对神经网络的认识
开篇：润墨网以专业的文秘视角，为您筛选了八篇对神经网络的认识范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
对神经网络的认识范文第1篇
1基于贝叶斯算法的BP神经网络
1.1贝叶斯算法基于贝叶斯算法的BP神经网络是基于贝叶斯定理而发展出来的用于解决统计问题的方法，即任意一个待求量都可以看作是一个随机变量，因此可以通过概率分布来对待求量进行描述，这个概率是在抽样前就有的关于待求量的先验概率分布。贝叶斯理论正是在没有样本信息时，只根据先验概率分布来求解待求量。而在有样本后，则可根据总体、样本和先验信息的联合分布来对未知量进行判断。后验分布π（θ|x）是反映人们在抽样后对随机变量θ的认识，其与先验分布即样本x的差异是由于样本出现后人们对θ的调整，即后验分布π（θ|x）为抽样信息对先验分布π（θ）调整的结果[6]。
1.2贝叶斯算法BP神经网络基于贝叶斯算法的BP神经网络是一种以神经网络基本原理为构架，通过引入贝叶斯推理有效地控制网络模型的复杂度，进而更好地解决非线性问题及其不确定性[7]。在BP神经网络中，训练样本集为D（xm，Om），xm为输入信号，Om为输出节点，在一定的网络结构A与网络参数W下，可以得到网络的输出由网络的输入D唯一的确定。网络训练的目标函数为误差函数ED（D|W，A），则有。采用贝叶斯算法BP神经网络步骤如下：（1）确定网络结构A，初始化超参数α，β，对网络参数W进行赋值。（2）以最终目标函数为M（W）最小为原则，对BP神经网络进行训练，寻找最优可能网络参数W。（3）寻找最优可能参数α，β。（4）采用不同初始网络参数寻找最优网络参数。（5）对不同网络结构A，寻找最优网络参数。
2贝叶斯算法的BP神经网络量化结果分析
2.1训练样本与测试样本在对管道进行磁化的过程中，最常用的方法是沿管道轴向进行磁化，提取缺陷处沿轴向变化的漏磁场与沿周向变化的漏磁场，缺陷的长度信息主要由沿轴向变化漏磁场反应，缺陷的宽度信息主要由沿周向变化的漏磁场反应，而缺陷的深度信息则是由这两个量共同反应[9]。本文采用实验的方法获取网络所需样本，这里以对陡壁缺陷的分析为例，研究贝叶斯算法的BP神经网络对陡壁缺陷量化的有效性。分别制作缺陷长度为3，3.5，4，4.5，5，5.5倍管道壁厚，宽度为0.5，1，1.5，2倍管道壁厚，深度为0.1，0.15，0.2，0.25倍管道壁厚，共得到96组测量结果，取其中80个缺陷特征作为网络的训练样本，剩余的16个缺陷特征作为测试样本。
2.2长度的量化采用统计分析的方法选取与缺陷长度关系密切的特征量作为神经网络的输入信号，将缺陷长度作为网络的输出信号来对网络进行训练。所选取主要特征有漏磁场轴向分量的静态阈值截取长度、一阶微分信号极小值的位置与周向变化漏磁场动态阈值截取长度。分别对基本的BP神经网络与贝叶斯算法的BP神经网络进行训练，当均方误差小于10-3时停止训练，得到两种网络的训练与学习过程如图1所示。比较两种算法训练过程可以看出贝叶斯算法的BP神经网络总共进行了331次训练，而基本的BP神经网络总共进行了1789次训练，可见贝叶斯算法的BP神经网络的收敛速率更快。用16组测试数据对两种网络长度的量化误差进行比较，得到量化后缺陷最大相对误差与最小相对误差如表1所示，对应贝叶斯算法BP神经网络量化的缺陷如表2所示。从表2中可以看出，采用贝叶斯算法的BP神经网络量化得到的缺陷长度与设计值的误差明显小于基本的BP神经网络，最大相对误差仅为0.05%。
2.3宽度的量化与缺陷长度的量化相似，采用统计分析的方法选取与缺陷宽度关系密切的特征量作为神经网络的输入信号，将缺陷宽度作为网络的输出信号来对网络进行训练。所选取主要特征有轴向变化漏磁场峰谷值、周向变化漏磁场波形面积、波形能量、静态阈值截取长度。分别对基本的BP神经网络与贝叶斯算法的BP神经网络进行训练，当均方误差小于10-3时停止训练，得到两种网络的训练与学习过程如图2所示。比较两种算法训练过程可以看出贝叶斯算法的BP神经网络总共进行了269次训练，而基本的BP神经网络总共进行了2248次训练，可见引入贝叶斯算法后的BP神经网络的收敛速率大幅提升。与之前相同，用16组测试数据对两种网络宽度的量化误差进行比较，得到量化后缺陷误差如表3所示，贝叶斯算法BP神经网络量化达到误差的缺陷见表4。在对缺陷宽度进行量化的过程中，尽管量化得到的最大相对误差仍较大，采用贝叶斯算法的BP神经网络量化得到的缺陷宽度与设计值的误差明显小于基本的BP神经网络。
2.4深度的量化在对缺陷的深度进行量化时，采用统计分析的方法选取了缺陷的长度、宽度以及轴向变化漏磁场的两个峰谷值、波形面积、周向变化漏磁场峰值、峰谷值作为神经网络的输入信号，将缺陷深度作为网络的输出信号来对网络进行训练。对基本的BP神经网络与贝叶斯算法的BP神经网络进行训练，得到两种网络的训练与学习过程如图3所示。贝叶斯算法BP神经网络总共进行了4152次训练，基本的BP神经网络总共进行了8763次训练，尽管引入贝叶斯算法BP神经网络的训练过程仍旧较长，但比基本BP神经网络的收敛速率有所提升。用16组测试数据对两种网络深度的量化误差进行比较，得到量化后缺陷误差如表5所示，贝叶斯算法BP神经网络量化达到误差的缺陷见表6。从对缺陷深度量化结果可以看出，采用贝叶斯算法的BP神经网络对缺陷深度进行量化，得到的缺陷深度与设计值的误差小于基本的BP神经网络。
3结束语
对神经网络的认识范文第2篇
基于神经网路方法实现高考英语口语成绩的采集,实现口语成绩等级手写体的识别,提高在英语口语成绩处理的效率,实现口语成绩的自动采集。目前该方案应用于苏州市高考英语口语成绩采集。
关键词:
成绩采集；模式识别；神经网络；特征提取
对于未实行高考口语人机对话的省市,高考口语还是采用打分模式。然后人工采集,为解决这一问题,通过识别手写评分和OCR识别结果比对确保成绩采集的准确。而神经网络很适合用于解决字符识别问题。
1BP神经网络
人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能实现某种功能的神经网络,是一种典型的前馈神经网络,包含输入层、隐层及输出层。BP网络是典型的多层网络,分输入层、隐含层和输出层,算法由数据流的前向计算和误差信号的反向传播两个过程构成。通过这两个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差函数达到最小值,从而完成信息提取和记忆过程[1]。
2基于神经网络的英语口语成绩采集的实现
为实现更好的采集,需要设计适应识别的评分表,其中定位点、考生条码用于定位到考生并采集成绩,等级手写的分区需要通过神经网络识别等级,OCR等级识别区用采集等级并通过神经网络采集的等级进行比较。
2.1采集过程
首先预处理图像获取样本进行训练,输入神经网络训练后输出看误差并调整各阶层的权值让输出同OCR值一致,正式识别两种模式结果不一致需要人工干预,有可能等级打错也有可能等级涂错,然后修正结果,确保等级信息准确无误。
2.2图像预处理
原始评分表的输入有可能产生污点等噪音。所以在识别之前必须对图像进行预处理。预处理一般包括图像分割、灰度、二值化、平滑、去噪音、归一化和细化等。不同识别方法对于处理要求不一样预处理后离散和噪声和归一化和细化处理,将图片形成一个40×40像素点阵(图1得分区图像预处理后图像)。
2.3神经网络的特征提取
在手写等级识别中,特征的选择是非常关键问题。将经过预处理后的等级数字图像中提取最能体现这个字符特点的特征向量,然后提取出训练样本中的特征向量代入BP网络之中就可以对网络进行训练,提取出待识别的等级样本中的特征向量代入训练好的BP网络中,就可以对等级得分字符进行识别。
2.3.1英语口语成绩采集中BP神经网络结构
将A、B、C、D等级图像的特征向量作为神经网路的输入,确定输入神经元。经过预处理的为40×40的矩阵,共1600各输入神经元。输出较为简单,只要识别A、B、C、D4个等级,输出节点数为4。为加快神经网络学习速度,3层BP网络最为恰当效率高。同时根据网络收敛性能的好坏来确定隐含层神经元个数。根据经验公式:s=51.035.077.054.212.043.02mnmnm其中,n为输入层神经元个数,m为输出层神经元个数[2]。计算可得隐含层神经元个数为79。
2.3.2BP神经网络的训练
手写字符归一化和细化后的图像为40×40的布尔矩阵,1600个元素组成一个手写字符的列矩阵,即字符的特征向量。由A、B、C、D这4个字符的特征列向量组成一个1600×4的输入矢量,训练次数达到最大值神经网络训练就结束。
2.3.3口语等级识别等分结果
字符识别的正确率和拒识率与字符识别的判断值有关,判断值越高,识别的正确率就高。为确保成绩录取100%正确,通过识别和OCR识别比较,不同再通过人工识别录入确保准确(图2成绩自动识别等分)。神经网络在口语成绩登分中的应用过程中大大减轻劳动强度,提高准确率,通过多重比对确保成绩录入准确,经过实践应用和比对成绩登分准确率100%,完全可以满足实际需要。
参考文献
[1]蒋宗礼.人工神经网络导论.高等教育出版社出版,2001(5):26-88.
对神经网络的认识范文第3篇
关键词：神经网络；应用研究
中图分类号：TP393文献标识码：A文章编号：1009-3044(2008)22-635-02
Application of Neural Network Study
WANG Ying1,LI Bing-fu2
(1.Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China;2.Registry,Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China)
Abstract:The study of the purpose of Artificial Neural Network,from the neural network of research and advantages, and other aspects proceed, the statement focused on neural networks in the economic field, the food industry, environmental science and engineering applications.
Key words: Neural Networks; Applied Research
1 引言
人工神经网络（Artificial Neural Network， ANN）简称神经网络，是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应，并利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。研究人工神经网络的主要目的包括：探索和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算机系统；探讨人脑的智能活动，用物化了的智能来考察和研究人脑智能的物质过程及其规律。
2 神经网络（ANN）的研究内容
1)理论研究：ANN模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的ANN模型，在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法；2)实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径；3)应用的研究：探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等;4)基本模型如图1示。
■
图1生物神经元功能模型
3 神经网络（ANN）的研究在各领域的优缺点
人工神经网络的理论研究和应用研究已取得丰硕成果，对于在各领域的应用具有以下优点：1)学习能力：人工神经网络具有学习的能力，通过学习，人工神经网络具有很好的输入-输出映射能力。学习方式可分为：有导师学习（Learning With a Teacher）和无导师学习（Learning Without a Teacher）；2)容错性：容错包括空间上的容错、时间上的容错和故障检测。容错性是生物神经网络所具有的特性，靠硬件或软件实现的人工神经网络也具有容错性。由于在人工神经网络中信息存储具有分布特性，这意味着局部的损害会使人工神经网络的运行适度地减弱，但不会产生灾难性的后果；3)适应性：人工神经网络具有调整权值以适应变化的能力，尤其是在特定环境中训练的神经网络能很容易地被再次训练以处理条件的变化，这反映了人工神经网络的适应性；4)并行分布处理：采用并行分布处理方法，同时由于计算机硬件的迅猛发展，使得快速进行大量运算成为可能；5)仿真软件的逐步完善：人工神经网络仿真软件的逐步完善，将人们从繁琐的编程中解放出来，同时也为人工神经网络在各领域的应用研究提供了可进行分析和预测的能力。
缺点：研究受到脑科学研究成果的限制；缺少一个完整、成熟的理论体系；研究带有浓厚的策略和经验色彩；与传统技术的接口不成熟。
4 神经网络在各领域的应用研究探讨
4.1 神经网络在经济领域的应用研究探讨
神经网络在经济领域的应用主要有：1)价格预测影响商品和服务：价格变动的因素是复杂、多变的，传统的统计经济学方法存在不适合动态系统、建模复杂等局限性，难以对价格变动做出科学的预测，人工神经网络容易处理不完整的、模糊不确定或规律性不明显的数据，所以用人工神经网络进行价格预测是可行的，且有着传统方法无法比拟的优势；2)风险评估：风险是由于从事某项特定活动过程中存在的不确定性而产生的经济或财务的损失、自然破坏或损伤的可能性。防范风险的最好办法就是事先对风险做出科学的预测和评估，传统的专家评估依赖于专家的经验，存在着人为和主观的因素，人工神经网络的预测思想是建立风险来源和风险评价系数的非线性映射，提供定量的解决方案，弥补了主观评估的不足。商业银行的风险管理问题是我国加入WTO后的一个突出问题。目前，信用风险仍然是我国商业银行最主要的风险。我国商业银行目前正处在转轨时期，用传统方法评估信用风险难以达到满意的效果，而神经网络学习能力强，容错性好，具有很强的鲁棒性，适合评价信息不全的系统。根据我国的具体现实，运用人工神经网络技术，构造出适合中国的信用风险模型，并对某国有银行提供的数据进行了实证研究。
4.2 神经网络在食品工业中的应用研究探讨
神经网络在食品工业中的应用研究主要有：1)外来物的探测：对食品中偶尔混入极少量的外来物采用先进的仪器探测方法，如X射线衍射，可较为快速而准确地检测出食品中夹带的外来物。仪器探测法产生大量的测量数据可以利用分析运算方法能快速地从大量的数据中找出差异而判别出外来物，从而提高生产的效率。分析方法很多，但目前较为有效的是ANN法――例如对于软质外来物如木屑和塑料，在X射线数据上外来物与食品原料的差异很小，情况更为复杂，很难做出判别。根据ANN自学习自适应的特点，不是只采用一个简单的ANN，而是构造了一组子网络。让每一子网络用来识别一种外来物，各自训练子网络，然后将结果最后融合输入一个决策单元，让决策单元决定食品是否合格；2)掺假食品的鉴别：掺假物是人为地故意地加入食品中，可根据不同食品初步估计加入的掺假物的种类，选用相应的检测方法，并结合ANN算法对测量数据分析，可获得较满意的结果；3)分类与分级：果蔬外观特征很多，随季节、产地和品种不同而不同，可抽取主要特征，再运用ANN模式识别算法进行分类。颜色往往是衡量果蔬外部品质的一个重要指标，也间接反映果蔬的成熟度和内部品质，高品质的果蔬一般着色好。此外，ANN除可进行果蔬分类（分级）外，还可以对肉类分级。从肉类的图像处理数据中提取“大理石纹值”（marbling score，表征脊肉中脂肪分布密度）来表征肉类质量，运用三层前向型ANN进行模式识别，效果令人满意；4)加工过程的仿真与控制：食品加工过程总是难以规范地操作，因为食品物料的性质与季节、产地与气候紧密地联系，同是由于缺乏合适的传感器或不足够和不精确的在线测量，以及食品的物性的时变性。在传统的过程仿真中，需要建立假设、简化和大量的参数用来建立数学模型，这有可能与实际情况相差很远。因此，具有对非线性和非稳态系统有强处理能力的ANN尤适合应用于食品加工；5)感观评价与预测、食品配方设计等：以往常用的建模方法是多元回归法，但是在多因子、非线性的条件下多元回归法并不适用。ANN则有效地解决这一问题。采用ANN先对已有的27组数据进行拟合；然后用ANN进行模拟，输入各种配方成分的含量，ANN就会输出预测结果，从中挑选出最佳的配方。
4.3 神经网络在环境科学与工程中的应用探讨
神经网络在环境科学与工程中的应用主要有：1)环境质量评价；2)环境系统因素预测；3)环境因素定量关系模拟构效分析、成因分析；4)污染防治系统建模。由于BP神经网络具有优良的非线性逼近能力，1994年以来，已在环境科学与工程的环境质量评价与预测、监测点的优化布置、社会经济环境可持续发展、污染物降解与释放、水（处理、生态）系统的模拟与预测等方面获得了广泛的应用。
5 结束语
由于神经网络学科的范围涉及很广泛，文中仅在那些有发展前途的领域中，列举出少数几个方向，应该说明的是，除了上述列举的以外，还有形形的、规模可观的研究工作正在进行，其未来的发展必将是激动人心的。神经网络理论的前沿问题必将渗透在21世纪科学的挑战性问题中，并将取得重大的突破。
参考文献：
对神经网络的认识范文第4篇
【关键词】自组织神经网络；MATLAB；震级；地震预测
1.引言
地震是一种会给人类社会带来巨大灾难的自然现象。在众多的自然灾害中，特别是在造成人员伤亡方面，全球地震灾害造成的死亡人数占全球各类自然灾害造成的死亡人数总数的54%，可以堪称群灾之首[1].地震预报是地理问题研究领域中的一个重要课题，准确的地震预报可以帮助人们及时采取有效措施，降低人员伤亡和经济损失[2]。
神经网络是一种大规模并行分布处理的非线性系统，具有高度的非线性运算能力和良好的自学习能力[3]。近年来，受到了广大预测科学工作者的关注。神经网络这方面的优势，主要体现在：
（1）容错能力强。由于网络知识信息采用的是分布式存储，个别单元损坏就不会引起输出错误。这使得预测、识别过程时容错力强，可靠性高。
（2）预测、识别速度快。训练好的网络对样本预测、识别的时候仅需要少量的算法，这使得其运算速度比其他算法更快。
（3）避免了特征因素与判别目标复杂关系，尤其是公式的叙述。网络可以自己学习和记忆各个输入量与输出量间的关系[4]。
2.自组织竞争神经网络
在地震的预报中，有的时候需要根据不同地震活动指标将发生在不同时间、空间和强度的地震进行分类研究，然后根据这些特征对其他的样本进行预报。自组织竞争神经网络能够对输入模式进行自组织训练和判断，并将其最终分为不同的类型[5]。
自组织竞争型网络预报的原理：通过采集的训练样本对网络训练，训练好的网络记忆了所有分类模式。当输入新样本会激发对应神经元就可以对新样本进行分类。自组织竞争网络基本上为输入层和映射层的双层结果，映射层的神经元互相连接，每个输出神经元连接至所有输入神经元[5]，其结构图如图1所示。
图1 自组织竞争神经网络结构图
3.数据样本的采集及预处理
利用自组织竞争神经网络进行地震预报，首先应该提取有关地震预报的重要指标，确定网络结构。样本数目的确定没有通用的方法，一般认为，样本过少可能使得网络的表达不够充分，从而导致网络外推的能力不够；而样本过多可能会出现样本冗余现象，既增加了网络的训练负担，也有可能出现信息量过剩。
这里测取了我国某地区连续12年的地震趋势作为检验实例，研究时间1年，所选取的11项地震活动指标：最多次数的地震震级、b值、平均震级、平均纬度、平均纬度偏差、平均经度、平均经度偏差、最大地震震级、ML大于115的地震次数、相邻两年地震次数差、相邻两年的最大地震震级差。
获得输入变量后除了大地震震级指标将其余指标数据处理为区间[0 1]之间的数据[4]。公式如下：
处理后的数据如表1所示。
4.自组织竞争神经网络的设计
上述数据按照震级的大小分为：一般地震、中等地震、严重地震3类，因此这里需要设置的神经元数为3个。最后一年的数据作为测试样本其余均参加竞争训练。由于输入有11个向量所以输入层神经元数目为11。为了增快学习速度将学习速率设定为0.1。其建立网络代码如下：
本程序建立的自组织竞争神经网络结构图，如图2所示：
5.网络训练
网络训练后才可用于地震预测的实际应用。训练代码如下：
根据代码的输出结果可知，表1中的第1、3、4、6、11组数据属于一类；第2、7组数据属于一类；第5、8、9、10组数据属于一类。直接检验表中的数据，可以很容易的发现同一类数据比较相近，这同样验证了上述的分类结果。
6.网络的测试
根据训练好的自组织竞争神经网络输入测试样本，得到的输出结果与实际结果进行比对。这里输入测试代码：
P_test=[0.3125 0.45 0.5001 0.7853 1 0.4236 0.1825 4.1 0.0501 0.4 0.12]’；
y1=sim（net，P_test）；
y1=vec2ind（y1）；
代码的输出结果为：y1=1。
通过直接进行数据对比我们认为第12组数据和第1组数据非常的接近，所以网络的运行结果是正确的。由上述可以得知，此网络有着相当好的预报精度。
7.结语
通过实验基于自组织竞争神经网络的地震预测精度很高，并且可以有效的克服数据含噪声的因素，此外本文所使用的竞争神经网络结构简单、易于实现。综上所述，该自组织竞争神经网络可以被广泛的用于地震分类的预测系统中。
参考文献
[1]陈运泰.地震预测：回顾与展望[J].中国科学，2009，39 （12）：1633-1658.
[2]付兴兵，刘光远.粒子群多层感知器在地震预报中的应用研究[J].湖南工程学院，2007，17（1）：23-26.
[3]李东升，王炜.人工神经网络及其在地震预报中的应用[J].地震，1995，15（4）：379-383.
[4]张治国.人工神经网络及其在地学中的应用研究[D].吉林：吉林大学，2006：78-79.
[5]朱大齐，史惠.人工神经网络原理及应用[M].北京：科学出版社，2006.
[6]韩晓飞，潘存英，罗词建.基于遗传算法的广义回归神经网络在地震预测中的应用[J].华北地震科学，2012，30（1）：48-53.
对神经网络的认识范文第5篇
【关键词】图像分割；细胞特征；人工神经网络
据统计，在各种癌症中，子宫颈癌对妇女的威胁仅次于乳腺癌。全世界每年因子宫颈癌死亡的人数为30万，确诊和发现早期症状者各为45万。虽然确诊病人的年龄一般都在35岁以上，但存在这种疾病诱因的妇女却往往远在这一年龄以下。如果及时得到诊断，早期子宫颈癌是可以治愈的。因此借助于现代先进的计算机技术结合病理专家的实践经验，开发出计算机辅助细胞学诊断系统，才是解决这一问题的关键所在。
本文从图像识别领域出发，应用人工神经网络模型对子宫颈癌细胞图像诊断进行探索。首先，对获取的子宫颈癌图像进行灰度转换。由原来的24位彩色图像转化为灰度图像。在对灰度图像进行分割，主要采取基于门限阈值化的分割方法。分别对细胞，细胞核进行了分割。分割后转化成为二值图像，采用八向链码算法对包括周长，面积似圆度，矩形度，核浆比等15个主要形态学参数进行测量。在取得了大量的数据样本后进行人工神经网络的训练。
人工神经网络是在对人脑神经网络的基本认识的基础上，从信息处理的角度对人脑神经网络进行抽象，用数理方法建立起来的某种简化模型[1]。通过模仿脑神经系统的组织结构以及某些活动机理，人工神经网络可以呈现出人脑的许多特征，并具有人脑的一些基本功能[2]。1988年，Rinehart等人提出了用于前向神经网络学习训练的误差逆传播算法（Back propagation，简称BP算法），成功解决了多层网络中隐含层神经元连接权值的学习问题[3]。BP算法是由教师指导的，适合于多层神经网络的学习训练，是建立在梯度下降算法基础上的。主要思想是把学习过程分为两个阶段：第一阶段（信号正向传播过程），输入信号通过输入层经隐含层逐层处理并计算每个节点的实际输出值；第二阶段（误差修正反向传播过程），若在输出层未得到期望的输出值，则逐层递归地计算实际输出与期望输出之间的误差，并已据此误差来修正权值。在学习过程中，对于每一个输入样本逐次修正权值向量，若有n个样本，那么一次学习过程中修正n次权值。
但是BP算法也存在一定的缺陷，如多解问题、学习算法的收敛速度慢以及网络的隐含节点个数的选取尚缺少统一而完整的理论指导。为了优化BP算法，我们采用加入动向量的方法对BP算法进行改进。基于BP算法的神经网络，在学习过程中，需要不断地改变权值，而权值是和权值误差导数成正比的。通常梯度下降方法的学习速率是一个常数，学习速率越大，权值的改变越大。所以要不断地修改学习速率，使它包含有一个动向量，在每次加权调节量上加上一项正比例与前次加权变化量的值（即本次权值的修改表达式中引入前次的权值修改量）。设计模型时，人工神经网络的输入输出变量是两个重要的参数。输入变量的选择有两个基本原则：其一必须选择对输出影响大并且能够检测或提取的变量，其二要求各个输入变量之间互不相关或相关性很小。我们将细胞的形态学特征值作为人工神经网络的输入变量。输出变量代表系统要实现的功能目标，这里以TBS分类法为依据，确定了人工神经网络的三个输出变量NORMAL（正常细胞），LSIL（低度鳞状上皮内病变），HSIL（高度鳞状上皮内病变）[4]。在人工神经网络的输入、输出确定后，就可以得到网络的结构图，从而对测得的细胞特征值进行分类。
本文中所设计的神经网络分类器，输入层15个节点、隐含层30个节点、输出层2个节点。细胞样本共161例，使用87例细胞样本数据对人工神经网络的权值进行训练。当误差小于规定值后，再用剩余的74例数据样本对人工神经网络进行测试。主要采取的算法是增加动量的BP算法。经实验，应用人工神经网络模型识别每张图片每个细胞，选出128个最有可能的异常细胞图。通过大量实验对比训练样本识别率最高达96.6%，测试样本识别率最高达87.8%，总体样本识别率最高达92.5%。
由实验可以看出增加动量的BP算法（BP标准算法）的学习次数适中，分类基本准确。增加学习速率可以加快收敛的速度，但同时也看到由于学习速率过大，而导致系统的不稳定，引起震荡。所以在增加学习不长的同时，动向量不能够过大，否则会引起震荡，影响分类的准确率。使用增加动量的BP算法对子宫颈癌细胞的识别效果比较理想，这在医学研究以及临床诊断方面具有一定的现实意义及比较广阔的应用背景。
参考文献
[1]何苗.径向基人工神经网络在宫颈细胞图像识别中的应用[J].中国医科大学学报，2006，35（1）.
[2]刑仁杰.计算机图像处理[M].浙江：浙江大学出版社，1990：32-67.
[3]时淑舫.计算机辅助细胞检测方法在宫颈细胞学检查中的应用价值[J].临床和实验医学杂志，2003，2（2）.
对神经网络的认识范文第6篇
【关键词】GIS；神经网络；土地利用
引言
土地是人类目前生活发展过程中最基本、最重要的间接资源之一。运用科学合理的管理、发展土地的方法有着重要意义。土地利用是当今全球环境变化的重要原因之一，开展典型区域的个案研究是认识全球环境变化的必要途径，也是区域可持续发展研究的关键。目前土地管理中实现了文字信息与地图信息一体化的自动管理模式。土地利用动态变化预测是土地管理工作中的重要部分，直接关系到国家的可持续发展。因而研究土地利用的变化对提高土地利用率有着深远的意义。
1. 土地利用变化预测模型现状
早期的土地利用变化模型重点是理解静态的空间格局，1990以来，首先是时间动态模型在空间格局分析的基础上与地理信息系统的结合；其次是遥感技术的被广泛发展，遥感数据具有相对客观性和高分辨率的特点，对于识别和分析土地利用变化发挥着至关重要的作用；最后是21世纪出现的地理信息系统（（Geographic Information System，简称GIS），GIS是一门十分复杂的综合叉学科，并且和众多学科相结合，例如与地理学、地图学以及遥感技术等学科相结合，在不同的领域范围中应用广泛，除可以对空间信息进行分析以及预处理之外，还能够把视觉化的地图和地理数据分析功能，连同一般的数据库操作等集成到一起来分析。
2.神经网络
从神经网络的输入层到其隐含层实现这一过程，其实是一个非线性映射的过程，然而，从隐含层到输出层这一过程却是线性映射；神经网络强大的处理功能相当于从高维空间到低维空间的映射。神经元是对神经网络模型操作处理的基本单位，同时也是神经网络设计的最基本的基础，如图所示为神经元基础模型。
神经元模型一般含有三种基本元素：
（1）突触或连接链，每一个都存在其权值，因此可以被看作为特征。
（2）加法器，用于求解输入神经元相应突触加权所产生的和。
（3）激活函数用来限制神经元输出振幅。贴近得到任意的函数形式。但是，如果信息中含有某些敏感点，那么这些敏感点，很有可能造成神经网络在学习和练习的过程中陷入局部最小值。如果只利用神经网络去对土地利用变化分析，毋庸置疑存在缺点，所以我们利用GIS和神经网络相结合方法对土地利用变化进行模型。
3. GIS和神经网络相结合土地利用变化预测模型
3.1模型的优化结构
土地利用变化研究需要基于大量的数据的前提 ，遥感是数据存储和处理的工具，我们通过神经网络模型和GIS相结合方式，预测出土地利用的变化。模型分为两个部分――神经网络训练和神经网络模拟。其中神经网络的练习经常使用算法为反向传播。通过对两期遥感影像的土地利用图进行分类，随机选择出测试样本以及训练样本，用ThinksPro操作软件创建该神经网络模型，反复进行训练目的是获取神经网络的权值参数以及偏置参数。在我们确定自由参数以后，就可以用已知的数据进行预测土地利用变化规律，需要反复预测过程，通过给定的回合数确定预测的时间。
3.2 获取空间数据
神经网络的输入数据功能，一般是用来存储一系列数据层或者解决数据问题的，其中最根本的数据图层便是土地利用分类图层，因此我们需要对每一种数据进行编码，用来表示对预测单元的影响大小，这些编码以后便作为输人变量的初始值。
3.3 处理遥感数据
遥感数据是主要数据来源对土地利用变化研究来说，通过软件对遥感影像进行处
理，遥感数据处理的过程有以下几各步骤：
（1）合成遥感影像数据
（2）对影像几何精校正
（3）图像效果增强处理
（4）图像的镶嵌
（5）对研究区裁减
（6）遥感影像的分类
（7）对分类结果评价
3.4 GIS空间分析
由模型可知，模型可以很好的c栅格数据相结合，采用GIS软件空间分析是重要数据生成一种方法，在这里我们用作为空间分析的重要工具。
空间缓冲区分析，即再实体周围创建相互存在一定间隔的带状区域，用来区别这些实体对附近对象所产生的辐射大小。因此，空间缓冲区分析，首先要确定出分析源，在实际应用中，随着距离的不断增大，其产生的影响就会缓慢减弱。在本文中，笔者主要通过空间缓冲区分析这一功能，从而获得各实体对其缓冲区产生的影响结果。
4.结语
用神经网络进行预测方法充分利用了其复杂映射能力，很强的自组织等长处，此外，通过使用GIS数据辅助训练样本的选择，达到了对样本点的自动化选取目的，从而大大提高了选取训练样本的效率，节省了宝贵的时间；另外神经网络存在大量的缺点：例如特别容易陷入局部最小、学习收敛速度慢等一系列缺点，以及忽略一些重要影响因素的特征，所以我们预测结果并非特别精确，我相信在不远的将来，我们一定可以通过更好的模型预测出更加精确的土地利用动态变化。
参考文献
[1]张明媛.基于GIS模拟土地利用变化[J] .燕山大学学报.2014.
对神经网络的认识范文第7篇
关键词：logistic回归 BP神经网络 上市公司 信用风险
在经济全球化的趋势下，信用将成为主要的交易方式，金融危机的爆发更是显示出信用风险管理和信用风险分类的重要性。从20世纪60年代至70年代的统计学方法，20世纪80年代的专家系统到90年代的神经网络，各种信用风险评级方法层出不穷。在我国，信用风险的度量和管理较为落后，金融机构没有完善有效的评级方法和体系，目前所应用的方法主要是粗略的定性方法，如综合利用宏观经济与行业风险、所有权及治理结构、信用风险及其管理、市场风险及其管理、资金来源/流动性、盈利能力等进行“加权”加分，信用风险的度量模式显得比较单一，所以对于信用风险分类方法是学术界和实务界必须解决的课题之一。
一、文献综述
（一）国外文献Logistic模型最早是由Martin （1977）用来预测公司的破产及违约概率。他从1970年至1977年间大约5700家美联储成员银行中界定出58家困境银行，并从25个财务指标中选取总资产净利润率等8 个财务比率，用来预测公司的破产及违约概率，建立了Logistic回归模型，根据银行、投资者的风险偏好设定风险警界线，以此对分析对象进行风险定位和决策。同时还将Z-Score模型，ZETA模型和Logistic模型的预测能力进行了比较，结果发现Logistic回归模型优于Z- Score模型和ZETA模型。Madalla （1983） 则采用Logistic模型区别违约与非违约贷款申请人，其研究结果表明，当违约概率p>0.551时是风险贷款；当p
（二）国内文献 在国内的研究文献中，齐治平（2002）从我国沪、深两交易所选取164 家上市公司，然后随机分成两组，运用线性判别模型、Logistic 回归模型以及含有二次项和交叉项的Logistic 模型对数据样本提前两年进行预测。结果发现，含有二次项和交叉项的Logistic模型对前一年数据的预测准确率最高。吴世农（2003）使用剖面分析、单变量分析、线性概率模型（LPM）、Fisher二类线性判定、Logistic模型等统计方法对财务困境公司进行预测研究，其中Logistic模型对前一年数据的预测准确率达到93.53%，Fisher判别分析法和LPM的准确率都为89.93%。庞素琳（2003）利用多层感知器分别对我国2000年106家上市公司进行信用评级，信用评价准确率高达98.11%。本文即是从上市公司的财务指标入手，通过logistic回归分析和BP神经网络，构建衡量企业信用状况的模型，并通过实证研究考察模型的适用性，对比两者信用风险分类的准确度。
二、研究设计
（一）样本选取和数据来源本研究选取沪深两市A股市场上2005年至2007年三年中部分被进行特别处理的118家ST公司和126家非ST公司，数据主要来源于CSMAR深圳国泰安信息技术有限公司提供的财务指标数据，将118家ST公司的财务数据和126家非ST公司的财务数据划分为训练样本和测试样本。样本集选取如（表1）所示。
（二）变量选取本文采取的财务数据在参考了已有文献以及考虑到实际数据可得性的基础上，选取了能够反映短期还款能力，长期还款能力，盈利能力和营运能力4方面共12个财务指标。指标变量名称及自变量符号具体见表。因变量为0-1变量，信用级别高的设置为1，信用级别低的设置为0。在做logistic回归的时候会进一步运用向后筛选法剔除方差贡献率不大的指标变量。具体如（表2）所示。
（三）模型设定
（1）Logistic回归模型：
（2）多层次前向神经网络。本文所应用的是一种称为前向网络的特殊神经网络结构。本研究应用Rumehhart于1986年提出的如下函数：Ii=wijxj+?准，xi=fi=其中，Ii为神经元i的层输入，xi为神经元的输出，wij为神经元间的连接权，?准为神经元i的偏置。每一条连接弧都被赋予一定的数值来表示连接弧的连接强度，正的权值表示影响的增加，负的权值表示影响的减弱。在前向网络中，神经元间前向连接，同层神经元互不连接，信息只能向着一个方向传播。前向网络的连接模式是用权值向量W来表示的。在网络中，权值向量决定着网络如何对环境中的任意输入作出反应典型的学习算法是搜索权值以找到最适合给定样本的权值。在本研究中应用的是多层前向网络的BP算法，其主要作用是知识获取和推理，采用有导师学习的训练形式，提供输入矢量集的同时提供输出矢量集，通过反向传播学习算法，调整网络的连接权值，以使网络输出在最小均方差意义下，尽量向期望输出接近，通过修改各层神经元的连接权值，使误差减小，然后转入正向传播过程，反复循环，直至误差小于给定的值为止。本文建立的BP神经网络图（见图1）。本文建立财务困境神经网络预警模型主要考虑以下两方面的问题：一是确定网络结构；二是学习参数的调整。首先考虑网络结构的确定。网络结构主要包括连接方式、网络层次数和各层结点数。网络的连接方式代表了网络的拓扑结构，Lippmann（1987）证明在一定条件下，一个三层的BP神经网络可以用任意精度去逼近任意映射关系，而且经过实验发现，与一个隐层相比，用两个隐层的网络训练并无助于提高预测的准确。因此在本研究中采用单隐层的BP网络。各隐含层节点数的选择并无确定的法则，只能结合实验并根据一些经验法则：隐层节点数不能是各层中节点数最少的，也不是最多的；较好的隐层节点数介于输入节点和输出节点数之和的50%~75%之间；隐层节点数的理论上限由其训练样本数据所限定。
三、实证结果分析
（一）logistic模型的参数估计及结果常规的线性判别模型计算得到的Z值只是个抽象的概念，无法从经济学上进行解释，Logistic回归分析解决了这个问题，其前提假设符合经济现实和金融数据的分布规律，残差项小要求服从止态分布。本文运用SPSS自带的Wald向后逐步选择法筛选变量，提高模型的判别性能，从全变量模型开始，逐步提出对残差平方和贡献最小的变量，具体的回归结果见（表2）。以2005年为例，根据SPSS计算结果中的参数表，估计Logistics模型的判别方程，（表3）反映了最大似然迭代记录（显示最后的迭代过程），（表4）反映了参数估计结果。步骤9是经过9步变量筛选后最后保留在模型中的变量。从各个系数的Wald值及伴随概率p来看，最终选定的5个指标变量具有最高的解释能力。综上，2005年公司分类的logistic模型为：p=。从（表5）步骤1及步骤9的分类结果看出，剔除不显著变量之后，分类准确率并未大幅下降，可以认为最终的模型能通过检验。（表6）显示了最终的Logistic模型参数估计结果。（表7）显示了模型分类准确率。
（二）BP神经网络的参数估计及结果首先对输入输出样本进行数据处理，消除影响预测结果的噪声，神经网络输入的变量要求规范在［-1，1］（若使用tanh函数）或［0，1］（若使用logistic函数）之间。本文对输入数据进行标准化处理，采用以下方法：X=。X为规范后的变量，x为每个变量的实际值，x1为每个变量的最小值，x2为每个变量的最大值。Matlab中相应的函数为［output_X，PS］=mapminmax（X，output_min，outpt_max）由于实际财务困境评价往往非常复杂，企业财务状况的好坏与财务比率的关系常常是非线性的，而神经网络作为一种非线形建模过程，并不依赖判别模型的假设，能找出输入与输出的内在联系，因此本文决定尝试使用神经网络技术进行信用状况的分类研究，分为训练集和测试集两组对神经网络进行训练，过程如下：第一，输入层和输出层神经元数目的确定。第一层为输入层，采用判别分析得出的模型变量为输入变量，共有12个结点，每个结点代表相应的财务比率。第三层为输出层，用一个结点表示，训练导师值为0代表信用级别“差”的公司，1代表信用级别“好”的公司。第二，隐含层数和隐结点个数的确定。本文选择单隐层的前馈BP网络；通过学习逐步增加隐神经元数，训练反复调整。最后定为10个隐结点。第三，用训练集的数据训练这个神经网络，使不同的输入向量得到相应的输出值，当误差降到一个指定的范围内时，神经网络所持有的那组权数值就是网络通过自学习得到的权数值，即完成了神经网络的自学习过程。第四，输入待评价的样本（本文直接在输入矩阵中划分为训练），让训练好的神经网络输出企业财务状况的标志（0或1），即实现神经网络的模式分类。神经网络的初始权重由Matlab随机产生的。训练算法采用专用于模式分类的trainscg方法，各种训练参数见（表8）。由此看出，算法逐步收敛，最终达到误差标准见（表9）。
（三）两种模型比较分析 本文对Logistic和BP神经网络分别对我国上市公司的信用状况给予两类模式的评级，最终发现，Logistic和BP神经网络在我国市场上的分类效果相当（见表10）。主流观点认为，人工神经网络具有良好的模式识别能力，可以克服统计等方法的限制，因为它具有良好的容错能力，对数据的分布要求不严格，具备处理资料遗漏或是错误的能力。最为可贵的一点是人工神经网络具有学习能力，可以随时依据新准备的数据资料进行自我学习、训练、调整其内部的储存权重参数以应对多变的企业运作环境。但是本文得出的结果是：传统的Logistic方法和神经网络方法的分类效果相当。现代人工智能方法并未表现出理论上的优势。可能的原因是：网络不稳定，训练样本的仿真准确率很高，但对测试样本的仿真准确率会降低；解释性差，网络最终确定后，每个神经元的权值和阈值虽然已知，但不能很好地分析各个指标对结果的影响程度，对现实问题中的经营管理也就不能起到很好的借鉴作用；网络的输入个数与隐层节点个数的确定没有理论指导，只能通过经验确定。
四、结论
本文选取2005年至2007年部分被进行特别处理的118家ST公司和126家非ST公司，以其财务指标为样本，进行Logistic回归和BP神经网络分类，对这两种信用风险评判模型在中国市场做了实证研究。结果发现：两种模型均适用于中国上市公司两模式分类（ST和非ST公司），而BP神经网络在我国市场上并未体现其分类的优势，分类准确度和Logistic相当。即使如此，本文证实了Logistic和BP神经网络模型对于我国上市公司的评级还是有效的，能够为投资者的科学决策提供建设性的指导意见，使投资者理智地回避风险和获取收益。同时，该判别模型也有利于准确评价一个企业的信用状况，从而为银行等放贷机构提供决策依据。
参考文献：
［1］吴世农、卢贤义：《我国上市公司财务困境的预测模型研究》，《经济研究》2001年第6期。
［2］齐治平、余妙志：《Logistic模型在上市公司财务状况评价中的应用》，《东北财经大学学报》2002年第1期。
［3］庞素琳、王燕鸣、罗育中：《多层感知器信用评价模型及预警研究》，《数学实践与认识》2003年第9期。
对神经网络的认识范文第8篇
关键词:BP人工神经网络;Fisher判别函数;财务风险;高校
中图分类号:F069.9 文献标志码:A 文章编号:1673-291X(2007)07-0123-03
加快高等教育的发展步伐,加大高校对社会的人才供给,是我国高等教育事业发展的迫切需求｡近年来,越来越多的高校在发展过程中,通过金融市场筹集资金以缓解发展过程中的资金瓶颈问题｡举债办学反映了高校理财观念的更新｡然而,机遇与风险总是相伴而生的,举债的同时也使高校面临还本付息的压力｡目前,部分学校对举债的风险认识不足,贷款的规模大大超过自身的经济偿还能力,出现短期资金链的断裂,如不能及时发放员工工资｡这些问题引起了社会的广泛关注｡
钟冲在《高等学校财务风险预警分析与应用》(2004)一文中,以教育部部属72所高校为样本数据,用7个财务指标,利用Fisher判别函数建立了高等学校财务风险预警多元判别模型,对72所高校的风险程度进行了分类｡本文在其数据和财务指标的基础上,利用BP人工神经网络方法建立判别模型,从而比较这两种方法在高校财务风险运用中的实用性,并对高校的财务状况进行重新分类｡
一､高校财务风险预警方法
(一)Fisher判别函数
Fisher判别分析法的基本思想是通过将多维数据投影到某个方向上,投影的原则是将总体与总体之间尽可能地分开,然后再选择合适的判别规则,将待定的样本进行分类判别｡Fisher判别的基本表达式为:
判别函数为:
F(X)=X＇(W+W)(X-X)
判别规则:
F(X)≥n,n∈财务风险企业
F(X)≤n,n∈非财务风险企业
其中:n=[F(X)+F(X)]/2;
X,X为两组的均值向量;
W,W为两组的协方差矩阵｡
对多个总体的费歇判别法的基本思路:
对于k个总体(G,G,……,G),我们假定它们具有相同的协方差矩阵∑,u,u,……u分别为总体G,G,……,G的均值,每一个总体含有P个样本点,任给出一个样本点X,要判别x属于哪一个总体,这样得到x的线性判别函数:
F(x)=bx=bx+bx+…+bx
费歇判别法就是要寻找一个由P个变量组成的线性函数F(x),使得每一个总体内样本点的函数值尽量接近,其他总体之间的函数值尽量疏远｡
(二)BP人工神经网络方法及算法的优化
BP人工神经网络又称为多层前馈神经网络,被认为是最适用于模拟输入和输出的近似关系,是算法最成熟､运用最广泛的人工神经网络｡它通常由输入层､输出层和隐含层组成,其信息处理分为前向传播和后向学习两步进行,网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程,其目的是使网络的实际输出逼近某个给定的期望输出｡
神经网络运用于财务状况的判别包括学习和预警两个过程｡首先,用训练集的数据训练这个网络,使不同的输入向量得出相应的输出值,当误差降到一个指定的范围内时,神经网络所持有的那组权数值就是网络通过自学习得到的权数值,即完成了神经网络的自学习过程｡然后,输入测试样本数据,让训练好的神经网络输出高等学校财务风险程度的标志,即实现神经网络的财务预警操作｡
由于传统的BP算法主要的缺点是:收敛速度慢､局部极值､难以确定隐含层和隐含层的节点个数｡在实际应用中,BP算法很难胜任｡因此,本文采取了一种更有效的优化算法――Levenberg―Marquart方法(网络训练函数为trainlm)｡
二､样本数据的选取
为了比较Fisher判别函数和BP神经网络方法在高校财务预警中的实用性,本文选取了与《高等学校财务风险预警分析与应用》一文中相同的建模样本数据,即教育部部属72所高校的财务数据｡其中,64所高校为建模样本数据(已知分类样本空间),8所高校为待判样本数据,参加判别分析的高校数占88.9%,待判的包含缺失值或分类变量范围之外的高校数占11.1%｡
关于64所高校财务状况的分类,《高等学校财务风险预警分析与应用》一文中根据经验分析的方法作了如下分类:第1类包括48所高校(经营状况良好,警情较轻),第2类包括12所高校(经营状况一般,警情中等),第3类包括4所高校(经营状况很差,警情较重)｡本文继续沿用此种分类结果,分类结果如下表1,其中CN为高等学校的学校代码:
三､方法的比较及实证分析
(一)Fisher判别函数的分析过程
《高等学校财务风险预警分析与应用》一文中对提出的20个财务比率指标进行相关性分析,选取了相关性较弱的7个财务指标,分别为:资产负债率､现实支付比率､收入负债比率､生均收支比率､固定资产增长比率､净资产收入比率和自有净基金占货币资金的比率｡然后,采用全模型法,在没有使用主观变量的基础上,建立了3类高等学校的线性判别模式｡
分类1:Q=2.056X+0.486X-10.539X+78.6X+11.793X+15.601X-3.195X-50.016
分类2:Q=17.246X+0.440X+0.494X+69.018X+13.176X+17.938X-4.201X-45.673
分类3:Q=32.684X+0.296X+6.286X+61.939X+11.919X+15.698X-15.834X-102.823
判别的结果是:对于原始数据中,属于分类1的48所高校有43所仍归入1类,有5所归入2类;属于分类2的12所高校有10所仍归入2类,2所归入1类;属于分类3的4所高校仍然归入3类,判别正确的概率总的来看为89.1%｡
(二)BP神经网络的分析过程
1.网络结构的建立
由于三层神经元构成的前馈网络可以形成任意复杂的判决区域,故采用具有一个输入层､一个隐含层､一个输出层的三层网络｡
本文继续采用上述的7个财务比率指标构建判别模型,因此,输入层的神经元个数为7｡判定结果的值为1､2､3,即代表3类不同的财务风险程度,因此,输出层的神经元个数为1｡本文利用MATLAB7.0编程用相同的训练样本对隐含层节点数不同的网络进行训练(让隐含层节点数在8～20之间变动),比较它们的系统误差及训练的收敛速度,发现当隐含层的节点个数达到11时,网络的收敛速度较快(第28次迭代时达到训练要求的精度),误差最小｡因此,最终确定的神经网络结构为7-11-1｡
2.网络的训练结果及比较分析
(1)网络的训练及判别
为避免变量各指标数值间差异太悬殊,而导致小数值被大数值所淹没,首先,利用premnmx函数对各样本数据进行无量纲化处理,使归一化后的数值分布在[-1,1]区间内｡然后,选择60所高校为训练样本,4所高校为检验样本对所构建网络进行训练,使误差达到满意的程度｡具体样本分类如表2所示:
在网络的自学习过程中,当第28次迭代时网络的误差为5.71947E-006,达到训练设定的精度要求,网络停止训练｡训练样本与检验样本的网络判断结果如表3和表4所示(由于训练样本数较多,本文不能一一列举,这里只是选择性的列举了其中5所高校的判别结果):
为了对网络的响应进行分析,验证用BP神经网络建立的判别模型的有效性,笔者利用MATLAB7.0工具箱中的postreg函数将训练样本和检验样本的网络输出和相应的期望输出向量进行线性回归分析｡分析结果如图1和图2所示:
可以看出,输出结果的最佳线性拟合结果与“输出值=期望值”的理想曲线基本重合,即输出对期望值的跟踪较好,相应的R值达到1,说明网络的训练效果很好｡而检验样本的R值也达到了0.989,只有一所高校网络判别结果属于第二类学校,与实际的分类有些区别｡
(2)两种方法的比较分析
将Fisher判别函数和BP神经网络方法所建的判别模型的判别结果进行比较可以发现:两种方法的判别结果基本上是一致的,都具有较高的分类正确率,但利用BP神经网络方法建立的判别模型对训练样本的判别结果与实际的分类是一致的,而检验样本中也只有一所高校与实际有区别,判别的正确率达到98.43%,高于Fisher判别函数方法的89.1%｡
这两种方法在高校财务风险判别中存在差异,主要的原因在于:影响高校财务风险的因素比较多,各影响因素与财务风险之间存在着复杂的非线性关系｡Fisher判别函数建立的多元判别模型是线性模型,分析高度非线性系统的变化规律具有一定的局限性,而BP神经网络方法建立的是非线性模型,能更好地“辨识”这种复杂的关系｡
(3)网络判别模型的预测
由上述的分析可知,BP神经网络方法的分类正确率高于Fisher判别函数,因此,本文利用训练好的网络重新预测待判的8所高校的财务状况｡
通过网络的判别,8所高校中2所归入第3类学校,其余6所高校归入第1类学校｡所以,最终判别的分析结果为,财务状况良好属于第1类的高校(警限视为轻警)有54所,财务状况一般属于第2类的学校(警限视为中警)有12所,财务状况很差属于第3类的学校(警限视为重警)有6所｡
四､结语
BP人工神经网络具有非线性､快速等特点,该模型已广泛运用于各个领域,如预测市场价格､天气变化､企业可信度等方面,并在上市公司财务风险的预警中取得了显著成效｡本文在总结他人的研究成果基础上,利用BP神经网络方法建立判别模型,发现神经网络方法比Fisher判别函数在相同样本的高校财务风险判别中具有更高的准确性和实用性,为高校相关决策者识别和控制财务风险提供了一条更为准确的路径｡
参考文献:
[1] 翟东升,曹运发.Fisher判别分析模型在上市公司信用风险度量中的应用[J].林业经济,2006,(3):62-65.
[2] 刘洪,何光军.基于人工神经网络方法的上市公司经营失败预警研究[J].会计研究,2004,(2):42-46.
[3] 张玲,陈收,张昕.基于多元判别分析和神经网络技术的公司财务困境预警[J].系统工程,2005,(11):49-56.