行准确评比，并且评估精度也较高。
参考文献
[1] 张东霞，姚良忠，马文媛.中外智能电网发展战略[J].中国电机工程学报，2013，33（31）：1?14.
[2] 孙玉娇，周勤勇，申洪.未来中国输电网发展模式的分析与展望[J].电网技术，2013，37（7）：1929?1935.
[3] 田洪迅，袁蓉，赵渊.含分布式电源的配网可靠性概率计算[J].电网技术，2013，37（6）：1562?1569.
[4] 牛东晓，魏亚楠.基于FHNN相似日聚类自适应权重的短期电力负荷组合预测[J].电力系统自动化，2013，37（3）：54?57.
[5] 尚文，王维民，齐鹏逸，等.基于条件规则与故障树法的燃气轮机故障诊断[J].机电工程，2013，30（7）：798?802.
[6] 李志铿，汪隆君，王钢，等.计及故障重构的含分布式电源配电网可靠性评估[J].电力系统自动化，2013，37（4）：35?40.
[7] 郭创新，陆海波，俞斌，等.电力二次系统安全风险评估综述[J].电网技术，2013，37（1）：112?118.
[8] 吴旭，张建华，赵天阳，等.基于模糊聚类和模糊推理的电网连锁故障预警方法[J].电网技术，2013，37（6）：1659?1665.
神经网络评估范文6
【关键词】 数据挖掘 信用风险 决策树 支持向量机
一、引言
我国上市公司是整个国民经济整体的一个有机组成部分,甚至可以说是整个国民经济的核心所在。至2008年底,沪深两市的股票总市值在缩水62.9%的情况下仍达到12.13万亿,占GDP的48.6%。从这些数据可以看出,上市公司在我国经济中占有主体地位,因此,上市公司的优劣存亡将关系到整个国民经济的发展。然而,我国上市公司所积累的信用风险已经非常巨大,在深交所的诚信档案里仅主板市场就列出了20页的违规通报批评和处分决定。就国有企业而言,信用危机依然存在,突出的表现就是恶意拖欠逃债现象。企业信用风险状况直接关系到我国金融市场的健康发展和国民经济的持续稳定。可见,对上市公司信用风险的管理是非常必要和迫在眉睫的,而上市公司信用风险评估模型的建立是防范信用风险的重要手段。因此,研究上市公司信用风险评估这一课题,已经成为我国目前经济生活中亟待解决的一个重要问题。
目前许多定量技术和支持工具、软件已付诸商业应用,继传统的比例分析之后,统计方法得到了广泛的应用,如判别分析和Logistic回归等。信用等级评估是通过对企业或个人的某些单一财务指标进行加权平均确定的,该方法最大的缺陷在于指标和加权值的确定带有很大的主观性,使得评估结果和实际状况有很大的出入。因此,需要引入科学方法来确定有效评估指标,并建立准确的定量模型来解决信用等级评估的问题。近年来,信息技术得到了迅速发展,如数据挖掘技术等能从海量数据中智能发现有用的规则和知识,再加上我国上市公司信息披露制度的不断完善,使得我们的研究能够得到的数据资料也不断的增多,这些有利条件的出现使得我们对基于数据挖掘的上市公司信用风险评估模型的研究有了数据基础和技术基础。
二、基于数据挖掘的信用风险评估模型比较综述
1、决策树
决策树方法于20世纪60年代起源于对概念学习建模;20世纪70年代后期Quinlan发明用信息增益作为启发策略的ID3算法,从样本中学习构造专家系统;1993年Quinlan在ID3算法基础上研究出了改进的决策树归纳包(C4.5),这是目前被普遍采用的数据分类方法。其思想是一个类似于流程图的树结构,其中每个内部结点表示在一个属性熵的测试,每个分支代表一个测试输出,而每个树叶节点代表类或类分布。决策树通过把实例从根节点排列到某个叶子节点来分类实例,叶子节点即为实例所属的分类,树上每个节点说明了对实例的某个属性的测试,节点的每个后继分支对应于该属性的一个可能值。决策树分类模型之所以被广泛应用于信用风险评估,主要是因为决策树具有以下优点:(1)与神经网络或贝叶斯分类等其他分类模型相比,决策树的分类原理简单易懂,很容易被使用人员理解和接受。在决策树分类过程中,一般不需要人为设定参数,更适合于知识发现的要求;(2)决策树的学习算法具有建立速度快、计算量相对不是很大、可以处理连续值和离散值属性;(3)决策树能使用信息原理对大量样本的属性进行信息量分析,计算各属性的信息量,找出反映类别的重要属性(可以清晰的显示哪些属性对分类比较重要);(4)决策树分类方法与其他分类模型相比,易于生成可理解的规则。决策树方法对记录数越大的数据库,它的效果越明显,这就是它显著的优点。
研究表明,一般情况下,树越小则树的预测能力越强。要构造尽可能小的决策树,关键在于选择恰当属性。而属性选择依赖于各种对例子子集的不纯度度量方法。其中,基于数据挖掘中决策树C4.5算法的分析框架建立的上市公司信用风险评估模型,对数据分布无任何要求,应用于上市公司信用风险评估的效果比较好,因此具有良好的发展前景,值得我们深入研究。
2、神经网络
BP网是面向映射变换的神经网络中应用最广泛的一种,其结构如图1所示。典型的BP网有三个层次:输入层、隐含层和输出层,相邻层次神经元间采用全互连形式,同层神经元间则不相连。其思路是:当给网络提供一个输入模式时,该模式由输入层传到隐含,经隐含层神经元作用函数处理后传送到输出层,再经由输出层神经元作用函数处理后产生一个输出模式。如果输出模式与期望的输出模式有误差,就从输出层反向将误差逐层传送到输入层,把误差“分摊”给各神经元并修改连接权,使网络实现从输入模式到输出模式的正确映射。对于一组训练模式,可以逐个用训练模式作为输入,反复进行误差检测和反向传播过程,直到不出现误差为止。这时,BP网完成了学习阶段,具备所需的模式分类(识别)能力。
20世纪80年代末,西方发达国家将人工智能引入银行业,协助银行进行贷款决策,这其中,尤其以人工神经网络最为突出,其在企业财务分析中显示了巨大的优势和潜力。而在我国,无论是用统计方法还是用神经网络技术来研究信用风险,目前都尚处于起步阶段。王春峰等(1999)用神经网络技术进行商业银行信用风险评估;郝丽萍等(2001)研究了商业银行信贷风险分析的人工神经网络模型;柳炳祥、盛昭翰(2003)利用粗神经网络对企业财务危机进行了分析;庞素琳等(2003)利用BP算法对我国某商业银行2001年120家贷款企业进行3类模式(“信用好”、“信用一般”、“信用差”)分类,分类准确率达到83.34%;张德栋、张强(2004)建立了基于BP神经网络的企业信用3层神经网络评估模型,实验结果证明,该模型用于企业信用评估,减少了企业信用评估传统的定性方法中权重确定的人为因素,评估正确率达到了92.12%;王凯、黄世祥(2007)建立起基于BP神经网络的行业间信用评估模型,并代入2003年度全国农业和工业的部分行业数据进行实证。
神经网络由于其自身优势已经在各个领域得到了广泛的应用,近几年来,经济学和管理学方面的学者将其运用到经济领域,特别是在信用风险评估方面取得了很好的成效。尤其BP神经网络在商业银行信用风险评估上应用的可行性,其优点主要体现在:(1)BP神经网络模型具有高速信息处理能力。信用风险评价是一个非常复杂的系统,简单的信用风险打分模型不能很好地表述这种关系,同时结果与实际也有较大的差别。而神经网络是由大量的神经元广泛互连而成的系统,并行处理能力很强,得到的模型能对实际作出很好的预测。(2)BP神经网络模型具有很强的不确定性信息处理能力。由于神经网络中神经元个数众多以及整个网络存储信息容量巨大,使得它具有很强的对不确定性信息的处理能力。而信用风险本身就有一种不确定性,信用风险评价指标体系涉及指标众多,这些变量本身就具有一种动态性和不稳定性。运用BP神经网络模型进行预测可以很好地解决这种不确定性。(3)BP神经网络模型是一个具有高度非线性的系统。神经网络同现行的计算机不同,它是一种非线性的处理单元,因此神经网络是一种具有高度非线性的系统。在信用风险评估运用上,它突破了传统信用风险评估方法以线性处理为基础的局限性,能更有效、更精确地处理复杂信息。但是,神经网络也存在明显的不足。首先,当神经网络的输入维数高时,隐含规则呈几何级数增加,致使网络结构庞大,同时神经网络学习速率固定,存在局部最小点问题,因此网络收敛速度慢,需要很长的训练时间,甚至可能发生网络瘫痪;其次,网络结构复杂,导致网络的输入节点单元数、隐含层数的确定缺乏理论依据。尽管存在一些遗憾,神经网络方法作为一门崭新的信息处理科学方法仍然吸引着众多领域的研究者。
3、支持向量机
支持向量机(Support Vector Machine,SVM)是根据统计学习理论得出的一种新的机器学习算法,它用结构风险最小化原则替代经验风险最小化原则,较好地解决了小样本学习问题,是一种通用的前馈网络类型。支持向量机的实现是通过某种事先选择的非线性映射(核函数)将输入向量映射到一个高维特征空间,在这个空间中构造最优分类超平面。使用SVM进行数据集分类工作的过程首先是通过预先选定的一些非线性映射将输入空间映射到高维特征空间,它使得在高维属性空间中有可能对训练数据实现超平面的分割,避免了在原输入空间中进行非线性曲面分割计算。SVM数据集形成的分类函数具有这样的性质:它是一组以支持向量为参数的非线性函数的线性组合,因此分类函数的表达式仅和支持向量的数量有关,而独立于空间的维度。
随着机器学习理论的不断发展,支持向量机作为一种专门针对小样本学习的算法被引入到了信用风险评估中。在我国,张秋水、罗林开等(2006)通过SVM与传统的多元线性回归(Multi Linear Regression,MLR)和Logit分析(Logit Analysis,LA)的实证对比和模型分析,得出SVM在20组测试样本集上的平均误判率是最低的,显著优于MLR,也优于LA。吴冲等(2009)建立了基于模糊积分的支持向量机集成方法,该方法综合考虑了子支持向量机的输出重要性并与单个支持向量机和最多投票原则的支持向量机集成进行比较,实证结果表明,该方法具有更高的分类精度。与BP神经网络相比,SVM方法的优缺点是:(1)模型的准确率。SVM是通过解一个凸二次规划来得出结果的,因此找到的解是全局最优解,且精度高,利用支持向量机进行上市公司信用风险评估,根据有限的训练样本,建立了非线性映射关系,解决了维数问题,这种算法具有简单、准确率高的优点,很适合推广。(2)泛化能力。SVM通过结构风险最小化原则实现了经验风险和置信范围的良好折衷,避免了过拟合现象,而人工神经网络是基于经验风险最小化原理。(3)模型的适用性。SVM方法通过对不同的核函数和参数的选择,可以优化评估结果,不同的核函数可以满足不同的需求,模型的适用范围更广。(4)对数据要求。SVM可以避免小样本和“维数灾难”问题,对有限数量和维数较高的样本评估精度较高;而BP神经网络模型由于数据较少,易产生过拟合现象,因而使用范围受限制。(5)核函数也需要人为的确定,尚未有理论证明决定应选择的核函数。
三、结束语
随着信息技术的发展,数据挖掘方法被广泛应用于金融、经济领域,在信用风险方面也受到越来越多的重视。在我国,对上市企业的信用风险评估还是一个很具有挑战性的领域,不仅体现在其信用风险变化的复杂性,还在于评估所面临的巨大工作量。上市企业的信用状况是构成整个社会体系不可缺少的重要部分,因此,解决其信用风险评估问题的首要任务是要建立简单可操作的模型,并充分发挥计算机处理信息等的优势作用。
(注:本文系华东交通大学校立科研基金资助课题《基于数据挖掘的上市公司信用风险评估模型研究》的部分研究成果,课题编号:09GD02。)
【参考文献】
[1] Qualian JR,C4.5: Programs for Machine Learning [J],San Mateo, CA:Morgan Kaufmann Publishers,1993.
[2] Virongrong Tesprasit,Paisarn Charoenpornsawat ,Virach Sornlertlamvanich,A Context-Sensitive Homograph Disambiguation in Thai Text-to-Speech Synthesis,Proceedings ofHuman Language Technology Conference,2003.
[3] 周松林、吴铭:沪深两市总市值全年缩水62.9%[J].金融界,2009(1).
[4] 王春峰、万海晖、张维:基于神经网络技术的商业银行信用风险评估[J].系统工程理论与实践,1999(9).
[5] 郝丽萍、胡欣悦、李丽:商业银行信贷风险分析的人工神经网络模型研究[J].系统工程理论与实践,2001(5).
[6] 柳炳祥、盛昭翰:基于粗神经网络的企业危机预警系统设计[J].信息与控制,2003(1).
[7] 庞素琳、王燕鸣、黎荣舟:基于BP算法的信用风险评价模型研究[J].数学的实践与认识,2003(8).
[8] 张德栋、张强,基于神经网络的企业信用评估模型[J].北京理工大学学报,2004(11).
[9] 王凯、黄世祥:基于BP神经网络的行业间中小企业信用评估模型及应用[J].数学的实践与认识,2007(24).
