時間：2023-06-08 11:18:20
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇神經網絡基本原理，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
【關鍵詞】BP神經網絡；函數逼近
1.緒論
人工神經網絡（artificial neural network，ANN）是模仿生物神經網絡功能的一種經驗模型。生物神經元受到傳入的刺激，其反應又從輸出端傳到相聯的其它神經元，輸入和輸出之間的變換關系一般是非線性的。
1.1 BP神經網絡定義
BP （Back Propagation）神經網絡是一種神經網絡學習算法。相鄰層之間各神經元進行全連接，而每層各神經元之間無連接，網絡按有教師示教的方式進行學習，當一對學習模式提供給網絡后，各神經元獲得網絡的輸入響應產生連接權值（Weight）。此過程反復交替進行，直至網絡的全局誤差趨向給定的極小值，即完成學習的過程。
1.2 BP神經網絡模型及其基本原理
網絡的輸入層模擬的是神經系統中的感覺神經元，它接收輸入樣本信號。輸入信號經輸入層輸入， 通過隱含層的復雜計算由輸出層輸出，輸出信號與期望輸出相比較，若有誤差，再將誤差信號反向由輸出層通過隱含層處理后向輸入層傳播。在這個過程中，誤差通過梯度下降算法，分攤給各層的所有單元，從而獲得各單元的誤差信號，以此誤差信號為依據修正各單元權值，網絡權值因此被重新分布。此過程完成后， 輸入信號再次由輸入層輸入網絡，重復上述過程。這種信號正向傳播與誤差反向傳播的各層權值調整過程周而復始地進行著，直到網絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數為止。權值不斷調整的過程就是網絡的學習訓練過程。
2.BP網絡在函數逼近中的應用
2.1 基于BP神經網絡逼近函數
步驟1：假設頻率參數k=1，繪制要逼近的非線性函數的曲線。
步驟2：網絡的建立
應用newff（）函數建立BP網絡結構。隱層神經元數目n可以改變，暫設為n=3，輸出層有一個神經元。選擇隱層和輸出層神經元傳遞函數分別為tansig函數和purelin函數，網絡訓練的算法采用Levenberg Marquardt算法trainlm。
同時繪制網絡輸出曲線，并與原函數相比較，結果如圖3.3所示。
其中 “――” 代表要逼近的非線性函數曲線；
“……” 代表未經訓練的函數曲線；
因為使用newff（ ）函數建立函數網絡時，權值和閾值的初始化是隨機的，所以網絡輸出結構很差，根本達不到函數逼近的目的，每次運行的結果也有時不同。
步驟3：網絡訓練
應用train（）函數對網絡進行訓練之前，需要預先設置網絡訓練參數。訓練后得到的誤差變化過程如圖2.1所示。
步驟4： 網絡測試
對于訓練好的網絡進行仿真：
其中 “――” 代表要逼近的非線性函數曲線；
“” 代表未經訓練的函數曲線；
“” 代表經過訓練的函數曲線；
從圖中可以看出，得到的曲線和原始的非線性函數曲線很接近。這說明經過訓練后，BP網絡對非線性函數的逼近效果比較好。
3.結束語
神經網絡在近幾年的不斷發展，在人工智能、自動控制、計算機科學、信息處理、機器人、模式識別等眾多方面都取得了不錯的成績，給人們帶來了很多應用上的方便，和一些解決問題的方法，期待神經網絡可以應在在更多的領域，為人類做出更大的貢獻。
參考文獻：
[1] 劉煥海，汪禹.《計算機光盤軟件與應用》. 北京： 高等教育出版社，2011.10：15-30.
關鍵詞：生物發酵 BP神經網絡 算法研究
1 概述
現代意義上的微生物發酵工程是指在一定條件下使微生物增殖，從而產生對人類有價值的生物成份的過程[1]。發酵過程是一個基于微生物生長繁殖和控制的生物化學反應過程，和普通意義上的上的工業控制不同，具有非線性、時變性和時滯性等特點，內部機理非常復雜。因此對于發酵過程的控制一直都是發酵工業生產中的難點。隨著科技進步，新的非線性控制技術的發展為控制發酵過程提供了有力的工具。
當前對于發酵過程的控制，其基本原理是將發酵過程中的主要控制因素采用一定的人工手段進行干預，以發酵過程中所產生的發酵液溫度、PH值等關鍵因素為控制指標，并將其進行動態監測，從而將發酵過程控制在人們所期望的的范圍內。由于發酵過程具有實時性，因此對于發酵過程的控制按時間特性可分為離線控制和在線控制兩大類[2]。隨著研究的深入，在線控制已經成為研究的重點。在線控制是一種基于反饋信息的過程控制方法。其原理是實時監測發酵系統的輸出值期望值之間的誤差，按照一定的過程控制算法進行調整，將發酵過程中關鍵的發酵指標控制在期望范圍之內。本文將就發酵過程的在線控制方法和實踐展開討論。
2 發酵過程控制的硬件系統簡介
對發酵過程的控制是建立在必要的硬件條件基礎上的。發酵系統的組成主要由兩部分構成：即發酵裝置和控制器。對于發酵過程的控制關鍵是控制溫度、溶氧、pH值等。這些因素都可以通過實時監測發酵裝置傳感器信息來實現。
本文中以大腸桿菌發酵產生類人膠原蛋白為例，需要監測的主要內容有四項：pH值、溫度、溶氧量和尾氣。監測設備分別為：pH電極、鉑電極、溶氧電極和尾氣分析儀。
對于發酵過程的智能控制，重點是實現對控制器的智能化，在下一節中將進行具體的討論。在本文中所涉及的控制器軟件的智能化設計基于silicoulab公司的片上系統芯片（SoC），發酵裝置型號為NLF22機械攪拌式發酵罐，發酵罐罐體上裝配有監測溫度、溶氧、pH值等參數的傳感器和尾氣分析儀。這類實時數據的監測和控制在LabVIEW圖形化編程軟件設計的人機交互界面上進行。
3 BP人工神經網絡控制原理
發酵過程具有高度的非線性特點，因此在本文中采用適合于給類問題的基于BP神經網絡控制算法。該算法不依賴精確數學模型，具有非線性的映射能力，可以從大量實時監測數據中尋找輸入和輸出之間的非線性關系，計算出最優的控制量，從而實現對發酵過程的有效控制。
人工神經網絡控制算法是建立在現代神經生物學和仿生學對人類大腦活動的認識模式研究的基礎上，通過構造人工神經元形成的網絡來模擬神經活動，是當前人工智能研究的熱點和智能化控制的研究方向。
人工神經元是神經網絡算法的基本信息處理單元，其輸入輸出關系可由式（1）和式（2）來描述：
Ii=■wijxj-θi （1）
yi=f(Ii) （2）
上式中，xj為來自于其他與本神經元相連接的神經元所傳遞的輸入信息，wij為神經元I，j之間的信息權重；θi為閾值；函數f稱為作用函數或轉移函數。
目前在人工神經網絡研究中已經有很多種網絡模型，本文中所采用的是前饋式神經網絡模型。BP算法（(Error Back Propagation)即屬于這類前饋式網絡模型，該模型以神經網絡的誤差平方和為目標函數，以某種優化算法（如梯度法）計算使得目標函數最小的控制值[3]。其拓撲結構可參考相關文獻。
4 BP神經網絡的應用
本文中以大腸桿菌發酵生產類人膠原蛋白過程為例，簡介BP神經網絡智能控制在其發酵過程控制中的應用。
4.1 輸入層和輸出層節點數分析 依據工神經網絡運行的基本原理，輸入層的節點數是由訓練樣本數據的維數來決定，輸出層的節點數則取決于控制者的實際控制目標。在本文算例中，發酵過程的關鍵控制因素主要有4個，即酸堿度（pH值）、溫度、溶氧度、攪拌速度和時間。這五類數據通過傳感器數據可以方便的得到，因此將其作為訓練樣本，并得到樣本數據的維數為5，輸入層的單列節點數為4。對輸出層而言，依據生產經驗，在膠原蛋白的發酵過程中的關鍵因素為溶氧量，因此將其作為關鍵控制因素和最終控制目標，由此可得到輸出層的節點數為1個。
4.2 隱含層層數和隱含層節點數分析 本文中設定隱含層的層數為1（原因可參照單隱含層對非線性函數的逼近特性[4]）。隱含層的節點數可由式（3）進行計算：
m=■+■ （3）
其中，m為隱含層的節點數，N表示輸入層的節點數，L表示輸出層的節點數，P表示新樣本數據，α為1-10之間的常數。依據實測數據（此處從略），可計算得到隱含層的節點數為18。
4.3 程序實現 本文中采用Matlab編程實現上述BP神經網絡控制，其基本步驟概述如下。
首先利用newff()函數來生成上述指定結構的神經網絡，其參數設定如式（4）所示：
NET=newff(minmax(p)，[4]，18，1）{‘tansig'，'purelin'，}，'traingd
m) （4）
其次設定基于上述網絡NET的訓練參數，該步驟涉及到的函數的參數設定結果為：NET.trainParam.epochs=500、NET.train Param.goal=0.02、NET.trainParam.show=25、NET.trainParam.Ir=0.05。
最后采用命令[NET，tr]=train(NET，Fd，T) 訓練上述神經網絡。
5 結果分析
表1中對比了采用BP神經網絡控制前后的利用大腸桿菌發酵產生類人膠原蛋白的產物濕重產量（g）。有表1可見，通過對發酵過程的BP神經網絡控制后，膠原蛋白的產物濕重總體有明顯的提高，表明該方法在這類發酵過程控制中是有效的。
6 結語
生物發酵過程是一個復雜的過程，具有高度非線性和難于用精確數學模型描述的特點。本文利用BP神經網絡控制方法來綜合控制發酵過程中的關鍵因素，以氧容量作為控制要點，經過網絡訓練后可提高對發酵過程中關鍵因素的控制效果，實踐表明可大幅度的提高類人教員蛋白的產物濕重產量。上述結果表明利用智能算法控制這類高度非線性的生物發酵過程較之于傳統方法具有明顯的優勢，是今后生物發酵過程控制中重要的研究方向。
參考文獻：
[1]陶興無.生物工程概論[M].北京:化學工業出版社，2011.
[2]謝玉龍.FF現場總線在泰樂霉素發酵控制系統中的應用[D].濟南:山東大學，2009.
Abstract： Recently， flower market has a great development in China. Accurate irrigation is concerned. This paper mainly intruduces the principle of the automatic irrigation system， and makes a program to control the irrigation volume inautomatic irrigation system， using BP neural network model and matlab software.
關鍵詞： 精準灌溉；神經網絡算法；溫室花卉
Key words： precise irrigation；nerual network algorithm；greenhouse flowers
中圖分類號：S274 文獻標識碼：A 文章編號：1006-4311（2012）35-0069-02
0 引言
受地形條件和季風氣候的影響，我國水資源分布十分不平衡，造成許多地區嚴重缺水，因此水資源短缺已成為困擾這些地區的首要問題。節水工程是緩解水資源短缺的一項系統性工程，其主要包括時空調節水資源、天然降水的利用以及增加植物自身對水分的利用率等手段。節水灌溉是實現可持續利用水資源的關鍵技術，如何精細的灌溉花卉也成為人們一直致力于研究的課題。農作物對養分和水分的利用率受施肥量和灌溉量是否合理的影響很大。基于花卉水脅迫聲發射的機理可以實現對花卉的精準灌溉，但是如何使得灌溉量最優目前還沒有辦法解決。本文將通過將人工神經網絡引入到花卉灌溉系統中，實現為花卉在生長過程中提供適當的水和肥料，從而可以大大提高花卉的質量、降低生產成本、節約水肥等等。
1 理論知識
1.1 花卉節水灌溉及水脅迫聲發射 生命的活動離不開水，植物也不例外。植物產量的下降受水分虧缺的影響很大，據有關資料統計，水分虧缺對植物產量造成的影響比其他因素的總和還要多。植物對水分的吸收和散失一般是由其自身的器官和周圍的環境的相互作用來完成的，例如SPAC（土壤-植物-大氣連續體）中各個環節的共同作用[3]。土壤、植物、氣候這三個方面可以對植物是否缺水進行判別，其主要評價校準一般分為三類：①以植物自身為評分對象；②以環境為對象，利用環境條件的改變對植物的需水量進行估計，例如通過水面的蒸發量來估算植物自身的耗水量，從而得出植物的需水量；③以土壤為對象對植物的水量進行判斷。
近年來，隨著人們對植物水分機理研究的不斷深入，人們發現了植物會通過自己的“語言”來向我們發出缺水信號，也就是我們常說的“會說話的植物”。植物的語言被定義為植物的“聲發射”現象，即植物缺水會造成水流在水流通路中出現斷裂，從而發出爆裂聲。聲發射由于物體受外界作用發生形變時激發的能量被迅速釋放而產生的一種瞬態應力波[2]。水分在植物體內傳輸需要依靠張力。干燥的土壤會使張力大大增加，當超過平衡極限時，會造成于水分子對導管壁的粘附力和各分子間的內聚力失效，從而導致連續的水柱遭到破壞，造成斷裂，也就是常說的“空穴現象”。空穴一旦出現，張力會因突然被釋放產生沖擊波，同時產生聲發射信號。以往的研究資料表明，聲發射信號可以作為自動灌溉系統的信號發生源，以一個特殊的植物相應反饋實現精細灌溉。
1.2 BP神經網絡及相關算法[4] BP神經網絡算法是Rumelhart于1985年提出的，其基本思想是：通過輸出誤差來估計輸出層得直接前導層的誤差，然后利用前導層的誤差估計其前導層的誤差，隨著一層層的傳遞計算，就能得到所有層的誤差估計。BP神經網絡模型在處理信息方面有著很好的應用價值，基本原理是：通過中間節點將輸入信號Xi作用于輸出節點，經過一系列的非線性變換得到輸出信號Yk。BP算法的實現過程是在輸入層的神經元上加載各項指標數據X，利用連接權向前一步步傳遞，最后到達隱含層神經元，然后經過轉換函數的處理后輸出信號被傳遞到網絡輸出層。BP神經網絡模型一般包括自學習模型、誤差計算模型、作用函數模型和輸入輸出模型。
1.2.1 自學習模型：？駐Wij（n+1）=h×？覫i×oj+a×？駐Wij（n）
式中：h-學習因子；？覫i-輸出節點i的計算誤差；oj-輸出節點j的計算輸出；a-動量因子。
1.2.2 誤差計算模型 通過誤差計算模型能夠得到神經網絡的計算輸出值和期望輸出值之間的誤差，其函數表達式為：Ep=1/2×？撞（tpi-Opi）2
式中：tpi-i節點的希望輸出值；Opi-i節點的計算輸出值。
1.2.3 作用函數模型 作用函數又叫作刺激函數，其主要用來反映輸入值對上一層的節點刺激脈沖的強度的大小，函數表達式為定義域為（0，1）的Sigmoid函數，即f（x）=1/（1+e-x）。
1.2.4 節點輸出模型
a.輸出節點輸出模型：Yk=f（？撞Tik×Qj-qk）
b.隱節點輸出模型：Oi=f（？撞Wij×Xi-qj）
2 溫室花卉在水脅迫聲發射下的灌溉測量
雖然，利用植物的聲發射信號可以知道花卉何時缺水，何時需要開始灌溉，但灌溉量多少也就是何時停止灌溉卻無法判別。長期以來，灌溉量一般由花農自己的經驗進行判斷，然而不同的環境條件下，灌溉量將發生變化，因此很難將經驗值引入到自動灌溉系統中。BP神經網絡模型具有很好的自學習能力，可以對這個經驗值進行學習，從而實現灌溉量的自動控制。本文將利用遺傳算法和人工神經網絡算法，結合matlab軟件和ARM單片機芯片實現對溫室花卉在水脅迫發射下灌溉量的預測。
近年來，聲發射技術被廣泛的應用于水脅迫問題的研究中。植物在缺水情況受到水脅迫的程度可以利用聲發射技術進行檢測并通過傳感器記錄下來。當土壤的含水量低于植物生長所需的適宜指標以下時，則灌溉應開始進行，灌溉量得多少可以根據以下公式進行計算：
I=1/1.5（0.085h×d×c-W（T））
式中：I-灌溉量，m3/667m；h-計劃層土壤深度，cm；d-土壤容重，g/cm3；c-田間持水量；W（T）-計劃層土壤水分存儲量預報值，mm。
花卉一般是在溫室環境中生長，筆者通過建立土壤水分存儲量最小值、蒸發量、空氣濕度、光照、環境溫度與花卉聲發射相互作用的數學模型，利用水脅迫聲發射自動檢測系統得到相應的數據，從而對不同因素間的相互關系進行研究。自動灌溉系統的模型的基本原理是通過測試系統得到的花卉各參數被輸入到ARM中，然后利用BP神經網絡算法進行數據處理，從而求出溫室花卉的土壤水分存儲量的預報值。
2.1 BP神經網絡實現多參數綜合控制 根據BP神經網絡處理信息的原理，將樣本中實驗所得的輸出值作為期望的輸出值T，而模型輸出Y是通過將各指標值X輸入到神經網絡模型計算得到的，它們的誤差計算函數表達式為：
E=1/2（T-Y）2
利用BP神經網絡的自學習模型，經過反復迭代，逐漸降低誤差，直到低于容許誤差值。
2.2 模型各參數的關聯性 在花卉水脅迫自動灌溉系統中，灌溉起始時間和灌溉量的多少是由周圍土壤水分存儲量的預報值進行控制的。聲發射信號和土壤水分存儲量的預報值有著緊密的關系，因為土壤中的水含量決定植物吸收水分的多少，當其含水量小于土壤水分存儲量的預報值時，植物就會由于缺水導致聲發射現象的產生。如果能找到聲發射現象發生時的土壤的含水量，那么通過計算花卉正常生長所需的含水量與零界含水量之間的差值，那么灌溉量的多少便可以確定。
植物散失水分主要是因為表面蒸發，當水分的蒸發量大于水分的吸收量時，植物體內便會出現缺水。所以，蒸發量和聲發射信號之間的關系也可以作為判別植物水脅迫的指標。植物在灌溉結束初期的蒸發量比較大，聲發射頻率較高，但隨著水脅迫程度的不斷增大，表面蒸發量便逐漸減小。溫度和光照與聲發射信號也具有一定的關系，例如上午的光照強度和溫度一般情況下會逐漸增加，植物體內的聲發射頻率也就逐漸增大；中午之后，隨著光照和溫度的降低，聲發射頻率便會響應的減小[5]。
2.2.1 BP神經網絡結構模型基本參數的確定 為保證BP神經網絡的非線性特性，輸入層的傳遞函數表達式為f（x）=1/（1-exp（-x）），而輸出層采用函數體為y（x）=Ax的線性傳遞函數，這樣可以保證神經網絡輸出值的任意性。本模型的輸入節點為4個：光照、蒸發量、溫度及聲發射信號；輸出節點1個：土壤水分存儲量預報值。
2.2.2 輸入數據歸一化 數據歸一化是為了把輸入數據轉變為BP神經網絡模型合適的診斷、學習形式，其實質是將輸入數據無量綱化。經歸一化處理后，每個輸入數據都在0-1之間，最后還需利用反歸一函數（歸一化函數的逆函數）將數據值進行還原。本文所采用的歸一化函數和反歸一化函數的表達式如下所示：
歸一化函數：Xn=2×■-1；
反歸一化函數：X1=0.5×（Xn+1）×（Ximax-Ximin）+Ximax
2.2.3 隱層節點數的優化 BP神經網絡的學習時間、是否能收斂、容錯能力等特性很大程度上是由網絡中隱層節點數的多少決定的。逐步回歸分析算法可以實現對參數的顯著性檢查并動態的出去部分線性相關的隱層節點，其基本原理是：當前節點想下一層節點所發出的所有閾值和權值如果都處于死區中時，這一節點便可以刪除。最佳隱層節點數的計算公式為：L=（m+n）1/2+c
式中：m-輸入節點數；n-輸出節點數；c-（1，10）區間內的人藝實數，本模型c=6。
2.2.4 BP神經網絡算法的實現過程 本程序所使用的神經網絡算法的實現步驟如下：
①對連續權值和閥值的初始化。②將學習數據提供給網絡。③計算各中間層各單元的輸入與輸出。④計算輸出層各單元的輸入與輸出。⑤計算輸出層各單元的一般化誤差。⑥計算中間層各單元的一般化誤差。⑦調整中間層到輸出層之間的連接權值和輸出層各單元的閥值。⑧調整輸入層到中間層之間的連接權值和中間層各單元的閥值。⑨隨機選取下一組學習數據對并提供給網絡，返回到第③步，直到全部數據訓練完成。⑩更新學習次數，返回到③，知道規定的學習次數N完成。
參考文獻：
[1]孫景生，康紹忠.我國水資源利用現狀與節水灌溉發展對策[J].農業工程學報，2000，16（2）：35-38.
[2]耿榮生.聲發射技術發展現狀[J].無損檢測，1998，20（6）：151-154，158.
[3]楊世鳳.作物水脅迫聲發射測試系統的研究[J].振動、測試與診斷學報.2001，增刊：123-127.
[關鍵詞]有機碳含量評價 神經網絡
中圖分類號：TP183 文獻標識碼：A 文章編號：1009-914X（2015）45-0356-01
1 BP神經網絡基本原理
BP神經網絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行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為止。
2 BP神經網絡工作機理
2.1 正向傳播
圖中，表示神經元的輸入，表示輸入層與隱含層之間權值，為隱含層與輸出層之間的權值，f（）為傳遞函數，為第k個神經元輸出。假設BP神經網絡輸入層有n個節點，隱含層有q個節點，輸出層m個節點。
隱含層第k個神經元的輸入：
經過傳遞函數f（）后，則隱含層第k個神經元的輸出：
其中f（）為單調遞增且有界，所以一定有最大值。
輸出層第j個神經元輸出：
2.2 反向傳播
輸入P個學習樣本，通過傳入網絡后，輸出，第P個樣本誤差：
式中：期望
全局誤差E：
輸出層權值的變化，通過調整，使得全局誤差E最小，得出輸出層神經元權值調整公式：
隱含層神經元的調整公式：
3 應用實例
選擇AC，DEN，CNL，GR，PE，RD作為輸入曲線。XX井的53個點的巖心數據，從中選出30個點作為訓練樣本，23個點作為預測，構建網絡，對全井段處理。結果對比（如圖3-1），發現神經網絡計算的TOC比傳統的法計算的TOC效果好。其中TOC_NN為神經網絡預測TOC，TOC_DaltalogR_AC為法計算的TOC。
4 結論
BP神經網絡預測TOC克服了常規解釋模型的缺陷，不用選擇解釋參數，計算結果與解釋人員經驗無關，預測結果精度有較大幅度的提高。利用多種測井解釋數據及巖心分析資料作為網絡訓練樣本，通過網絡的訓練、學習，建立了BP網絡TOC模型，并利用該模型預測該地區新井的TOC值，實驗證明用該模型進行TOC預測是可行的。
參考文獻
[1]楊斌.神經網絡及其在石油測井中的應用[M].北京：石油工業出版，2005：111-115.
[2]羅利，姚聲賢.神經網絡及模式識別技術在測井解釋中的應用[J].測井技術，2002.
關鍵詞：預警 粗集 神經網絡 戰略風險
企業戰略風險預警管理是戰略風險管理理論的一種改進或延伸，通過提供可操作的預警分析方法與預控對策，在企業現有的職能的基礎上，增設對未來的戰略管理活動的監測、診斷、控制、矯正等預警職能，使企業的職能結構更完善、更合理。旨在戰略風險發生以前，采取措施予以控制，盡可能地避免給企業帶來更為嚴重的損失。
選擇恰當的預警方法將對預警結果起到關鍵的作用。目前國內外已有大量的預測、預警方法和模型，如人工神經網絡(ANN)預警方法、模糊(FUZZY)預警、自回歸條件異方差(ARCH)預警等。但每種方法都有自己的適用范圍，因此在使用這些預警方法時就要根據具體問題進行分析和選擇。神經網絡是一種大規模并行的非線性動力系統，盡管它具有自組織、并行處理及容錯能力等優點，但由于其自身的缺點，比如隨著維數的增加,學習時間激劇增長和易陷入局部最小點等導致預警結果存在很大的偏差。而粗集方法的引入可以克服神經網絡的不足，粗集方法在不改變原有決策規則的前提下，對原始數據進行屬性和對象的約簡，求出簡化的決策規則，并應用此規則對神經網絡的結構和層次進行簡化，從而提高了神經網絡的工作效率和工作質量。
因此，對粗集與神經網絡這兩種方法進行優勢互補，并將其用于企業戰略風險預警的研究具有一定的可行性。本文提出基于粗集-神經網絡的預警方法，為企業戰略風險預警提供了一種新的研究思路和方法，同時也能更好地豐富和完善企業風險預警的理論與方法。
粗集-神經網絡的基本原理
粗集理論和神經網絡是智能信息處理的兩種重要的方法,其任務是從大量觀察和實驗數據中獲取知識、表達知識和推理決策規則。粗集理論是基于不可分辯性思想和知識簡化方法,從數據中推理邏輯規則,適合于數據簡化、數據相關性查找、發現數據模式、從數據中提取規則等。神經網絡是利用非線性映射的思想和并行處理方法,用神經網絡本身的結構表達輸入與輸出關聯知識的隱函數編碼,具有較強的并行處理、逼近和分類能力。在處理不準確、不完整的知識方面,粗集理論和神經網絡都顯示出較強的適應能力,然而兩者處理信息的方法是不同的,粗集方法模擬人類的抽象邏輯思維,神經網絡方法模擬形象直覺思維,具有很強的互補性。
首先,通過粗集理論方法減少信息表達的屬性數量,去掉冗余信息,使訓練集簡化,減少神經網絡系統的復雜性和訓練時間;其次利用神經網絡優良的并行處理、逼近和分類能力來處理風險預警這類非線性問題,具有較強的容錯能力;再次,粗集理論在簡化知識的同時,很容易推理出決策規則,因而可以作為后續使用中的信息識別規則,將粗集得到的結果與神經網絡得到的結果相比較,以便相互驗證;最后,粗集理論的方法和結果簡單易懂,而且以規則的形式給出,通過與神經網絡結合,使神經網絡也具有一定的解釋能力。因此,粗集理論與神經網絡融合方法具有許多優點,非常適合處理諸如企業戰略風險預警這類非結構化、非線性的復雜問題。
基于粗集－神經網絡的戰略風險預警方法的具體過程
首先對所研究的戰略風險的指標樣本特征數據，用粗集進行預處理,進行屬性約簡,提取出重要的特征屬性,然后對這些屬性離散歸一化，并經閥值處理成粗集方法所要求的0-1表，再對0-1表用粗集理論的方法進行數據約簡與規則提取，對已提取的規則計算其精確度和覆蓋度，以此來配置粗集-神經BP網絡的隱層節點與初始連接權值，最后根據訓練好的神經網絡系統將訓練結果作為輸入數據進行識別和分類,以判斷企業是否會發生戰略風險。（基于粗集-神經網絡構造圖見圖1所示）
輸入模塊。這一階段包括初始指標體系確定，根據所確定的指標體系而形成的數據采集系統及數據預處理。企業戰略風險的初始評價指標如下：
企業外部因素：政治環境(法律法規及其穩定性)，經濟環境（社會總體收入水平，物價水平，經濟增長率），產業結構（進入產業障礙，競爭對手數量及集中程度），市場環境（市場大小）。
企業內部因素：企業盈利能力（銷售利潤率，企業利潤增長率），產品競爭能力（產品銷售率，市場占有率），技術開發能力（技術開發費比率，企業專業技術人才比重），資金籌措能力（融資率）,企業職工凝聚力（企業員工流動率），管理人才資源，信息資源；戰略本身的風險因素（戰略目標，戰略重點，戰略措施，戰略方針）。
本文所建立的預警指標系統是針對普遍意義上的企業，當該指標系統運用于實際企業時，需要對具體指標進行適當的增加或減少。因為各個企業有其具體的戰略目標、經營活動等特性。
計算處理模塊。這一模塊主要包括粗集處理部分和神經網絡處理部分。
粗集處理階段。根據粗集的簡化規則及決策規則對數據進行約簡，構造神經網絡的初始結構，便于神經網絡的訓練。
企業戰略風險分析需要解決的問題是在保證對戰略風險狀態評價一致的情況下,選擇最少的特征集,以便減少屬性維數、降低計算工作量和減少不確定因素的影響,粗集理論中的屬性約簡算法可以很好地解決這個問題。
粗集理論主要研究一個由對象集和屬性集構成的數據結構,該數據結構通常稱為決策表,其形式如表1所示。決策表中的對象集表示某些觀察、個體或狀態,屬性集表示對象的描述,如特征、癥狀、癥兆等。屬性集分為條件屬性和決策屬性兩大類。其中U={X1,X2,...,Xn}稱為對象集,C={F1,F2,...,Fm}為條件屬性集,D為決策屬性;fij表示第i個對象的第j個狀態屬性值,di表示第i個對象的決策屬性值。
通過觀察發現，決策表是協調的，在去掉決策表中的冗余屬性、冗余的對象的同時不會改變原有的決策規則。
當UIND（F-Si）≠UIND（F）說明Si是不可約簡的，反之則可約簡。
神經網絡階段。采用BP算法，對所輸入數據進行訓練，獲取報警的知識。
采用最常用的三層BP前向神經網絡,網絡各層之間完全連接,包括權矩陣W(1)連接的輸入層S1與隱含層S2,權矩陣W(2)連接的隱含層S2與輸出層S3,如圖2所示。神經網絡算法包括網絡結構確定、網絡參數(權矩陣W(1)和W(2)的初始值、學習率η、動量因子β、非線性函數參數α及誤差閾值ε)確定、訓練樣本數據處理、權值計算、誤差計算等步驟。（見圖2）
BP算法成功的關鍵在于權矩陣W(1)和W(2)的初始值、網絡隱含層節點的個數以及學習因子等參數的選取,如果選擇得不合適,可能會導致網絡訓練失敗、陷入局部最優或得到比較差的分類結果,特別是權矩陣W(1)和W(2)的初始值的選取過程缺乏嚴格的理論依據,一般要根據經驗及試驗選取。權矩陣W(1)表示的是各項指標在整個指標體系的重要程度,其確定方法一般采用定性的方法,目前多采用層次分析法來確定權矩陣W(1),使指標權重的確定更具客觀性。首先明確內部的層次結構關系及其各組成因素之間的相互關系,然后通過專家對兩因素之間的相對重要程度的比較和判斷,建立判斷矩陣,運用相應的數學方法進行分析和處理,以得出不同指標間的相對重要性權重。
權矩陣W(2)表示的是各個隱含層節點對輸出層的影響程度,在大多數的有關神經網絡的文獻中，其初始值取0～0.1之間的很小的隨機數,通過多次迭代學習,反復修改權值,一直到神經網絡收斂為止。在選取W(2)的初始值時,首先根據經驗初步選取W(2)的初始值,如全部設定為0.05,然后用一組實際的數據進行試驗,如果輸出結果與實際結果相差很多,則按照某種規則修改W(2)的初始值,再用另一組數據進行試驗,一直到輸出值與實際值小于給定的數值為止,最后確定出W(2)的初始值。
輸出模塊。該模塊是對將發生的戰略風險問題發出警報。
警限是劃分不同警度的臨界值，表現為某一預警指標在一定的警度下變化的最大允許的振幅，常以數量形式表現出來。按照戰略風險大小強弱程度的不同，可將其分為三個層次。第一層次是輕微戰略風險，是損失較小、后果不甚明顯，對企業的戰略管理活動不構成重要影響的各類風險。這類風險一般情況下無礙大局，僅對企業形成局部和微小的傷害。第二層次是一般戰略風險，是損失適中、后果明顯但不構成致命性威脅的各類風險。這類風險的直接后果使企業遭受一定損失，并對其戰略管理的某些方面帶來較大的不利影響或留有一定后遺癥。第三層次是致命性戰略風險，指損失較大，后果嚴重的風險。這類風險的直接后果往往會威脅企業的生存，導致重大損失，使之一時不能恢復或遭受破產。在實際操作中，每個企業應根據具體的狀況，將這三個層次以具體的數值表現出來。
為了簡單明了的表述預警結果，可將企業的警度分為三級:無警、輕警、重警，并用綠、黃、紅三種顏色燈號表示。其中綠燈區表示企業綜合指標所反映的實際運行值與目標值基本一致，運行良好;黃燈區表示企業綜合指標所反映的實際運行值與目標值偏離較大，要引起企業的警惕。若采取一定的措施可轉為綠燈區，若不重視可在短期內轉為紅燈區;紅燈區則表示這種偏離超過企業接受的可能，并給企業帶來整體性的重大損失。例如:銷售利潤率極低、資產負債率過高，資源配置不合理、缺乏發展后勁等，必須找出原因，繼而采取有效措施，使企業的戰略管理活動始終處于“安全”的狀態。
本文提出了粗集與神經網絡融合進行企業戰略風險的預警方法,通過粗集減少屬性的數量,提取主要的特征屬性,降低神經網絡構成系統的復雜性及計算時間，結合神經網絡系統的容錯能力、并行處理能力、抗干擾能力及處理非線性問題能力,將粗集與神經網絡進行串行結合,但這僅僅是在理論上的一種嘗試，還需通過實證分析驗證此方法的可行性和有效性。
參考文獻：
1.曾黃麟,曾謙.基于粗集理論的神經網絡[J].四川輕化工學院學報,2000
關鍵詞 BP神經網絡 數據挖掘 最速下降法 函數逼近 模式識別
中圖分類號：TP391 文獻標識碼：A
1研究背景
BP神經網絡是一種多層的前饋網絡而且它的學習算法是一種誤差逆向傳播算法。BP神經網絡是目前研究最為成熟、應用最為廣泛的人工神經網絡模型之一。由于其結構簡單、可操作性強、具有較好的自學習能力、能夠有效地解決非線性目標函數的逼近問題等優點，因此被廣泛應用于自動控制、模式識別、圖像識別、信號處理、預測、函數擬合、系統仿真等學科和領域中。
2 BP神經網絡原理
2.1概述
BP神經網絡是一種反向傳播誤差算法然后訓練的一個多層前饋網絡，簡稱為BP算法，它應用在已被開發出來的神經網絡中，到目前為止是應用最為廣泛的網絡模型之一。BP神經網絡可以學習并且存儲非常多的輸入模式與輸出模式之間的映射關系，卻無需在學習和存儲前事先揭示并描述輸入輸出間的映射關系的一種數學方程。它使用最速下降法，通過對輸出誤差的反向傳播，獲得不斷調整網絡連接權系數和閾值的信息，最終使神經網絡的平方誤差最小，達到期望要求。
2.2 BP神經網絡結構
BP神經網絡模型是一個三層網絡，它的拓撲結構可被劃分為：輸入層、輸出層、隱含層。其中輸入層與輸出層具有更重要的意義，因此它也可以為兩層網絡結構（把隱含層劃入輸入層或者把隱含層去掉）。每層都由許多簡單的能夠執行并行運算的神經元組成，這些神經元與生物系統中的那些神經元非常類似，但其并行性并沒有生物神經元的并行性高。BP神經網絡是一個前饋網絡，因此它具有前饋網絡所具有的特性：相鄰兩層之間的全部神經元進行互相連接，而處于同一層的神經元不能進行聯接。
2.3 BP算法原理
BP神經網絡的基本原理是把一個輸入矢量經過隱含層的一系列變換，然后得到一個輸出矢量，從而實現輸入數據與輸出數據間的一個映射關系。輸入信息的正向傳播，以及輸出誤差的反向傳播，構成了 BP網絡的信息循環。BP算法根據輸出誤差來修改各神經元連接的連接權系數，其目的是使輸出誤差達到預計范圍內。BP網絡需要實際輸出與期望輸出之間的誤差來確定是否要修改神經元連接的連接權系數。其中，期望輸出便是該網絡意義上的“導師”。BP網絡具有對稱性的網絡結構，在輸出端的每一個處理單元基本上都具有一個相同的激勵函數。
BP算法由正向傳播和反向傳播兩部分組成。在正向傳播過程中，輸入信息從輸入層經隱層單元處理后，傳至輸出層。每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到期望輸出，就轉為反向傳播，即：把誤差信號沿連接路徑返回，并通過修改各層神經元之間的連接權值，使誤差信號最小。
具體的算法步驟可概括如下：
第一步，選取初始權值、閾值。
第二步，重復下述過程直至滿足性能要求為止：
（1）對于學習樣本P=1到N
①計算每層各節點j的輸出yj，netj和的值（正向過程）；
②對各層從M層到第二層，對每層各節點反向計算%]j（反向過程）；
（2）修改權值
具體推導過程見參考文獻4。
3基于BP神經網絡設計的實例
3.1函數逼近
我們設計一個簡單的BP網絡，實現對非線性函數的逼近。通過改變該函數的參數以及BP網絡隱層神經元的數目，來觀察訓練時間以及訓練誤差的變化時間。將要逼近的非線性函數設為正弦函數，其頻率參數k可以調節。假設頻率參數k=2，繪制此函數的曲線。如圖1。
（1）網絡建立：用MATLAB編程建立BP網絡結構，為二層BP神經網絡。隱層神經元數目n 可以改變，暫時設為n=10，輸出層有一個神經元。網絡訓練采用Levenberg-Marquardt算法trainlm。
分析：因為建立網絡時，權值和閾值的初始化是隨機的，所以網絡輸出結果很差，根本達不到函數逼近的目的，并且每次運行的結果也有所不同。
（2）網絡訓練：在MATLAB里應用train（）函數對網絡進行訓練之前，需要預先設置訓練參數。將訓練時間設置為50，訓練精度設置為0.01，其余參數用默認值。
（3）網絡測試：對于訓練好的網絡進行仿真，繪制網絡輸出曲線，并與原始非線性函數曲線相比較，結果如下圖2。
由此可看出，得到的曲線和原始的非線性函數曲線很接近。這說明經過訓練后，BP網絡對非線性函數的逼近效果非常好。
（4）討論分析：改變非線性函數的頻率和BP網絡隱層神經元的數目，對于函數逼近的效果有一定的影響。網絡非線性程度越高，對BP網絡的要求越高，則相同的網絡逼近效果要差一些；隱性神經元的數目對于網絡逼近效果也有一定的影響，一般來說隱形神經元數目越多，則BP網絡逼近非線性函數的能力越強，同時網絡訓練所用的時間相對來說也要長一些。
參考文獻
[1] 閆志忠.BP神經網絡模型的改進及其應用研究[D].吉林大學，2003.
[2] 李友坤.BP神經網絡的研究分析及改進應用[D].安徽理工大學，2012.
[3] 吳昌友.神經網絡的研究及應用[D].東北農業大學， 2007.
【關鍵字】 網絡安全 神經網絡 魚群算法 評價
目前應用較廣泛的BP神經網絡評價算法存在著網絡參數難確定、收斂速度較慢且易陷入極小值等問題。為了解決上述問題，本文應用魚群算法對BP神經網絡進行了改進，結合網絡安全評價實例進行了測試，并將測試數據與標準BP神經網絡進行了比較與分析，取得了理想的結果。
一、基本BP神經網絡算法
BP神經網絡算法是一種采用誤差反向傳播的多層前饋感知器。其特點是具有分布式的信息存儲方式，能進行大規模并行處理，并具有較強的自學習及自適應能力。BP網絡由輸入層（感知單元）、計算層（隱藏層）、輸出層三部分組成。輸入層神經元首先將輸入信息向前傳遞至隱含層節點，經過激活函數預處理后，隱層節點再將輸出信息傳送至輸出層得到結果輸出。輸入層與輸出層節點的個數取決于輸入、輸出向量的維數，隱含層節點個數目前并沒有統一的標準進行參考，需通過反復試錯來確定。
二、人工魚群算法
2.1基本原理
人工魚群算法是指通過長期對魚類覓食行為的觀察，構造人工魚來模擬魚類的覓食、群聚、尾隨以及隨機行為，從而完成全局最優值的尋找。算法所包含的基本過程如下：覓食行為：魚類會利用視覺或嗅覺來感知水中食物濃度的高低，以此來選擇覓食的路線。聚群行為：魚類一般會以群體形式進行覓食，以此來躲避天敵的傷害并以最大概率獲得準確的覓食路線。尾隨行為：當群體中的某條魚或幾條魚尋找到食物后，其附近的其他同伴會立刻尾隨而來，其他更遠處的魚也會相繼游過來。隨機行為：魚在水中的活動是不受外界支配的，基本上處于隨機狀態，這種隨機性有利于魚類更大范圍的尋找食物及同伴。
2.2魚群算法優化BP神經網絡的原理
BP神經網絡在求解最優化問題時容易陷入局部極值，并且網絡的收斂速度較慢。魚群算法通過設定人工魚個體，模擬魚群在水中的覓食、尾隨和群聚行為，通過個體的局部尋優，最終實現全局尋優。人工魚在不斷感知周圍環境狀況及同伴狀態后，集結在幾個局部最優點處，而值較大的最優點附近一般會匯集較多的人工魚，這有助于判斷并實現全局最優值的獲取。因此用人工魚群算法來優化BP神經網絡是一種合理的嘗試。
2.3具體工作步驟
①設定BP神經網絡結構，確定隱層節點數目；②設定人工魚參數，主要包括個體間距離、有效視線范圍以及移動步長等；③人工魚進行覓食、群聚及尾隨行為來優化BP神經網絡；④通過設定的狀態參量，判斷是否達到目標精度；⑤若達到精度要求則輸出網絡優化權值，并執行網絡循環，否則繼續改化參數進行優化；⑥輸出最終優化參數并進行計算機網絡安全評價。
三、實驗與結果比較
將網絡安全的17項評價指標的分值作為BP神經網絡的輸入，網絡的期望輸出只有一項，即安全綜合評價分值。BP神經網絡需要一定數量的已知樣本來訓練，然后才能用訓練好的網絡進行評價。目前用于網絡安全綜合評價的數據還很少，本文采用的是文獻[3]里面的15組數據，其中將1～10項用作網絡訓練，11～15項用作仿真輸出。
算法用Matlab語言實現。通過實驗分析，本文將網絡隱含層節點數設為5，權值調整參數α=0.1，閾值調整參數β=0.1，學習精度ε=0.0001。網絡經過2000次訓練，收斂于所要求的誤差，然后對檢驗樣本及專家評價樣本進行仿真，結果如表1所示，可以看出，魚群神經網絡模型進行計算機網絡安全評價中的平均誤差較小，僅為2.13%，仿真值與標準輸出值非常接近，說明魚群神經網絡對網絡安全評價有很好的泛化和擬合性；而標準BP神經網絡預測結果的平均誤差為4.96%，預測值與實際值偏離較大，說明標準BP神經網絡在網絡安全評價中擬合性不好，測試效果不佳。
關鍵詞：再生混凝土 廣義神經網絡 bp神經網絡 強度預測
abstract：presents a new method by introducing grnn. using the actual data as the forecasting analytic stylebook，and comparing the forecasting result to the bp neural network.the results of the study show that the grnn has greater accuracy than the bp neural network，which is more effective to forecast the strength of concrete
key words：recycled concrete grnn bp neural network forecasting prediction of strength
引言
再生混凝土是通過對廢棄混凝土進行一系列的回收利用等過程而形成的新混凝土。再生混凝土技術可以實現廢棄混凝土的有效回收利用，對于保護環境、節約資源、發展生態建筑具有重要的意義，通常被認為是發展綠色生態混凝土的主要措施之一。近些年來，眾多學者對再生混凝土進行了一系列研究，取得了許多成果。對于普通混凝土而言，灰水比是進行混凝土強度預測的重要影響因素；但是對再生混凝土來說，其影響因素眾多，這些因素與強度之間的關系非常復雜，采用傳統的線性模型無法準確描述它們之間的關系。在實際應用中，確定再生混凝土的抗壓強度較復雜，往往需要進行許多復雜的實驗，從而測定其抗壓強度。廣義神經網絡（gnn）在函數逼近能力和學習速度上有較強的優勢，調整的參數較少，只有一個分布常數，可以更快的找到合適的預測網絡。鑒于此，本文利用grnn對再生混凝土28d的抗壓強度建立了預測模型，并利用此模型對不同配比條件下的再生混凝土的抗壓強度進行了預測。
1、廣義神經網絡的基本原理
廣義回歸神經網絡是徑向基函數神經網絡的一個分支，是一種基于非線性回歸理論的前饋式神經網絡模型。網絡的第1層為徑向基隱含層，神經元個數等于訓練樣本數，該層的權值函數為歐式距離函數（ 用表示），其作用為計算網絡輸入與第1層的權值■之間的距離，■為隱含層閾值。隱含層的傳遞函數為徑向基函數，常用高斯函數 作為網絡的傳遞函數，■稱為光滑因子，■越大，則基函數越平滑。
網絡的第2層為線性輸出層，其權函數為規范化點積權函數，計算網絡的向網絡的第2層為線性輸出層，其權函數為規范化點積權函數，計算網絡的向量■，它的每個是由向量■和權值矩陣■中每行元素的點積再除以向量■的各元素之和得到的，提供給線性傳遞函數■，計算網絡輸出。
廣義回歸神經網絡連接權值的學習修正使用bp算法，由于網絡隱含層結點中的作用函數采用高斯函數，高斯函數作為一種局部分布對中心徑向對稱衰減的非負非線性函數，對輸入將在局部產生響應，即當輸入信號靠近基函數的中央范圍時，隱含層結點將產生較大的輸出，由此可以看出這種網絡具有局部逼近能力，這也是該網絡學習速度快的原因.此外，grnn中人為調節的參數少，只有一個閾值，網絡的學習全部依賴數據樣本，這個特點決定了網絡能最大限度地避免人為主觀假定對預測結果的影響。
2、基于grnn的再生混凝土抗壓強度預測建模
2.1模型變量的選取
影響再生混凝土抗壓強度的因素眾多，本文參照文獻[8]提取與再生混凝土強度相關的變量，把水泥、粉煤灰、水、砂、石、再生骨料、減水劑等7個參數作為輸入變量，輸出為抗壓強度。
2.2 數據處理
本文以文獻[8]中的24個數據作為數據樣本。其中前9個數據作為測試數據，后15個數據作為訓練數據，實驗數據如表1所示。為了預測的準確性，對原始數據在[0，1]范圍內進行歸一化處理。
3、實例分析
關鍵詞：仿生態神經網絡群 神經網絡集成 車型識別
中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2015）11-0000-00
Abstract： According to the similarity of ecosystem model and multiple neural network model， the paper proposed the model of bionic neural network group （BNNG） algorithm， which combines the feature extraction and AR model to improve the accuracy of the vehicle classification， and reduces the error rate.
Key words： Bionic Neural Network Group； Neural Network Ensemble； Vehicle Recognition
神經網絡集成是計算機模式識別及群智能理論的研究主要方向，目前神經網絡集成還沒有形成統一的理論框架，集成的內部依然是一個黑箱問題，里面權值和結構到底發生了哪些變化，沒有形成統一的結論。本文在研究多種神經網絡分類識別的實驗中，發現了神經網絡集成理論同生態系統模型有著一定的相似度，故對其進行模型預測，同時利用交通車型識別來驗證本模型的正確性。
1 仿生態神經網絡群算法（BNNG）的模型提出
生態系統是自然界的一個完美的動態進化模式，其內部進化靠互助、競爭等規則來完成，神經網絡群按照生態系統進化規則進行演變，故稱之為仿生態神經網絡群。
神經網絡集成是用有限個神經網絡對同一個問題進行學習，集成在輸入示例下的輸出由構成神經網絡集成的各神經網絡在此示例下的輸出共同決定。需要經過大量數據的訓練和檢驗才能夠達到最終理想的輸出，內部各網絡之間是交叉相錯的，彼此之間的依存、競爭同樣使其結構達到最終的平衡。生態系統模型與神經網絡集成有一定的相似性，本出簡單模型匹配預測，具體如表1。
2 仿生態神經網絡群算法（BNNG）數學模型構建
根據生態群落進化規則，本文將BNNG算法分為主體網絡和激勵網絡，具體算法結構如圖1。
傳統神經網絡模型分為輸入層（input）、隱層（hide layer）和輸出層（output layer），處理信息的基本原理是：輸入信號通過中間節點（隱層點）作用于輸出節點，經過非線形變換，產生輸出信號，網絡訓練的每個樣本包括輸入向量X和期望輸出量T，網絡輸出值Y與期望輸出值T之間的偏差，通過調整輸入節點與隱層節點的聯接強度取值和隱層節點與輸出節點之間的聯接強度以及閾值，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的網絡參數（權值和閾值），訓練即告停止。此時經過訓練的神經網絡即能對類似樣本的輸入信息，自行處理輸出誤差最小的經過非線形轉換的信息，本次假設訓練樣本為，學習率為，第個樣本的誤差為。其中
輸出公式： （2-1）
全局誤差公式： （2-2）
隱層各神經元的權值調整公式為：？？ （2-3）
輸出層各神經元的權值調整公式為： （2-4）
而BNNG的輸出公式為： （2-5）
3 仿生態神經網絡群（BNNG）模型在車型識別中的應用
車型識別是交通量在線統計中的重要步驟，識別率的高低直接影響著整個系統的好壞，所以選取此類實驗來驗證具有重要價值，本文選擇4種車型，各40個樣本進行驗證，具體如表2。
本次BNNG網絡群的主體網絡為BP（Feed-forward backprop）、CBP（Cascade-forward backprop）、EBP（Elman backprop）、TBP（Time-delay backprop）四種，激勵網絡由最基本的原始神經網絡組成，如Perceptron、Radial basis（exact fit）、Radial basis（fewer neurons）、Generalized regression、Linear layer（design），驗證方式為先單一網絡分類，然后是主體網絡分類，最后是將激勵網絡和主體網絡融合形成BNNG網絡后進行分類，通過正確識別率驗證各種算法的有效性，具體結果如表3。
通過表3可以看出主體網絡的識別率要比單一網絡或單個網絡的識別率要高，適當引入激勵網絡將大大提高車型的識別率問題，識別率可以提高到95%以上，其恰好是模型匹配進化的重要規則之一，驗證了模型的正確性。
4結語
本文提出仿生態神經網絡群（BNNG）算法一種新的模型，按照生態演變規則對網絡進行建立、進化。通過實驗數據分析得出仿生態神經網絡群確實和自然界生態平衡模型存在著一定的相似性，比如競爭機制，演變結果的可能性，對單個物種作用低的處理機制等方面運行規則相似。經過實驗驗證能夠為神經網絡集成理論統一框架提供理論和實驗參考價值，為在復雜情況下的模式識別提供新的方法和依據。
參考文獻
[1]宋銳，張靜.一種基于BP神經網絡群的自適應分類方法及其應用[J].電子學報，2001年第12A期：1950-1953.
[2]王雙維，陳強.不同車型的車輛聲音與振動信號特征研究[J].聲學技術，2007年第3期：460-463
[3]陳強，李江，王雙維.基于AR模型的車型自動分類技術[J].吉林大學學報（工學版），2007年第2期：325-328.
[4]余佳，李益華.一種基于數據挖掘的車型自動分類方法的研究[J].現代電子技術，2012年第9期：119-121，124.
關鍵詞： 防腐涂層；BP人工神經網絡；厚度預測
中圖分類號：TE42 文獻標識碼：A 文章編號：1671－7597（2012）0310029－02
0 引言
管道外防腐層從傳統的石油瀝青或瀝青瓷漆、煤焦油和煤焦油瓷漆、聚乙烯和聚丙烯膠帶逐漸演化為主要是擠出包覆/纏繞聚乙烯和聚丙烯、三層聚乙烯和聚丙烯、單層和雙層熔結環氧粉末、液體聚氨酯和聚脲等的現代技術。目前熔結環氧粉末類防腐層（單層和雙層）和聚乙烯類防腐層在管道上得到了廣泛應用，約占國內已建管道防腐層的60%左右[1]。
目前在管道防腐涂敷生產過程中，為了在初始時期保證外涂層厚度達到既定要求，一般根據經驗適當增大原材料的使用量，然后通過在成品管檢測站對涂層厚度進行監測，進而逐漸調整相應的各項參數，使各種原料的使用量趨于合理。這種依靠經驗進行涂層厚度的控制方法不可避免會造成一些不必要的原材料浪費。同時，若在生產過程中由于傳動線以及其它設備波動引起涂層減薄，發現后及時通知操作人員進行參數調節，亦會造成涂層厚度達不到要求。
利用神經網絡的研究成果和影響管道外防腐層各項因素，對外防腐層的厚度進行分析建模，目的是從系統的觀點出發，綜合考慮環氧粉末涂敷量、膠粘劑和聚乙烯/聚丙烯擠出量、傳動線速度和涂敷區預熱溫度對外防腐層厚度的影響。通過現有各項參數對涂層厚度進行預測，是神經網絡分析在管道外涂層厚度研究中應用的一個嘗試。
1 神經網絡模式識別模型的基本原理
人工神經網絡[2]（ANN：Artificial neural network）是指由大量類似于生物神經系統的神經細胞的人工神經元互聯而成的，具有一定智能功能的網絡。它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。
采用基于BP（Back-Propagation誤差反向傳播）算法的多層感知器（MLP：
Multi layer perception）模型。MLP的網絡拓撲結構如圖1所示。
Fig. 1 Network topological structure of MLP model
圖1所示是一個具體的MLP。該網絡有3層：一個輸入層，一個隱含層，一個輸出層。網絡結構可用“n-j-m結構”描述，其中n、j、m分別表示各層的結點數。每層都有一個權矩陣W、一個偏差矢量b和一個輸出矢量a。
輸入層的輸入矩陣是：
各層的輸出矢量分別是：
其中的 表示有效傳輸函數（Active transferfunction），各層權矩陣的維數由輸入分量數目及層神經元數決定。網絡的學習就是各層權矩陣及偏差矢量的變化。
應用人工神經網絡對管道外防腐涂層厚度進行預測主要包括以下的過程：
1）設計神經網絡。根據具體的問題給出的輸入矢量與目標矢量，確定所要設計的神經網絡的結構，包括：① 網絡的層數；② 每層的神經元數；③ 每層的有效傳輸函數。
2）網絡學習前的數據處理。它包括收集有關的變量，評價和提取有效的變量以及數據變換處理。模式特征提取過程如圖2所示。
3）識別（分類）。網絡按照一定的學習規則，從示范模式的學習中逐漸調整權值。當網絡完成訓練后，對網絡輸入待識別的模式，網絡將以泛化方式給出識別結果。
Fig. 2 Process of feature extraction
2 外防腐層厚度影響因子及神經網絡模型建立
此次預測所用數據是某氣田工程項目鋼管涂敷數據，影響涂層厚度的主要因子有環氧粉末噴槍的供粉氣、配粉氣、膠粘劑的擠出量、聚乙烯的擠出量、傳動線的運行速度以及涂敷區的預熱溫度。上述6個因子共同影響外涂層的厚度，本文旨在說明神經網絡法應用于厚度預測的可能性。
以環氧粉末噴槍的供粉氣、配粉氣、膠粘劑的擠出量、聚乙烯的擠出量、傳動線的運行速度和涂敷區的預熱溫度這6項作為網絡輸入項；以外涂敷層厚度作為網絡輸出項（同時添加了外涂敷層溫度）。取隱含層數為1，隱含層神經元數為8，網絡拓撲結構為6-8-2。隱含層采用S型（Sigmoid）有效傳輸函數，輸出層采用線性有效傳輸函數。
神經網絡模型有多種，本文選用加入動量項的BP網絡模型，并用MATLAB語言[3-4]進行編程。
輸入表1中處理后的前8組數據（學習樣本）到建立好的網絡模型訓練學習，后2組（9-10）數據作為網絡訓練完畢后的檢驗樣本。將檢驗樣本代入訓練好的網絡中檢驗網絡實際應用能力，即是否具有泛化能力。網絡的運行結果見圖3所示，從圖中可見實際值和輸出值基本一致，最大誤差只有2%左右，完全符合實際工作的要求，說明網絡具有很好的泛化能力且利用神經網絡進行外防腐層厚度預測是很成功的。
Fig. 3 Comparison of Study data and Test data
3 結論
1）基于人工神經網絡的管道外防腐層預測模型能夠充分利用現有參數來解決涂層厚度偏厚及偏薄問題，在一定程度上避免了原材料的浪費以及不合格管的產生。
2）對于不同項目、不同要求的涂敷數據，參考實際生產數據后再利用神經網絡效果將會更加明顯。
3）針對某一具體項目涂層厚度建立了預測模型，取得一定的效果。預期對其它項目的生產有較大的指導作用，有較好的適用前景。
參考文獻：
[1]中石油管道公司編，世界管道概述，北京：石油出版社，2004.
[2]袁曾任，人工神經元網絡及其應用[M].北京：清華大學出版社，1999.
[3]樓順天、于衛、閆華梁，MATLAB程序設計語言[M].西安：西安電子科技大學出版社，1997.
[4]聞新，MATLAB神經網絡應用設計[M].科學出版社，2001.
關鍵字 ：神經網絡，BP模型，預測
中圖分類號：TP183文獻標識碼： A
1 引言
在系統建模、辨識和預測中，對于線性系統，在頻域，傳遞函數矩陣可以很好地表達系統的黑箱式輸入輸出模型；在時域，Box-Jenkins方法、回歸分析方法、ARMA模型等，通過各種參數估計方法也可以給出描述。對于非線性時間序列預測系統，雙線性模型、門限自回歸模型、ARCH模型都需要在對數據的內在規律知道不多的情況下對序列間關系進行假定。可以說傳統的非線性系統預測，在理論研究和實際應用方面，都存在極大的困難。相比之下，神經網絡可以在不了解輸入或輸出變量間關系的前提下完成非線性建模[4，6]。神經元、神經網絡都有非線性、非局域性、非定常性、非凸性和混沌等特性，與各種預測方法有機結合具有很好的發展前景，也給預測系統帶來了新的方向與突破。建模算法和預測系統的穩定性、動態性等研究成為當今熱點問題。目前在系統建模與預測中，應用最多的是靜態的多層前向神經網絡，這主要是因為這種網絡具有通過學習逼近任意非線性映射的能力。利用靜態的多層前向神經網絡建立系統的輸入/輸出模型，本質上就是基于網絡逼近能力，通過學習獲知系統差分方程中的非線性函數。但在實際應用中，需要建模和預測的多為非線性動態系統，利用靜態的多層前向神經網絡必須事先給定模型的階次，即預先確定系統的模型，這一點非常難做到。近來，有關基于動態網絡的建模和預測的研究，代表了神經網絡建模和預測新的發展方向。
2 BP神經網絡模型
BP網絡是采用Widrow-Hoff學習算法和非線性可微轉移函數的多層網絡。典型的BP算法采用梯度下降法，也就是Widrow-Hoff算法。現在有許多基本的優化算法，例如變尺度算法和牛頓算法。如圖1所示，BP神經網絡包括以下單元：①處理單元(神經元)（圖中用圓圈表示），即神經網絡的基本組成部分。輸入層的處理單元只是將輸入值轉入相鄰的聯接權重，隱層和輸出層的處理單元將它們的輸入值求和并根據轉移函數計算輸出值。②聯接權重(圖中如V,W)。它將神經網絡中的處理單元聯系起來，其值隨各處理單元的聯接程度而變化。③層。神經網絡一般具有輸入層x、隱層y和輸出層o。④閾值。其值可為恒值或可變值，它可使網絡能更自由地獲取所要描述的函數關系。⑤轉移函數F。它是將輸入的數據轉化為輸出的處理單元，通常為非線性函數。
圖1 BP神經網絡結構
2.1 基本算法
BP算法主要包含4步，分為向前傳播和向后傳播兩個階段：
1）向前傳播階段
（1）從樣本集中取一個樣本（Xp，Yp），將Xp輸入網絡；
（2）計算相應的實際輸出Op
在此階段，信息從輸入層經過逐級的變換，傳送到輸出層。這個過程也是網絡在完成訓練后正常運行時的執行過程。
2）向后傳播階段
（1）計算實際輸出Op與相應的理想輸出Yp的差；
（2）按極小化誤差的方式調整權矩陣。
這兩個階段的工作受到精度要求的控制，在這里取 作為網絡關于第p個樣本的誤差測度，而將網絡關于整個樣本集的誤差測度定義為 。圖2是基本BP算法的流程圖。
圖2 BP基本算法流程
2.2 動態BP神經網絡預測算法
在經典的BP算法以及其他的訓練算法中都有很多變量，這些訓練算法可以確定一個ANN結構，它們只訓練固定結構的ANN權值（包括聯接權值和結點轉換函數）。在自動設計ANN結構方面，也已有較多的嘗試，比如構造性算法和剪枝算法。前一種是先隨機化網絡，然后在訓練過程中有必要地增加新的層和結點；而剪枝法則正好相反。文獻[2]中提出了演化神經網絡的理念，并把EP算法與BP進行了組合演化；也有很多學者把遺傳算法和BP進行結合，但這些算法都以時間復雜度以及空間復雜度的增加為代價。根據Kolmogorov定理,對于任意給定的L2型連續函數f: [ 0, 1 ]n Rm , f可以精確地用一個三層前向神經網絡來實現，因而可以只考慮演化網絡的權值和結點數而不影響演化結果。基于此，在BP原有算法的基礎上，增加結點數演化因子，然后記錄每層因子各異時演化出的結構，最后選取最優的因子及其網絡結構，這樣就可以避免由于增加或剪枝得到的局部最優。根據實驗得知，不同的預測精度也影響網絡層神經元的結點數，所以可根據要求動態地建立預測系統。具體步驟如下：
（1）將輸入向量和目標向量進行歸一化處理。
（2）讀取輸入向量、目標向量，記錄輸入維數m、輸出層結點數n。
（3）當訓練集確定之后，輸入層結點數和輸出層結點數隨之而確定，首先遇到的一個十分重要而又困難的問題是如何優化隱層結點數和隱層數。實驗表明，如果隱層結點數過少，網絡不能具有必要的學習能力和信息處理能力。反之，若過多，不僅會大大增加網絡結構的復雜性（這一點對硬件實現的網絡尤其重要），網絡在學習過程中更易陷入局部極小點，而且會使網絡的學習速度變得很慢。隱層結點數的選擇問題一直受到神經網絡研究工作者的高度重視。Gorman指出隱層結點數s與模式數N的關系是：s＝log2N；Kolmogorov定理表明，隱層結點數s＝2n＋1（n為輸入層結點數）；而根據文獻[7]：s＝sqrt（0.43mn＋0.12nn＋2.54m＋0.77n＋0.35）＋0.51[7]。
（4）設置結點數演化因子a。為了快速建立網絡，可以對其向量初始化，
并從小到大排序[4，7]。
（5）建立BP神經網絡。隱含層傳遞函數用tansig，輸出層用logsig，訓練函數采用動態自適應BP算法，并制訂停止準則：目標誤差精度以及訓練代數。
（6）初始化網絡。
（7）訓練網絡直到滿足停止判斷準則。
（8）用測試向量對網絡進行預測，并記錄誤差和逼近曲線，評估其網絡的適應性。其適應度函數采取規則化均方誤差函數。
（9）轉到（5），選取下一個演化因子，動態增加隱含層結點數，直到最后得到最佳預測網絡。
3 基于神經網絡的預測原理[4]
3.1 正向建模
正向建模是指訓練一個神經網絡表達系統正向動態的過程，這一過程建立的神經網絡模型稱為正向模型，其結構如圖3所示。其中，神經網絡與待辨識的系統并聯，兩者的輸出誤差用做網絡的訓練信號。顯然，這是一個典型的有導師學習問題，實際系統作為教師，向神經網絡提供算法所需要的期望輸出。當系統是被控對象或傳統控制器時，神經網絡多采用多層前向網絡的形式，可直接選用BP網絡或它的各種變形。而當系統為性能評價器時，則可選擇再勵學習算法，這時網絡既可以采用具有全局逼近能力的網絡（如多層感知器），也可選用具有局部逼近能力的網絡（如小腦模型控制器等）。
圖3 正向建模結構
3.2 逆向建模
建立動態系統的逆模型，在神經網絡中起著關鍵作用，并且得到了廣泛的應用。其中，比較簡單的是直接逆建模法，也稱為廣義逆學習。其結構如圖4所示，擬預報的系統輸出作為網絡的輸入，網絡輸出與系統輸入比較，相應的輸入誤差用于訓練，因而網絡將通過學習建立系統的逆模型。但是，如果所辨識的非線性系統是不可逆的，利用上述方法將得到一個不正確的逆模型。因此，在建立系統時，可逆性應該先有所保證。
圖4 直接逆建模結構
4 應用實例分析
以我國西南某地震常發地區的地震資料作為樣本來源，實現基于動態神經網絡的地震預報。根據資料，提取出7個預報因子和實際發生的震級M作為輸入和目標向量。預報因子為半年內M>=3的地震累計頻度、半年內能量釋放積累值、b值、異常地震群個數、地震條帶個數、是否處于活動期內以及相關地震區地震級。在訓練前，對數據進行歸一化處理。由于輸入樣本為7維的輸入向量，一般情況下輸入層設7個神經元。根據實際情況，輸出層神經元個數為1。隱含層神經元的傳遞函數為S型正切函數，輸出層也可以動態選擇傳遞函數。實例數據來自文獻[4]，將數據集分為訓練集、測試集和確定集。表1中的7×7數組表示歸一化后的訓練向量，第一個7表示預報因子數，第二個7表示樣本數。
表1 歸一化后的訓練向量
在不同神經元數情況下，對網絡進行訓練和仿真，得到如圖5所示的一組預測誤差曲線。其中，曲線A表示隱層結點數為6時的預測誤差曲線，曲線B表示隱含層結點數為3時的預測誤差曲線，曲線C表示隱含層結點數為5時的預測誤差曲線，曲線D表示隱含層結點數為4時的預測誤差曲線。將五種情況下的誤差進行對比，曲線C表示的網絡預測性能最好，其隱含層神經元數為5，圖中曲線E表示的是隱含層結點數為15時的預測誤差曲線（文獻[4]中的最好結果）。同時也證明，在設計BP網絡時，不能無限制地增加層神經元的個數。若過多，不僅會大大增加網絡結構的復雜性，網絡在學習過程中更易陷入局部極小點，而且會使網絡的學習速度、預測速度變得很慢。
圖5 不同神經元數預測誤差對比曲線
5 結論
本文針對基本的BP神經網絡，提出了可動態改變神經元數（與精度相關）的BP神經網絡預測方法，可以根據實際情況建立預測系統。用此種方法可以建立最好的神經網絡，不會有多余的神經元，也不會讓網絡在學習過程中過早陷于局部極小點。
參考文獻
[1]潘正君，康立山，陳毓屏. 演化計算[M ]. 北京:清華大學出版社，1998
[2]飛思科技產品研發中心. 神經網絡理論與實現. 北京:電子工業出版社，2005
[3]蔡曉芬，方建斌. 演化神經網絡算法. 江漢大學學報，第33卷第3期，2005.9
關鍵詞：品牌競爭力；BP神經網絡；評估指標
一、前言
競爭是市場經濟的本質，企業作為市場經濟的主體也處在各種競爭中。當市場經歷單一的產品競爭、質量競爭、價格競爭、廣告競爭等等之后，以品牌為核心的競爭模式將會成為引領市場的主要形式。企業如果成功塑造了市場領導者品牌，就會形成持續有效的、創造無限價值的競爭力。
品牌競爭力是企業在市場決戰中最重要的能力，用通俗的話說，如果你的產品比其他牌子的同類產品賣得好、賣得快、賣得貴、賣得久，就說明你的品牌競爭力強；反之，就說明你的品牌競爭力弱。因此，評估企業自身品牌的競爭實力成為擺在企業前的一個迫切議題。國內外的一些學者已從不同角度提出科學定量評估品牌競爭力的許多方法：市場表現評估法主要從品牌競爭力的表象方面進行評估；品牌綜合管理能力指標評估法、品牌競爭力基礎工作評估法都只單方面考慮從企業因素來衡量競爭力的強弱，未考慮品牌的顧客因素；與之相對應的基于顧客價值的品牌競爭力評估則沒有考慮品牌對企業的價值體現。因此，本文基于品牌的顧客價值和企業價值的雙重角度，從四個維度建立品牌競爭力評估的指標體系，并運用BP神經網絡模型預測目標品牌的競爭力。
二、品牌競爭力的評估指標體系
由于前述評估方法的片面性，其指標體系必然體現著不完善性。品牌競爭力的評估體系應綜合體現品牌的顧客價值和品牌所反映企業的各方面能力的綜合，基于顧客價值我們建立準則層——顧客的忠誠度，基于企業的品牌競爭力我們建立三個準則層——品牌市場能力、品牌管理能力和品牌基礎能力。對于各個子準則層體現的具體因素內容如表1所示。
三、基于BP神經網絡的品牌競爭力評估模型
近年來，眾多學者量化評估品牌競爭力的方法主要有層次分析法、線性回歸分析法、第二代回歸分析方法、模糊綜合評判法等。神經網絡的出現給多指標的系統評價提供了新思路，特別是BP神經網絡強大的自學自適應能力，在很多行業得到不同程度的成功應用，非常適用于對矛盾復雜的、近似的、不確定的知識環境做決策，能成功解決相關因素人為權重設計的主觀性及相關系數的復雜計算。
（一）BP人工神經網絡基本原理
BP網絡是一種反向傳遞并能修正誤差的多層反饋型網絡，其結構一般由輸入層、輸出層和隱含層構成，層與層之間的神經元通過相應的網絡權系數完全互連；同層內的神經元則無關聯。神經網絡在外界輸入樣本的刺激下不斷改變網絡的連接權值，將網絡輸出值和期望輸出值的誤差由輸出層、隱含層、輸入層的反向傳遞，以使網絡的輸出不斷地接近實際的輸出。
（二）基于BP神經網絡的品牌競爭力評估模型
1.人工神經網絡模型結構的確定。根據自變量一般為BP神經網絡模型的輸入層，因變量一般為輸出層的原則，品牌競爭力的BP神經網絡模型中，指標體系中目標層品牌競爭力的大小為輸出層，設強、中、弱三個判定層次；子準則層作為品牌競爭力的影響因子，其14個指標為輸入層，分別為X（C1）-X（C14）。
為達到BP神經網絡容量大小和網絡訓練時間的良好效果，本模型中訓練層的節點數取29個為最佳（隱含層的節點數=2倍輸入節點數+1）。
2.樣本選擇與組織。在樣本的選擇中，應選擇有顯著代表性且分布均勻的、足夠數量的樣本。為評估目標品牌競爭力大小，可先選取一些本企業已開發的品牌或可獲取的其他品牌產品的實際經營數據作為訓練、測試樣本。
3.輸入層的確定。在表1提出的14個指標中，由于不同指標是從不同的角度反映品牌競爭力，指標之間又由于量綱不同，所以無法進行比較。因此，從最終評價值的確定和神經網絡訓練的收斂性考慮，需要對指標先進行無量綱化處理。
（1）定性指標：這些指標的評價值采用專家打分法進行評價，取值為0.0-1.0之間。
（2）定量指標：定量指標又分為正向指標，逆向指標和適度指標。
正向指標一般采用下面的線性遞增函數進行描述：
yi=0 x（c）≤x（c） x（c）≤x（c）≤x（c）1
x（c）≥x（c）
逆向指標一般采用下面的無量綱化標準函數：
yi=0 x（c）≤x（c） x（c）≤x（c）≤x（c）1
x（c）≥x（c）
適度指標一般采用下面的函數進行無量綱化處理：
yi=
其中，q為該指標的最適合值。
4．訓練函數的選擇。由于輸入層變量和輸出層變量不成線性關系，所以隱含層一般選擇Sigmoid函數為激勵函數，即f（x）=，實現輸入層和輸出層的非線性映射。
5.BP神經網絡的訓練和終止。在該模型中，我們引入動量批梯度下降函數，即一種批處理的前饋神經網絡訓練方法，不但提高了收斂速度，而且引入了一個動量項，有效避免了局部最小問題在網絡訓練中的出現。我們先將85%-90%的訓練樣本的指標值輸入網絡，按照公式一層一層的計算隱含層神經元和輸出層神經元的輸入和輸出，當神經網絡的輸出值和實際輸出值的均方誤差超過某一閾值，則將誤差函數沿輸出層、隱含層、輸入層反向傳遞，調整神經網絡各個神經元的閾值和各層連接權值，使誤差函數不斷減小。在訓練網絡的過程中，訓練一定次數后就停下來，用保留的15%-10%的測試樣本檢驗此時網絡的測試誤差，當測試誤差下降到目標誤差精度以下時，則停止訓練，此時則為最佳訓練次數，模型輸出值和實際輸出值實現最優擬合。
6.目標品牌競爭力大小的評估。將要預測的品牌的指標值輸入訓練好的BP神經網絡，該模型就能相對客觀地對該品牌的競爭力進行評估，輸出層的輸出值就是該品牌競爭力的判定值，通過判定值可知品牌競爭力的強弱（整個流程見圖1）。
四、結束語
品牌的研究在中國還將走得更遠，本文在現有研究的基礎上提出將品牌競爭力的量化評估與人工智能進行簡單結合，克服評估工作過程中人為因素的主觀性及相關權數計算的復雜性，提高品牌競爭力評估的可信性與客觀性，使評價結果更客觀反映企業品牌建設的真實狀況，為企業診斷品牌經營問題，打造核心競爭力經營決策提供更可靠的信息支持。
參考文獻：
1.蔣亞奇,張亞萍.基于層次分析法的企業品牌競爭力評價與測度研究[J].經濟研究導刊,2011(8).
2.王文川等.品牌競爭力模糊灰色綜合評價方法研究[J].統計與決策,2010(6).
3.周玫.基于顧客忠誠的品牌競爭力評價分析[J].當代財經,2005(9).
4.范秀成.品牌權益及其測評體系分析[J].南開管理評論,2000(1).
5.李煜華等.基于BP神經網絡的老工業基地企業核心競爭力的綜合評價[J].商業研究,2006(5).
6.許曉泓.品牌競爭力開放度評估方法的建構[J].綠色財會,2006(8).
7.陳寶忠.我國企業品牌競爭力研究[D].南昌大學,2005(6).
8.盧泰宏.品牌資產評估的模型與方法[J].中山大學學報(社會科學版),2002(3).
9.張啟勝等.品牌競爭力的評價指標體系、模型及應用[J].企業家天地?理論版,2006(4).
