bp神经网络模型分析

bp神经网络模型分析（精选14篇）

bp神经网络模型分析 第1篇

BP神经网络和二次曲面模型对求高程异常精度分析

许多测量施工单位在进行GPS静态测量时,都会遇到求解高程异常的问题.这样才能将大地高转化成正常高.论文用两种方法来求高程异常,其一,二次曲面模型的方法来求高程异常,其二,采用BP神经网络的方法来求高程异常,并对两者所求的.高程异常的精度进行分析,从论文中看到BP神经网络对求解高程异常的精度高,从而为BP神经网络在测量中的应用提供借鉴.

作 者：李小东 王昶 伏丹丹 李洪涛 张欣媛 作者单位：李小东,伏丹丹(鞍山国土资源勘测设计院,辽宁鞍山,114001)

王昶,李洪涛(辽宁工程技术大学测绘与地理科学学院,辽宁阜新,123000)

张欣媛(辽宁科技大学资源与土木工程学院,辽宁鞍山,114051)

刊 名：江西测绘英文刊名：JIANGXI CEHUI年，卷(期)：“”(2)分类号：P2关键词：BP神经网络 曲面模型 高程异常

bp神经网络模型分析 第2篇

基于BP神经网络的飞行体姿态预测模型

针对建立精确的加速度传感器输出与飞行体姿态获取比较困难的问题,在研究了加速度传感器输出信号对飞行体姿态影响的.基础上,建立了相应的BP神经网络模型.结合加速度传感器输出的具体数据,应用Matlab语言编写相关的计算程序,验证了模型的可行性.

作 者：孟松 张志杰 范锦彪 曹咏弘 MENG Song ZHANG Zhijie FAN Jinbiao CAO Yonghong 作者单位：中北大学仪器科学与动态测试教育部重点实验室,太原,030051刊 名：弹箭与制导学报 PKU英文刊名：JOURNAL OF PROJECTILES, ROCKETS, MISSILES AND GUIDANCE年，卷(期)：200828(1)分类号：V249.322关键词：BP模型 预测 Matlab 人工神经网络 飞行体 姿态

bp神经网络模型分析 第3篇

关键词：碳排放,交易价格,神经网络

1 国内外碳排放交易市场概况

《京都议定书》( 以下简称 “《议定书》”) 是具有法律约束力的国际协议,使各国二氧化碳等温室气体的排放受到限制,从而碳排放权成为一种具有流动性的稀缺资源,进一步推动了碳排放权交易市场的发展。碳排放权交易市场相继在英国、日本、欧盟、美国、加拿大等国家形成,并迅速地发展壮大。

按照市场主体的交易意愿,可将碳排放权交易市场分为自愿交易市场体系和规范交易市场体系两类。自愿交易市场的买卖双方是自愿作出减排承诺的政府、企业或者个人。规范交易市场的主体通常是在 《议定书》约束下履行减排义务的国家或法律实体。

碳排放权交易作为一种有效的减排手段,在当前我国国内市场的交易经验几乎空白,国内碳排放权交易市场也仅处于起步的探索阶段。由于我国的清洁发展机制市场尚不成熟,在飞速的发展中也暴露了许多问题。

综上所述,建设我国国内的碳排放权交易体系,既有助于促进我国经济发展方式转型、加快低碳型社会建设,又有利于我国在国际碳排放权交易市场赢得一席之地,提升我国企业在未来国际碳排放权交易市场的竞争实力。本文即在此现实背景下对我国的碳排放权交易展开研究,对北京环境交易的价格和成交数据利用神经网络模型进行分析,以期为我国的碳排放权交易体系的创建提供相关的理论依据。

2 模型的建立与求解

2. 1 符号的说明

X = ( x1,x2,…,xn) ; 输入向量bo; 输出层各神经元的阈值Ck; 输出层输出向量bh; 隐含层各神经元的阈值do= ( d1,d2,…,dq) ; 期望输出向量Wih; 输入层与中间层的连接权值Who; 隐含层与输出层的连接权值hi = ( hi1,hi2,…,hip) ; 隐含层输入向量ho = ( ho1,ho2,…,hop) ;隐含层输入向量yi = ( yi1,yi2,…,yiq) ; 输出层输入向量。

2. 2 模型的建立

在问题中把研究对象作为一个系统,按照分解、比较判断、综合的思维方式进行决策,因此,利用北京环境交易所的基本交易原理,分析建设我国国内的碳排放权交易体系,建立BP神经网络模型( 指确定单一分析源) ; 依据以上碳排放权交易市场分析建立下的BP神经网络模型。

由上面的分析,首先将各项物质进行量化。然后进行网络值初始化,给各连接权值分别赋一个区间( 0,1) 内的随机数,设定误差函数e,给定计算精度值和最大学习次数M = 5000。随机选取第k个输入样本及对应期望输出:

再计算隐含层各神经元的输入和输出:

利用网络期望输出和实际输出,计算误差函数对输出层的各神经元的偏导数 δo( k) 。

利用隐含层到输出层的连接权值、输出层的 δo( k) 和隐含层的输出计算误差函数对隐含层各神经元的偏导数 δo( k) 。

利用输出层各神经元的 δo( k) 和隐含层各神经元的输出来修正连接权值who( k) 。

利用隐含层各神经元的 δh( k) 和输入层各神经元的输入修正连接权。

计算全局误差:

2. 3 模型的分析

利用neural network对碳权交易数据进行仿真模拟,可以看出经过整理后的月份均价数据[单位时间( 月) 内通过北京环境交易所碳权交易数据]图像具有说服力,说明成交价格对成交量是有一定的影响的,其影响力大致延迟一个月左右。我们可以看出,在成交量和成交价格之间的平均绝对误差走势,因此成交量就会出现严重的影响成交价格现象,进而说明其实际碳权交易内在联系,并对其在满足误差的前提下进行预测如下:

接着将数据组采用分位点法扩大,利用MATLAB对样本数据进行预测,以全体数据为预测样本检验,可以看出网络训练所得的误差很小,达到目标值。通过对样本数据进行训练后误差降低到了0. 005。从预测输出和期望输出的情况来看,BP网络在一定程度上实现了对北京环境交易所碳权交易数据的判断,且误差基本上控制在2% 以内,实验精度令人满意,说明提取的数据可以进行预测和评价。

3 结论

通过上面的分析,我们发现碳排放权交易中,成交价格和成交量有着密切的联系,而成交量与国家政策息息相关,碳排放权交易的开展需要全民的生产、消费观念的彻底转变。由于当前我国没有强制减排的要求,所以,面对碳排放权交易这一新生市场,很多厂商缺乏参与意识,或仅仅是被动参与,导致 “有市场无交易”情形的频现。碳在未来就相当于资产,面对发达国家即将推行的 “碳壁垒” “碳关税”,每位厂商都应加快低碳技术的学习、引入,走低碳发展之路,建设、完善碳排放权交易机制。

参考文献

[1]王遥.碳金融全球视野与中国布局[M].北京:中国经济出版社,2010.

[2]刘倩,王遥.碳金融全球布局与中国的对策[J].金融发展评论,2010(8).

[3]邹亚生.低碳经济背景下我国的碳金融发展之路[J].中国金融,2010(4).

教学质量评价的BP神经网络模型 第4篇

摘要：针对教学质量评价的非线性、复杂性等问题，提出了基于BP网络的教学质量评价决策模型，借助其自学习，自适应及最佳逼近性能对评价数据进行量化训练，得到教学质量评价结果。MATLAB仿真结果表明了该评价模型的有效性，获得了较好的评价结果。

关键词：相对属性约简；BP神经网络；教学质量；评价决策

湖北经济学院法商学院教研项目-教师教学质量监控与评价实践问题的研究（2014J24）

在高校中，对教师的教学质量评价一直是国内外研究的热门课题。合理的评价不仅对教师起到良好的激励，而且还起到正确的、满足当前国家与社会需要的引导作用。随着信息技术迅速发展，出现了基于多元线性回归、偏最小二乘等教学质量评价方法[1-2]，但这些方法或多或少存在一些不足。由于教学质量各评价指标之间以及与评价结果间是一种复杂非线性关系，而人工神经网络具有非线性、实时优化、智能学习等优点，成为当前教学质量自动评价的主要算法[3-5]。本文首先使用SPSS主成分分析法对数据进行预处理，再利用BP神经网络，采用三层神经元的量化评价方法对教学质量评价数据学习训练，得到最终的评价结果。MATLAB仿真表明，该方法是一个可行的评估方法。

一、评价指标体系

在教学质量评价中，评价指标是评价工作最终真实有效的重要因素之一。为了确保研究工作顺利进行，得到理想的评价模型，借鉴了多所高校的教学评价指标及湖北经济学院法商学院教师课堂教学质量评价标准和相关研究文献，首先使用SPSS主成分分析法对数据进行预处理，简化后的指标见表1所示。

二、BP神经网络MATLAB算法过程

用MATLAB进行BP神经网络模型的建立和反复训练，以达到误差最小，使输出的预侧值能与实际值尽量接近。具体步骤如下：

⑵建立网络

网络名=[newff（PR，SN，TF，BTF，BLF，PF）]；PR=[输入取值范围]；SN=[每层神经元数]。TF=[每层传递函数]，BTF=[网络训练函数]，BLF=网络权值阈值函数，PF=网络性能函教，网络输出和目标输出的均方误差，取默认值MSE。

⑶相关参数设定。

⑷训练网络。网络名=train（网络名，输入变量名，目标变量名），此过程反复调整权值和阈值，以减小性能函数的值，直到达到预先设定的误差精度。

⑸模拟输出：sim（网络名，输入变量名）

（6）样本观测值与拟合值的比校。当拟合值与目标直线相交时，就应该考虑将目标直线下移，即提高精度，再进行训练。反复调整该参数，使网络更接近实际值。

三、模型构建与仿真应用

根据表1中的评价指标，收集相关评价数据。用Matlab建立三层BP数神经网络[6]，输入层神经元为14个，输出层神经元为1个，隐含层节点个数为8个。从评价数据中选取15个训练样本，归一化处理后，样本分为输入样本P和期望输出样本T，见表2。

使用MATLAB编程进行模拟训练，经过3000步后，误差达到要求，过程如图1所示。网络输出与期望输出的结果拟合如图2所示。

结语

教学评价是一个复杂的、非线性过程，运用本文提出的决策模型，MATALB验证结果表明它是一种有效的可值得借鉴的方法，为教学评价决策提供方便快捷的途径，同时该评价模型也可推广到其他非线性的评价系统中。

参考文献：

[1] 马红.运用灰色趋势关联方法评价教学质量[J].武汉理工大学学报，2010，32（15）：181-184.

[2] 刘伟，孙林.基于支持向量机的课堂教学质量评价[J].合肥工业大学学报：自然科学版，2010，33（7）：968-971.

[3]孙晓玲，王宁，梁艳.应用 BP 神经网络的教学评价模型及仿真[J].计算机仿真，2010，27（11）：314-317.

[4]傅莉.BP神经网络在教学质量评价中的应用[J].智能计算机与应用，2012，（05）：70-72.

[5] 唐立力.基于BP神经网络的课堂教学质量评价系统[J].中国西部科技，2014，（04）：103-105.

[6] 刘会灯，朱飞. MATLAB编程基础与典型应用[M].北京：人民邮电出版社，2008.

作者简介：

石黎（1980- ），女，湖北人，副教授，博士，研究方向：辅助教学决策；

孙志梅，讲师；

刘毅，本科生；

bp神经网络模型分析 第5篇

摘要：通过对高校教师科研能力分析，构建了高校教师科研能力评估指标体系，提出了运用BP神经网进行评估的方法，利用MATLAB对该模型进行了仿真，得到了与专家评定一致的结果。该方法克服了传统评价方法孤立地考虑各项评价指标的缺点 增加了指标之间的关联性，使评价结果更符合实际情况。

关键词：科研能力 BP神经网络 评价模型

中图分类号：G420 文献标识码：A 文章编号：1007-9416（2014）01-0056-02

一所高校的科研水平取决于教师的科研能力，目前，有关高校教师科研能力的评估有很多评估方法，如层次分析法，贝叶斯网络聚类方法[1]等。本文运用BP神经网络来建立高校教师科研能力评价模型，为高校教师科研能力评价提供了一定的参考。高校教师科研能力评价指标体系

1.1 构建评价指标体系的基本原则[2]

为了科学、客观地反映高校教师科研能力的高低，应该考虑建立与之相适应的科研能力评价方法，并确定相应的科研能力评价指标体系。为了建立能有效评价高校教师科研能力的评价指标体系，其设计的原则应遵循如下：科学规范性、系统优化性、简洁明确性和全面实用性。

1.2 科研能力评价指标体系

本文从教师基本素质、学术影响、学术成果、科研项目四个方面来反映教师科研能力，根据构建指标体系的四个基本原则，构建三个层次结构模型评价指标体系，如图1 基于BP神经网络的高校教师科研能力评价模型

本文采用典型的三层BP神经网络对教师科研能力进行评价，如图2所示。

2.1 初始参数的确定 高校教师科研能力评价模型的评估

在某高校中，组织25名专家对20名教师科研能力进行行评价，随机抽取6组评价数据进行归一化处理得表1。

利用已编好的BP算法的程序[5]，在把学习样本的输入参数输入计算机后，即可让网络模型对学习样本进行反复学习，直到网络模型的识别精度满足要求。可以看出，当网络训练达到161步时，网络模型识别精度为0.000982536，网络性能达标，可知输出结果与专家判断是吻合的，说明BP神经网络已具备了模式识别的能力，可以对教师科研能力进行评价。结语

通过构建教师科研能力评价体系的BP神经网络模型，为评价教师科研能力提供了一种量化方式。BP神经网络克服了评价中主观因素的影响，使评价结果全面准确的反映实际情况，为教师科研能力评价提供了新的工具。

参考文献

bp神经网络模型分析 第6篇

BP神经网络模型在广西原料蔗产量预报中的应用

将广西甘蔗种植区气象台站的光温水资料采用膨化处理后按旬依次组合成不同时段值,通过相关分析方法普查选出与广西原料蔗产量相关系数通过0.01水平显著性检验的因子作为预报因子,分别用逐步回归方法和误差反传前向网络(BP神经网络)建立广西原料蔗产量预报模型,模拟结果对比分析显示,BP神经网络预报模型的.拟合精度和预报精度均高于逐步回归模型.

作 者：欧钊荣 谭宗琨 何燕 丁美花 杨鑫 OU Zhao-rong TAN Zong-kun HE Yan DING Mei-hua YANG Xin 作者单位：广西壮族自治区气象减灾研究所,广西南宁,530022刊 名：中国农业气象 ISTIC英文刊名：CHINESE JOURNAL OF AGROMETEOROLOGY年，卷(期)：29(2)分类号：P4关键词：BP神经网络 逐步回归 甘蔗 产量预报

bp神经网络模型分析 第7篇

采用误差反传算法的神经网络模型(简称BP网络),建立了某井灌区地下水位动态BP网络模型,模拟了不同灌水量条件下地下水位的动态变化,研究结果表明模型具有较高精度,能较好地表征研究区域的.地下水水位动态变化特征.

作 者：江冠军 张小光 JIANG Guan-jun ZHANG Xiao-guang 作者单位：江冠军,JIANG Guan-jun(惠州市市区河涌管理所,广东,惠州,516003)

张小光,ZHANG Xiao-guang(博罗县水利水电工程公司,广东,惠州,516100)

bp神经网络模型分析 第8篇

传统上用于水果预测方面的模型有单一灰色模型、人工神经网络模型以及马尔科夫链模型等。在产量预测方面用得较多的是灰色模型。但灰色模型对随机性波动性较大的数据序列预测效果往往不好, 而BP神经网络有着较强自学习、自适应及容错性, 在实际预测中能够将数据进行训练, 使得找到更为接近实际的函数, 得出的预测结果更接近实际值。因此, 提出的灰色-BP神经网络组合模型为今后赣州市赣南脐橙产量的预测提供一种新方法。

1 灰色-BP网络预测模型

1.1 灰色预测模型

基于GM (1, 1) 模型均值形式, 分别按差分方程和微分方程两种不同路径求解。建立具体步骤如下:

(1) 以n年赣南脐橙产量作为GM (1, 1) 模型时间序列

(2) 考虑GM (1, 1) 模型波动性, 对原始序列进行k步累加处理, 记为:

其中a、b是需要通过建模来求得的参数;

(4) 设参数向量, 可以运用最小二乘法估计确定:

其中Yk、A分别为

(5) 建立均值GM (1, 1) 模型时间响应式为

(6) 可以将 (6) 式累减还原, 利用还原式求出赣南脐橙产量这n年的拟合值为

1.2 灰色-BP网络预测模型

则为灰色-BP神经网络组合模型的预测值。可以用组合后的模型来预测新的赣南脐橙产量这n年的拟合值。

2 赣南脐橙产量预测分析

采集2002年至2013年赣州市赣南脐橙产量 (万t) 数据, 运用MATLAB软件建模并计算出2008年至2012年赣南脐橙产量的拟合值见表1、图1。

经计算残差检验值为0.1556, 可以发现预测精度为三级, 预测精度一般。故运用人工神经网络对上式表中的残差进行修正。将训练出的修正值与GM (1, 1) 的拟合值相加, 即构造出了新的预测值。得出各变量的GM (1, 1) -BP拟合值及相对误差, 见表2、图2。两种预测模型对比, 见图3。

运用灰色-BP神经网络组合模型的平均相对误差0.0481, 而灰色预测模型的误差为0.1387。相比, 灰色-BP网络组合模型预测带来的误差较小。因而灰色-BP网络组合模型, 更能够深化对模型演化规律的认识。因此用该组合模型对未来2014至2016年这三年里的章贡区建成区面积进行预测, 2014年至2016年赣州市赣南脐橙产量预达到171.34万t, 190.81万t, 212.49万t。

3 结束语

研究结果表明灰色-BP神经网络组合模型的预测精度高于传统上单一的灰色预测模型。说明灰色-BP神经网络组合模型适用于赣南脐橙产量的预测, 具有着一定的准确性及可行性。并从2014年至2016年的赣州市赣南脐橙预测产量可以看出产出数量是呈持续增长态势。赣南脐橙产量的增长能够维系脐橙产业链, 并使得产业链不断地壮大。

摘要：赣南脐橙产量变动的随机性、波动性和复杂性, 给脐橙产量的预测带来了很大的困扰。将灰色-BP神经网络加以组合, 采用2004年至2013年赣州市赣南脐橙产量数据, 对赣南脐橙未来产量进行预测。通过MATLAB计算, 结果表明:灰色-BP网络组合预测模型精度高于传统灰色预测模型, 且2014年至2016年赣州市赣南脐橙产量预达到171.34万t, 190.81万t, 212.49万t。

关键词：灰色-BP神经网络组合模型,赣南脐橙产量预测,MATLAB

参考文献

[1]匡兵, 杨晓伶, 陈根生.赣南脐橙产业现状与发展趋势分析[J].农业工程技术农产品加工业, 2010 (03) :34-37.

[2]李智鹏, 李江宏.基于灰色系统理论的新疆水果产量预测[J].中国科技投资, 2013 (09) :92.

[3]侯丽薇, 孙立城, 穆维松.苹果产量的神经网络预测模型[J].中国农业大学学报 (社会科学版) , 2001 (01) :51-53.

[4]姚飞, 王波, 吴天魁.基于马尔科夫模型的我国水果产量预测分析[J].农村经济与科技, 2014, (11) :113-115.

[5]李凯.灰色预测模型及其应用[D].荆州:长江大学, 2012.

bp神经网络模型分析 第9篇

摘要：评价是培训质量保障体系的重要组成部分，是培训管理的有效手段。文中通过设计评价指标体系，确定网络层数和节点数，选取传递函数和误差，学习训练等环节，建立了基于BP神经网络的边疆高校培训评价模型。该模型有效规避了评价过程中的主观因素，简化了传统教师培训评价复杂的操作过程，可操作性强，使用范围广泛，也可为其他领域的评价提供参考。

关键词：BP神经网络；指标体系；边疆高校；培训评价

G434；TP183

引言

随着我国高校布局结构不断调整，边疆高校依托对外教育合作交流特色纷纷组建获批，并在新建高校中占有一定的份额，成为高等教育的重要组成部分。这些高校均已建立起来富有边疆特色的培训体系。以黑河学院为例，明确了“一体两翼”的培训基本方针，并构建了“四位一体”的培训体系。[1]体系运行三年来，共组织培训1427人次，其中对俄特色培训563人次，随着培训工作的深入开展，培训监督与保障体系的不断完善，如何对培训效果进行科学评价成为亟需解决的重要课题。

国内外有关培训评价模型的研究始20世纪50年代，并已形成丰硕的成果。诸如Kirkpatrick的四层次评价模型；Kaufman的五层次评价模型；Warr.P、Bird.M和Rackham.N设计的CIRO评价模型；Stufflebeam.D的CIPP评价模型；Phillips的ROI五层次评价模型；基于AHP的评价模型；模糊综合评价模型等。[2]由于培训效果影响因素众多，而评价模型本身是一个多变量非线性模糊问题，这些评价评价方法在某种程度上取得了一定的成效，但均受主观因素影响严重，无法满足管理部门准确把握培训效果的要求。因此，建立一套科学、实用、适合自身实际的培训指标体系和评价模型成为摆在师资管理部门面前的迫切解决的问题。

一、BP神经网络的概述

BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络模型，由Rinehart和McClelland为首的研究小组于1986年提出。该模型无需事前揭示描述输入-输出映射关系的函数表达式，凭借学习训练和存贮数据蕴含的大量映射关系，运用最速下降法，在误差平方和最小的情况下，通过反向传播获取神经网络的权值和阈值。完成训练的BP神经网络能够对类似的样本输入信息，自行输出误差最小的经非线形转换的信息。BP神经网络模型的拓扑结构由輸入层（input）、隐层（hide layer）和输出层（output layer）构成。输入层与输出层只有一层，隐层可以多层。该模型能够实现系统评价定量化，剔除了主观性强的模糊描述，操作上也可利用MATLAB软件实现。

二、构建边疆高校培训指标体系

培训指标体系是建立评价模型的前提条件。培训的不同阶段具有不同的评价内容和评价目的，主要体现在培训前决策性评价、培训中形成性评价和培训后效果性评价。本研究采用SEM模型确定评价指标，指标体系由组织层面和受训层面两部分构成，组织层面包括培训管理、培训条件、培训内容等，受训层面包括受训者态度、意识、认知、能力和应用等，并运用AHP算法确定权重。评价指标体系如表1所示。

三、BP神经网络评价模型的建立

确定了网络层数、每层节点数、传递函数、初始权系数、学习算法等内容也就确定了BP神经网络。虽然确定上述内容可遵循一定的原则，但更多的是靠经验和试凑。下面给出BP神经网络模型的具体步骤：

（一）确定BP网络的结构

1.输入层节点的确定。根据边疆高校培训指标体系构造三层BP 神经网络，以第三级评价指标为参照标准，共有37个神经网络的输入层节点。

2.输出层节点的确定。建立评价模型的最终目的是能够得到一个准确反映培训效果的量化值，即BP 神经网络模型的输出值。设定输出层的节点数为1个，其取值介于0、1之间。

3.隐含层节点的确定。关于隐层数及其节点数的选择比较复杂，基本原则是：在能正确反映输入输出关系的基础上，选用较少的隐层节点数，使网络结构尽量简单。现采用试凑法，利用公式 确定隐含层节点的个数[3]，其中 为隐含层节点数， 为输入层节点数， 为输出层节点数， 为常数。最终确定隐含层最佳节点数为9个。

（二）确定传递函数

神经元选用sigmoid型传递函数。样本集的BP网络训练显示，tansig型传递函数比logsig型函数的误差小，因此，隐层传递函数改用tansig型函数。输出层传递函数选用purelin函数。

（三）权值和阈值初始设置。

合理设置 BP 神经网络连接权值和阈值的初始范围，将有效缩短网络的学习时间。权值和阈值的范围通常设置为[-1，1]或 （ 为网络输入层节点数）。[4]经过测试，现将权值和阈值的初始范围设为[-1，1]。

（四）误差的选取

对于标准算法误差，每次修改权矩阵均未考虑修改后样本作用的输出误差是否减小的因素，这可能导致迭代次数增加。对于累计误差，增加样本数量又会导致误差值增大。均方误差MSE能够较好地克服上述两个缺陷，为此，均方误差算法较为合理。

其中， 为输出节点数， 为样本容量， 为网络期望输出值， 为网络实际输出值。

（五）学习算法的选择

文中选用LMBP 优化算法。该算法是传统学习算法的改进，具有可自适应调整最速下降法和高斯—牛顿法、误差可沿恶化方向搜索、收敛速度快、精确度高等优点。

（六）进行网络训练

取69个样本进行训练。由于对输入变量进行归一化处理，权值的可解释性会弱化。为此，文中输入变量不进行归一化，只对输出变量归一化。[5]同时考虑培训效果不能出现好与坏极端情况，并且还能为网络输出值预留波动范围，所以，归一化公式选取为endprint

目标输出值落在区间[0.05，0.95]内，可表征评价结果，若0.9≤y<0.95，则评价结果为优秀；若0.8≤y<0.9，则评价结果为良好；若 0.7≤y<0.8，則评价结果为合格；若 0.6≤y<0.7，则评价结果为基本合格；若0.05≤y<0.6，则评价结果为不合格。

（八）神经网络模型测试

取30个测试样本，经最终训练后的神经网络模型输出的结果与被调查教师自我评价结果的比对，误差较小，保持较好的一致性。具体如表2所示。

通过试验对比，充分说明该BP神经网络模型训练速度快，误差小，精度高，可以对边疆高校教师培训效果做出客观的评价。

结束语

基于BP神经网络的评价模型能够对边疆高校培训情况进行客观、准确的评价。通过设计评价指标体系，确定网络结构层数和节点数，选取高效的传递函数和误差，规避了评价过程中的主观因素，简化了传统教师培训评价复杂的操作过程。同时，该模型具有可操作性强，使用范围广泛等优点，也可为其他领域的评价提供参考。

参考文献：

[1]贯昌福，刘君. 关于边疆高校培训体系的建设与思考[J].黑河学院学报，2013（4）：52-54.

[2]郭遂红，陈元骊.大学英语教师网络培训评价研究[J].外语电化教学，2014（158）：69-74.

[3]Yam J Y F，Chow T W S.Feed forward networks training speed enhancement by optimal initialization of the synaptic co-efficients[J].IEEE Transactions on Neural Networks，2001，34（5）：73-85.

[4] Jemei S，Hissel D，Pear M C，et al.On-board fuel cell power supply modeling on the basis of neural network methodology[J].Journal of Power Sources，2003，124（ 2）：479-486.

[5]Lee Hzhn-Ming，Chen Chih-Ming.Learning efficiency improvement of back-propagation algorithm by error saturationprevention method[J].Neurocomputing，2001，41（1 -4）： 125-143.

作者简介：刘君（Liu Jun），男，1979年出生，黑龙江省黑河学院教师，讲师，硕士，研究方向为运筹学与控制论。吴晓莉（Wu Xiaoli），女，1965年出生， 黑龙江省黑河学院人事处处长，教授，硕士，研究方向为教育管理。

bp神经网络模型分析 第10篇

针对误差反向传播(BP)算法训练速度慢和易于陷入局部最小值的缺点,提出了利用遗传算法(GA)的.全局寻优性,结合GA和BP的各自优点,分析和建立了进化神经网络(GA-BP)模型,并将该模型应用于似大地水准面模型精化.最后以南方某市E级GPS控制网高程数据为例,进行BP和GA-BP模型的对比实验,通过对内、外符合精度及MAPE(平均绝对误差百分比)指标分析,验证了该方法的可行性.

作 者： 作者单位： 刊 名：全球定位系统 英文刊名：GNSS WORLD OF CHINA 年，卷(期)： 34(4) 分类号：P225 关键词：BP神经网络   遗传算法   GPS高程   似大地水准面  

 

浅谈BP人工神经网络 第11篇

浅谈BP人工神经网络

人工神经网络有很多模型,但是目前应用最广泛的、基本思想最直观、最客易理解的.是前馈神经网络中的误差逆传播学习算(Error Back Propagation),简称为BP神经网络.它是前馈神经网络中的核心部分,也是最精华的部分.

作 者：柴燕茹 马岩 作者单位：哈尔滨商业大学,管理学院,哈尔滨,150028刊 名：学理论英文刊名：THEORY LEARNING年，卷(期)：2008“”(22)分类号：Q983关键词：神经元 神经网络 局限性

bp神经网络模型分析 第12篇

大坝变形分析遗传神经网络模型的改进

针对基本遗传算法(SGA)收敛速度慢、局部寻优能力差等缺陷,采用十进制编码,引入改进的算术交叉、非均匀变异操作等算法,分析和建立了改进的遗传神经网络(IGA-BP)模型,并将该模型应用于大坝水平位移的预测.结果表明,该模型在收敛速度、预报精度等方面比传统模型有较大的`改善.

作 者：李珂 岳建平马保卫 周凯 秦茂芬 LI Ke YUE Jian-ping MA Bao-wei ZHOU Kai QIN Mao-fen  作者单位：李珂,岳建平,马保卫,秦茂芬,LI Ke,YUE Jian-ping,MA Bao-wei,QIN Mao-fen(河海大学土木工程学院,江苏,南京,210098)

周凯,ZHOU Kai(福建省陆海建设监理所,福建,福州,350009)

刊 名：测绘工程  ISTIC英文刊名：ENGINEERING OF SURVEYING AND MAPPING 年，卷(期)： 17(2) 分类号：P258 关键词：遗传算法   IGA-BP   变异算子   数学模型   变形分析  

bp神经网络模型分析 第13篇

财务危机在国外主要是从资产流动性不足、难以偿还到期债务和破产角度进行定义,而我国业界普遍认同财务危机企业被定义为企业明显无力按时偿还到期的无争议的债务而面临的困难与危机,企业的盈利能力存在严重问题,面临较大的财务风险。我国中小企业财务危机的主要影响因素有:偿债能力,包括总资产报酬率、销售净利润、 净资产收益率和成本费用利用率;偿债能力,包括流动比率、速动比率、资产负债率和利息保障倍数;资产营运能力,包括总资产周转率、存货周转率和应收账款周转率;增长能力,包括营业收入增长率、净资产增长率、营业利润增长率和总资产增长率;现金流量状况,包括净利润收现率、 经营净现金流动负债表、经营净现金总负债比、营业收入现金含量和总资产现金回收率。上述五个主要影响因素的结合,能较为全面的反应企业的财务状况,是判断中小企业财务危机的量化指标,在中小企业财务危机预测与分析中起着重要作用。

中小企业的财务危机是一个复杂的多因素影响的非线性系统,难以用简单的试验进行分析。BP(Back Propagation)神经网络技术是一种新型的人工智能技术,在研究非线性系统方面有着无可比拟的优势,目前已广泛应用在工艺优化、性能预测、销售预测、选址优化、危机预测等方面。 因此,本文采用不同的训练函数构建BP神经网络模型,进行中小企业财务危机的预测与分析。

二、BP神经网络预测模型设计

由于我国的中小企业绝大部分为非上市企业,所以本文以广东省50家非上市中小企业和重庆市40家非上市中小企业为样本数据,利用MATLAB的神经网络工具箱,构建20×38×14×1四层拓扑结构的中小企业财务危机BP神经网络预测模型,并通过选取的70组样本数据对BP神经网络模型进行训练,提高模型的预测精度。

(一)模型参数的设计本文构建的中小企业财务危机BP神经网络预测模型,其结构示意图如图1所示。BP神经网络模型的四层结构分别为输入层、隐含层一、隐含层二和输出层。输入层用以接收外部数据和信号、输出层用以输出神经网络模型的处理结果,隐含层主要用以进行内部运算,选择两个隐含层是未来提高模型的预测精度。输出层选用logsig函数、隐含层采用tansig函数,并选用总资产报酬率、销售净利润、净资产收益率、成本费用利用率、流动比率、速动比率、资产负债率、利息保障倍数、总资产周转率、 存货周转率、应收账款周转率、营业收入增长率、净资产增长率、营业利润增长率、总资产增长率、净利润收现率、经营净现金流动负债比、经营净现金总负债比、营业收入现金含量、总资产现金回收率共20个参数作为该模型的输入参数,以财务状况作为该模型的输出参数。

在各输入参数中,总资产报酬率=利润总额÷总资产、 销售净利润=净利润÷营业收入、净资产收益率=净利润÷平均股东权益、成本费用利用率=利润总额÷成本费用总额、 流动比率=流动资产÷流动负债、速动比率=速动资产÷流动负债、资产负债率=总负债÷总资产、利息保障倍数=息税前利润÷利息费用、总资产周转率=营业收入÷平均资产总额、 存货周转率=主营业务成本÷平均存货余额、应收账款周转率=营业收入÷平均应收账款、营业收入增长率=(本期营业收入-上期营业收入)÷上期营业收入、净资产增长率=(期末净资产-期初净资产)÷期初净资产、营业利润增长率= (本期营业利润-上期营业利润)÷上期营业收入、总资产增长率=(期末总资产-期初总资产)÷期初总资产、净利润收现率=经营性净现金流量÷净利润、经营净现金流动负债比=经营性净现金流量÷流动负债、经营净现金总负债比= 经营性净现金流量÷总负债、营业收入现金含量=经营净现金流量÷营业收入、总资产现金回收率=经营净现金流量÷ 平均总资产。输出参数财务状况以0代表财务危机、1代表财务正常。

(二)数据归一化设计为了避免系统输入绝对值过大的参数造成系统不稳定,并确保各参数具有同等地位,本实验对各输入参数进行了归一化处理。由于输出层选用的是logsig函数且输出参数财务状况已限定为0或1,所以该BP神经网络模型输出的财务状况值无需进行归一化处理。

(三)训练过程设计由于训练函数对BP神经网络模型的预测精度和预测能力产生重要的影响,因此首选进行常用的traingdm、traingd和trainlm三种训练函数进行训练过程试验,试验结果见表1。由表1可以看出,与traingdm和traingd函数相比,trainlm训练函数的精度最高、训练时间最短,因此本试验选用trainlm函数为BP神经网络模型的训练函数。

三、BP神经网络模型训练与预测

(一)模型训练与误差分析中小企业财务危机BP神经网络预测模型在进行预测前需进行训练,训练函数为trainlm函数、动量因子为0.9、学习速率为0.01、学习误差为1×10-5、训练步数为100000。从上述90组非上市中小企业样本数据中选取70组样本数据,作为训练样本数据。由于模型的输出参数财务状况是以0代表财务危机、1代表财务正常,所以训练样本的训练误差=训练值-实际值,若训练误差=0表示训练值与实际值吻合,即训练输出值正确;若训练误差=1或-1,则表示训练值与实际值不吻合,即训练输出值错误。训练试验的结果如图2所示。由图2可以看出, 在70组训练样本数据中,仅有3组训练输出值错误,训练输出值的错误率为4.29%。这说明该BP神经网络预测模型能较好的反应出各输入参数与输出参数财务状况之间的对应关系,可用于进行中小企业财务危机的预测与分析。

(二)模型预测与验证分析为了验证本文构建的中小企业财务危机BP神经网络模型的预测能力和预测精度,选取了20组未经训练的样本数据作为验证样本。验证样本的预测误差,如表2所示。从表2可以看出,本文构建的中小企业财务危机BP神经网络模型对未经训练的20组样本数据进行预测时,仅有1组样本预测错误,预测输出值的错误率为5%。由此可以看出,经过训练的BP神经网络预测模型能真实反应出中小企业上述20个财务指标与企业财务危机之间的关系,能较好的实现对未经学习样本数据的识别和预测,具有较好的预测能力和较高的预测精度,具有较强的实用价值。

(三)模型应用为了进一步验证本文构建的中小企业财务危机BP神经网络模型的实际预测能力,将该模型实际应用到广东省300余家中小企业中,企业普遍反应该模型具有较好的预测能力和预测精度,为企业财务危机预测提供了一种较为实用的模型,可推广应用到其它地区的中小企业中。

四、结论

利用MATLAB的神经网络工具箱,以总资产报酬率、销售净利润、净资产收益率、成本费用利用率、流动比率、速动比率、资产负债率、利息保障倍数、总资产周转率、存货周转率、应收账款周转率、营业收入增长率、净资产增长率、营业利润增长率、总资产增长率、净利润收现率、经营净现金流动负债表、经营净现金总负债比、营业收入现金含量、总资产现金回收率为输入层参数,以财务状况为输出层参数,选用logsig输出层函数、tansig隐含层函数、trainlm训练函数,构建20×38×14×1四层拓扑结构的BP神经网络模型,可以实现较高精度的中小企业财务危机预测。在中小企业财务危机BP神经网络预测模型中,与traingdm和traingd函数相比,trainlm训练函数的精度最高、训练时间最短。中小企业财务危机BP神经网络预测模型的训练输出值的错误率为4.29%、预测输出值的错误率为5%,模型具有较好的预测能力和较高的预测精度。

摘要：本文以资产负债率等在内的20个主要财务指标为输入层参数,以财务状况为输出层参数,选用trainlm训练函数,构建20×38×14×1四层结构的中小企业财务危机BP神经网络预测模型,并进行精度验证和实用证实。结果表明:该BP神经网络模型具有较好的预测能力和较高的预测精度,其训练输出值的错误率为4.29%、预测输出值的错误率为5%;与traingdm和traingd函数相比,trainlm训练函数的精度最高、训练时间最短。

bp神经网络模型分析 第14篇

企业财务风险通常表现为企业财务状况的恶化和经营成果的降低，其结果将会直接导致企业获利能力、偿债能力、营运能力和成长能力的下降，而这四个方面能力的综合即为企业的实际经营绩效。企业财务风险的发生，最终体现为企业实际经营绩效与经营目标之间出现非预期的负偏差。通过对这种负偏差及其偏差程度的分析，来综合判断企业财务风险是否发生以及财务风险状态的严重程度。定量财务指标如表1所示：

（一）模糊综合评价进行表层分析企业经营绩效评价指标体系是一个多层次、多指标的评价体系。考虑到企业经营绩效可以从A1~A4四个能力方面来评价，每一个方面在整个评价体系中的权重系数，可以由包括专家、企业管理人员及相关技术人员在内的n类有关人员依据各自的经验和方法分别给予评价。

评价结果Wik组成模糊关系评价矩阵：W=（W1，W2，W3，W4）=W11W12W13W14W21W22W23W24……Wn1Wn2Wn3Wn4，其中：Wik=1，Wik:表示第i个专家对第k方面的评价，再利用线性加权法：AK=ai·Wik（k=1，2，3，4）得出上述四方面的权重系数。其中ai为第i类人员的加权系数。

（二）BP神经网络模型内部分析以上A1～A4四个方面整体构成评价体系的表层。然后，为克服模糊综合评价这种定性方法的局限性，对每个方面中各能力指标采用人工神经网络模型来进行深层次的定量评价。

（1）构建BP网络模型结构。把这四个方面分别构造成为四个小的人工神经网络，由于前向反馈式BP神经网络具有精度高、误差小等优势，目前大多采取BP网络。其传导结构如图1所示。

BP网络是一种单向传播的多层前向网络。它采用梯度搜索技术，以使网络的实际输出值与期望输出值的误差方值为最小。其网络结构是由输入层、输出层和隐层组成，其中隐层可以是一层，也可以是多层，前层至后层节点通过网络权值相连接，同层节点中没有任何祸合，输入层和隐层的激活函数通常为Sigmoid型。但是在隐层和输出层之间的激活函数可以是线性的。Sigmoid型传递函数表达式为：f（x）=。

（2）确定模型初始权重。采用完全随机化的初始权重确定方法，通常的初始权重值与偏差值随机化方法都是在区间（-1，l）之间取均匀分布的随机数的函数，式中i，k，j分别为输入层、隐含层和输出层神经元数，rand(m,n)为m行n列的均匀分布的随机数矩阵，I(m,n)为m行n列的全1矩阵，目的是保证权值分布在区间（-1，l）范围内。这样初始权值W与阈值B为：W1=rand（k，i）-I（k，i），W2=rand（j，k）-I（j，k），B1=rand（k，1）-I（k，1），B2=rand（j，1）-I（j，1）

该函数分为线形区和饱和区，当神经元工作于饱和区时，函数变化缓慢，需经过较长的一段时间才能跳出该区域，而工作于线形区时，由于函数的变化较快，使得神经元的自我调节容易，因而收敛速度较快。如果初始权重选择的区域过大，神经元落入饱和区的概率也就越大，其收敛速度也就会很慢，但如果区域选得过小，同样会降低神经元的活性，影响网络的收敛速度。为验证上述理论，选择了［-15，15］到［-0.001，0.001］等9个区间，产生随机权重，通过分析输出的一系列累积误差变化，得出前两者当随机权值产生区间在［-0.25，0.25］之间时，两模型的收敛速度均为最快;而后两者只有当随机权值产生区间在［-0.2，0.2］之间时，两模型收敛为最快。

（3）学习次数与精度确定。BP神经网络的学习过程是由模式的正向传播和误差的反向传播所组成。在正向传播中，输入信息经隐含单元逐层处理并传向输出层。如果输出层不能得到所期望的输出，则转入反向传播过程，将实际值与网络输出之间的误差沿原来的连接通路返回，通过修改各层神经元的连接权重使误差减小，然后再转入正向传播过程。如此反复计算，直到误差小于设定值，学习过程结束。一般来讲，网络学习次数越多，其输出结果的精度越高，但学习次数多其网络训练时间也越长，另外，如果学习样本选择不当，网络精度越高，意味着其记录的错误信息越多，也会对网络的应用效果产生不利影响。为此，通过网络训练比较，前两者模型中，网络训练次数定为15万次，而后两者网络训练次数则定为16万次为宜。

（三）利用网络输出进行模糊评价通过上述步骤得出的能力系数由输出层Oj=（1，2，3，4）输出，其结果分别为R1'、R2'、R3'、R4'，则最终得到企业经营绩效的综合评价结果:AiR'i

二、财务风险控制

利用模型进行财务风险识别之后，对于存在企业内部的风险，必须实施有效的策略加以控制，从而达到财务风险管理的最终目的。这里从风险状态转移、机制改善和企业特性优化这三个不同深度的层面，分析企业财务风险控制的基本途径。

（一）风险状态转移风险状态转移是企业财务风险控制策略最为直接的形成途径，它是对企业在某一环节或区域存在的风险因素，采取直接的纠正措施加以整治，使企业由严重风险状态逐步向较低风险状态转移。企业综合评价指数值处于风险状态区域的原因可从以上所说的四个方面来反映，那么风险状态转移策略的制定也可从这些方面来考虑。例如盈利能力指标类评价指数值及其单项指标的评价指数值过小，则说明企业的盈利能力处于风险状态，经营者应采取增加销售收入或降低生产成本的对策，以扩大企业利润边际额，增强企业盈利能力。如果运营能力处于风险状态，经营者就应注意加强原材料、在制品、产成品等企业存货及其它流动资产的管理，改善企业销售政策，促进应收帐款的及时回收，以改变企业资产周转效率太低的状态。偿债能力处于风险状态，企业经营者应设法扩大股票发行量或促进股票价格提高，以增加权益资本价值，或者缩小债务帐面价值，改善企业资本结构。如果成长能力处于风险状态，企业经营者应考虑优化企业产品结构，开辟企业新的利润增长点，从而改变企业发展缓慢或处于停滞的状态。

（二）风险机制改善改善企业风险机制相对于风险状态转移，能在更深层次上控制企业财务风险的发生与扩散，能够提高企业财务风险控制的能力。改善企业财务风险机制，应从建立结构完善的风险控制制度，促进企业管理层及员工树立正确的风险观念和掌握科学的风险控制的基本方法等方面出发。一是加强企业管理决策过程中的风险观念。财务风险是客观存在的，只要有财务活动，就必然存在着财务风险。而在现实工作中，企业管理人员对财务风险的客观性认识不足，缺乏风险意识，通常认为只要管好用好资金就不会产生财务风险。二是建立健全企业财务风险控制制度。要把风险机制引入企业管理活动中，把风险观念融入企业内部控制制度中，让企业经营管理者及其员工在市场竞争中承担风险责任。

（三）企业特性优化优化企业特性则是从根本上和战略上最大限度地防范与控制企业财务风险的发生，提高企业控制财务风险的能力和水平，保障企业的长期生存和持续发展。一般来讲，企业当前的经营成果和财务状况，是在企业过去经营成果和财务状况的基础上，由当前的企业特性因素综合影响和作用的结果；未来的经营成果和财务状况，则是过去、目前和将来的企业特性因素综合影响和作用的结果。因此，对企业特性的优化是提高企业经营成果、改善企业财务状况、控制企业财务风险的根本途径和战略措施。

参考文献：

［1］姜长生、王从庆：《智能控制与应用》，科学出版社2007年版。