前言：中文期刊網精心挑選了神經網絡評估范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
神經網絡評估范文1
[關鍵詞]軟件項目風險管理神經網絡粗集
本篇論文的中心是基于粗集的人工神經網絡(ANN)技術的高風險識別，這樣在制定開發計劃中，最大的減少風險發生的概率，形成對高風險的管理。
一、模型結構的建立
本文基于粗集的BP神經網絡的風險分析模型,對項目的風險進行評估,為項目進行中的風險管理提供決策支持。在這個模型中主要是粗糙集預處理神經網絡系統，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關系，約簡掉與決策無關的屬性。簡化輸入信息的表達空間維數，簡化ANN結構。本論文在此理論基礎上，建立一種風險評估的模型結構。這個模型由三部分組成即：風險辨識單元庫、神經網絡單元、風險預警單元。
1.風險辨識單元庫。由三個部分功能組成：歷史數據的輸入，屬性約簡和初始化數據.這里用戶需提供歷史的項目風險系數。所謂項目風險系數,是在項目評價中根據各種客觀定量指標加權推算出的一種評價項目風險程度的客觀指標。計算的方法:根據項目完成時間、項目費用和效益投入比三個客觀指標,結合項目對各種資源的要求,確定三個指標的權值。項目風險系數可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風險系數;T、T0分別為實際時間和計劃時間;S、S0分別為實際費用和計劃費用;U、U0分別為實際效能和預計效能;w1、w2、w3分別是時間、費用和效能的加權系數,而且應滿足w1+w2+w3=1的條件。
2.神經網絡單元。完成風險辨識單元的輸入后,神經網絡單元需要先載入經初始化的核心風險因素的歷史數據,進行網絡中權值的訓練,可以得到輸入層與隱含層、隱含層與輸出層之間的權值和閥值。
(1)選取核心特征數據作為輸入，模式對xp=[xp1,xp2,.,xpn]T,dp(網絡期望輸出)提供給網絡。用輸入模式xp,連接權系數wij及閾值hj計算各隱含單元的輸出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隱含層輸出ypj,連接權系數wij及閾值h計算輸出單元的輸出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比較已知輸出與計算輸出,計算下一次的隱含各層和輸出層之間新的連接權值及輸出神經元閾值。
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是初始步長;t是學習次數;T是總的迭代次數;M是一個正數,α∈(0,1)是動量系數。σp是一個與偏差有關的值,對輸出結點來說；σp=yp(1-yp)(dp-yp)；對隱結點來說,因其輸出無法比較,所以經過反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權值及隱含神經元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.風險預警單元
根據風險評價系數的取值,可以將項目的風險狀況分為若干個區間。本文提出的劃分方法是按照5個區間來劃分的:
r<0.2項目的風險很低,損失發生的概率或者額度很小;
0.2≤r<0.4項目的風險較低,但仍存在一定風險;
0.4≤r<0.6項目的風險處于中等水平,有出現重大損失的可能;
0.6≤r<0.8項目的風險較大,必須加強風險管理,采取避險措施;
0.8≤r<1項目的風險極大,重大損失出現的概率很高,建議重新考慮對于項目的投資決策。
總之，有許多因素影響著項目風險的各個對象，我們使用了用戶評級的方式，從風險評估單元中獲得評價系數五個等級。給出各風險指標的評價系數，衡量相關風險的大小。系數越低，項目風險越低；反之，系數越高，項目風險越高。
二、實證：以軟件開發風險因素為主要依據
這里我們從影響項目風險諸多因素中，經項目風險系數計算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復雜的計算過程省略)。總共抽取出六個主要的指標(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個輸入神經元，根據需求網絡隱含層神經元選為13個，一個取值在0到1的輸出三層神經元的BP網絡結構。將前十個季度的指標數據作為訓練樣本數據，對這些訓練樣本進行數值化和歸一化處理，給定學習率η=0.0001，動量因子α=0.01，非線性函數參數β=1.05，誤差閉值ε=0.01，經過多次迭代學習后訓練次數N＝1800網絡趨于收斂，以確定神經網絡的權值。最后將后二個季度的指標數據作為測試數據，輸入到訓練好的神經網絡中，利用神經網絡系統進行識別和分類，以判斷軟件是否會發生危機。實驗結果表明，使用神經網絡方法進行風險預警工作是有效的，運用神經網絡方法對后二個季度的指標數據進行處理和計算，最后神經網絡的實際輸出值為r=0.57和r=0.77，該軟件開發風險處于中等和較大狀態，與用專家效績評價方法評價出的結果基本吻合。
參考文獻：
[1]王國胤“Rough:集理論與知識獲取”[M].西安交通大學出版社，2001
神經網絡評估范文2
[關鍵詞] 軟件項目風險管理 神經網絡 粗集
本篇論文的中心是基于粗集的人工神經網絡(ANN)技術的高風險識別，這樣在制定開發計劃中，最大的減少風險發生的概率，形成對高風險的管理。
一、模型結構的建立
本文基于粗集的BP 神經網絡的風險分析模型,對項目的風險進行評估,為項目進行中的風險管理提供決策支持。在這個模型中主要是粗糙集預處理神經網絡系統，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關系，約簡掉與決策無關的屬性。簡化輸入信息的表達空間維數，簡化ANN結構。本論文在此理論基礎上，建立一種風險評估的模型結構。這個模型由三部分組成即：風險辨識單元庫、神經網絡單元、風險預警單元。
1.風險辨識單元庫。由三個部分功能組成：歷史數據的輸入，屬性約簡和初始化數據. 這里用戶需提供歷史的項目風險系數。所謂項目風險系數,是在項目評價中根據各種客觀定量指標加權推算出的一種評價項目風險程度的客觀指標。計算的方法:根據項目完成時間、項目費用和效益投入比三個客觀指標,結合項目對各種資源的要求,確定三個指標的權值。項目風險系數可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R
2.神經網絡單元。完成風險辨識單元的輸入后,神經網絡單元需要先載入經初始化的核心風險因素的歷史數據,進行網絡中權值的訓練,可以得到輸入層與隱含層、隱含層與輸出層之間的權值和閥值。
(1)選取核心特征數據作為輸入，模式對xp=[xp1,xp2,.,xpn ]T,dp(網絡期望輸出) 提供給網絡。用輸入模式xp,連接權系數wij及閾值hj計算各隱含單元的輸出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i =1,2,.,m;j=1,2,Λ,n ,
i=1
(2)用隱含層輸出ypj,連接權系數wij及閾值h計算輸出單元的輸出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比較已知輸出與計算輸出, 計算下一次的隱含各層和輸出層之間新的連接權值及輸出神經元閾值。
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是初始步長;t是學習次數;T是總的迭代次數;M是一個正數,α∈(0,1)是動量系數。σp是一個與偏差有關的值,對輸出結點來說；σp=yp(1-yp)(dp-yp)；對隱結點來說,因其輸出無法比較,所以經過反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權值及隱含神經元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.風險預警單元
根據風險評價系數的取值,可以將項目的風險狀況分為若干個區間。本文提出的劃分方法是按照5 個區間來劃分的:
r
0.2≤r
0.4≤r
0.6≤r
0.8≤r
總之，有許多因素影響著項目風險的各個對象，我們使用了用戶評級的方式，從風險評估單元中獲得評價系數五個等級。給出各風險指標的評價系數，衡量相關風險的大小。系數越低，項目風險越低；反之，系數越高，項目風險越高。
二、實證：以軟件開發風險因素為主要依據
這里我們從影響項目風險諸多因素中，經項目風險系數計算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性 (中間大量復雜的計算過程省略)?？偣渤槿〕隽鶄€主要的指標(Personnel Management/Training，Schedule，Product Control，Safety，Project Organization，Communication)確定了6個輸入神經元，根據需求網絡隱含層神經元選為13個，一個取值在0到1的輸出三層神經元的BP網絡結構。將前十個季度的指標數據作為訓練樣本數據，對這些訓練樣本進行數值化和歸一化處理，給定學習率η=0.0001，動量因子α=0.01，非線性函數參數β=1.05，誤差閉值ε=0.01，經過多次迭代學習后訓練次數N＝1800網絡趨于收斂，以確定神經網絡的權值。最后將后二個季度的指標數據作為測試數據，輸入到訓練好的神經網絡中，利用神經網絡系統進行識別和分類，以判斷軟件是否會發生危機。實驗結果表明，使用神經網絡方法進行風險預警工作是有效的，運用神經網絡方法對后二個季度的指標數據進行處理和計算，最后神經網絡的實際輸出值為r=0.57和r=0.77，該軟件開發風險處于中等和較大狀態，與用專家效績評價方法評價出的結果基本吻合。
參考文獻：
[1]王國胤 “Rough:集理論與知識獲取”[M].西安交通大學出版社，2001
神經網絡評估范文3
一、人工神經元模型、結構及工作方法
神經網絡的基本單元是神經元，神經元的三個基本要素為：
（1）一組連接（對應于生物神經元的突觸），連接強度由各連接上的權值表示，權值為正表示激活，為負表示抑制;
（2）一個求和單元，用于求取各輸入信號的加權和（線性組合）;
（3）一個非線性激活函數，起非線性映射作用并將神經元輸出幅度限制在一定范圍內（一般限制在（0，1）或（-1，+1）之間）。此外還有一個閾值（或偏置）。
以上作用可分別以數學式表達出來：
（1）
式中為輸入信號，為神經元k之權值，uk為線性組合結果，為閾值，為激活函數，yk為神經元k的輸出。
除單元特性外，網絡的拓撲結構也是神經網絡的一個重要特性;從連接方式看，神經網絡主要有兩種：
（1）前饋型網絡
前饋型網絡有輸入層、輸出層和若干隱含層構成，各神經元接受前一層的輸入，并輸入給下一層，信息的傳播是逐層進行的，沒有反饋，且經過每一次都要有相應的特征函數進行變換[1]。
（2）反饋型網絡
反饋型網絡的所有節點都是計算單元，同時可接受輸入，并向外界輸出，可畫成一個無向圖3所示。反饋型網絡的每個連接弧都是雙向的。若總單元數為n，則每一個節點有n-1個輸入和一個輸出。
從作用效果來看，前饋網絡主要是函數映射，可用于模式識別和函數逼近。反饋網絡按對能量函數的極小點的利用來分類有兩種：第一類是能量函數的所有極小點都起作用，這一類主要用作各種聯想存儲器，第二類只利用全局最小點，它主要用于求解制約優化問題。
二、網絡的選取
由于BP網絡模型和RBF網絡模型這兩種網絡存在收斂速度慢和局部極小的缺點，在解決樣本量少且噪聲較多的問題時，效果并不理想，因此不適合對車輛運輸安全風險進行評估。
廣義回歸神經網絡（GRNN）在逼近能力、分類能力和學習速率上較BP網絡和RBF網絡有著較強的優勢，網絡最后收斂于樣本量急劇較多的優化回歸面，并且在樣本數據缺乏時，評估效果也比較好，此外，網絡還可以處理不穩定的數據。因此，本文利用GRNN建立風險評估模型，對車輛運輸安全風險進行評估。
GRNN的結構及其原理參見文獻[2]，網絡的第一層為徑向基隱含層，神經元個數等于訓練樣本數，該層的權值函數為歐氏距離函數（用表示），其作用為計算網絡輸入與第一層的權值IW1，1之間的距離，b1為隱含層的閾值。符號“?”表示的輸出與閾值b1之間的關系。隱含層的傳遞函數為徑向基函數，通常采用高斯函數作為網絡的傳遞函數：
（2）
其中，決定了第i個隱含層位置中基函數的形狀，越大，基函數越平滑，所以又稱為光滑因子。
網絡的第二層為線性輸出層，其權函數為規范化點積權函數（用nprod表示），計算網絡的向量n2，它的每個元素是由向量aI和權值矩陣每行元素的點積再除以向量aI的各元素之和得到的，并將結果n2提供給線性傳遞函數a2=purelin（n2），計算網絡輸出。
GRNN連接權值的學習修正仍然使用BP算法。由于網絡隱含層節點中的作用函數（基函數）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，對輸入型號將在局部產生相應，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。由此看出這種網絡具有局部逼近能力，這也是該網絡學習速度更快的原因。此外，GRNN中認為調節的參數少，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得以最大限度的避免人為主觀假定對評估結果的影響。
三、基于GRNN的車輛安全風險評估
根據對車輛運行系統安全影響因素的分析，網絡輸入分別取指標體系內安全意識、知識技能等二十個二級指標，以車輛發生重大安全事故風險度為輸出因子，即網絡的輸出。利用某車輛運輸公司1998～2006年的歷史統計數據作為網絡的訓練樣本，2007～2008年的歷史統計數據作為網絡的外推測試樣本。輸入樣本及目標樣本如表1所示。
圖1 網絡的逼近誤差
圖2 網絡的評估誤差
首先對表1中的數據進行歸一化處理，利用處理后的數據建立GRNN神經網絡并進行訓練與測試。由于光滑因子對網絡的性能影響比較大，因此，需要不斷嘗試才可以獲得最佳值。本文采用MATLAB神經網絡工具箱對其進行分析求解，將光滑因子分別設為0.1、0.2、…、0.5，經過對輸出結果的檢查發現，光滑因子越小，網絡對樣本的逼近能力就越強;光滑因子越大，網絡對樣本數據的逼近過程就越平滑。網絡對訓練樣本的逼近誤差如圖1所示（單位×10-4），網絡的風險評估誤差如圖2所示（單位×10-4）。由圖可見，當光滑因子為0.1時，無論逼近性能還是評估性能，誤差都比較小，隨著光滑因子的增加，誤差也在不斷增大。
從誤差的角度考慮，本文光滑因子取0.1，此時網絡的測試輸出（07、08年風險度）為：
y=0.0069 0.0072
由此可見，該運輸公司2007年、2008年的車輛重大安全事故風險評估的誤差分別為2.5%、2.7%，這可能是由于訓練樣本容量比較小導致的，所以評估精度不是很高?？紤]到各種隨機因素，本文的風險評估結果還是可以接受的。
參考文獻
神經網絡評估范文4
[關鍵詞] 神經網絡；數字示波器；項目風險評估；仿真
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 12. 041
[中圖分類號] N945.13；F272 [文獻標識碼] A [文章編號] 1673 - 0194（2014）12- 0067- 02
特種數字示波器是航空裝備重要的維修檢測設備，是快速高效地實施航空裝備維修保障的重要檢測技術手段。示波器研制項目的質量如何會直接影響特種示波器的性能，進而影響航空裝備維修檢測任務的順利進行。基于BP神經網絡對特種數字示波器研制項目進行風險評估是一種有效的技術分析方法。
1 特種數字示波器研制項目風險因素分析
建立特種數字示波器研制項目風險評估指標體系，首先要分析研制階段每一個過程的風險以及各個風險的影響因素，然后在風險定性分析和定量分析的基礎上，選擇那些影響各個風險的主要因素，構成風險識別指標的集合，然后通過對預選指標進行優化，最后確定風險綜合評估指標。
技術風險主要包括設計風險、工藝風險、元器件風險、原材料風險、設施風險等；費用風險是指維修檢測設備研制在實現其研制過程費用目標方面存在的風險；管理風險是指在特種數字示波器研制項目的組織管理過程中，由于項目管理不善，職責不清，權限錯誤，運作失誤以及其他不確定性而引起的直接影響到項目目標實現的風險；保障性風險是指由于設備研制的管理組織管理水平的狀況及其變化對設備研制產生的風險；進度風險是指因對設備研制過程所估算和分配的工作時間不足而產生的風險。
2 風險評估指標體系的建立
對于具體的LHSB11特種數字示波器項目研制過程而言，采用3層BP網絡預測該型示波器研制項目的風險。通過風險識別，將研制過程中的風險分為5類，每類風險又可以分為若干個風險因素。本文選取了16個已完成的同類示波器研制項目作為BP神經網絡模型的訓練和檢測樣本。采用專家評分法來獲取指標體系的樣本數據。通過評分表的形式向10位專家（其中3位權威專家，2位生產廠家項目負責人、3位企業領導、2位研制項目干系人），權威專家權重分別為0.15，生產廠家負責人和企業領導的權重分別為0.05，研制項目干系人權重分別為0.15。其中每一指標均分為5個等級：風險很低、風險較低、風險一般、風險較高、風險很高。此5個風險等級分別對應于5個區間內的數值：[0，1.5]，[1.5，3]，[3，4.5]，[4.5，6]，[6，8]，風險程度越低，相應的評分數值就越低。通過統計分析，得到了16個樣本評估指標體系的指標值。
同時，在專家組評分以后，得出每個項目整體風險打分結果，即期望風險值。經綜合分析整理得到示波器研制項目期望得分表。
3 BP 神經網絡模型的建立
對研制風險的評估問題，可以看作是輸入（各風險指標）到輸出（該項目的最終風險評估值）的非線性映射。將樣本數據中的前12組數據作為訓練樣本，樣本中的評估指標體系指標值作為輸入節點，與之對應的由專家評分法確定的期望風險值作為輸出值，并通過Matlab軟件編寫神經網絡仿真程序，創建BP神經網絡并進行訓練與仿真。
初始化后得到訓練結果如圖1所示。
圖1中縱坐標為均方誤差，橫坐標為步數。由圖可知，誤差曲線的初始誤差為14.2，在340步以后誤差曲線呈明顯梯度性下降，在1 354步時誤差精度達到設定的0.001，完成訓練。
訓練結束后，調用sim函數對所建立模型進行仿真，得到如圖2所示的仿真圖形。
然后調用sim函數對所建立模型進行仿真，并計算出仿真誤差。
%計算仿真誤差。
E=t-A；
MSE=mse（E）；
最終得到仿真誤差。
由圖2可知，訓練得出的輸出曲線仿真圖（綠色帶圓圈的虛線）與實際輸入的曲線（藍色帶星號的實線）基本相符，擬合程度較高，而且其均方差很小，效果非常理想。達到了訓練的預期目的。
將專家評分組打分得出的期望輸出和仿真實際結果輸出作為比較，得出誤差值。通過檢測結果可以發現，期望輸出與實際輸出的誤差較小，這說明運用BP神經網絡模型建立的LHSB11系列示波器研制項目風險評估模型是有效的?？梢杂眠@個評估模型對項目的研制階段進行風險評估。
神經網絡評估范文5
關鍵詞： 層次分析法； 神經網絡； 電網安全； 安全評估
中圖分類號： TN911?34； TP22 文獻標識碼： A 文章編號： 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
電網安全關系到國家安全和社會穩定，是電力企業生存和發展的根本。又由于電網系統龐大而復雜的綜合性，需要考慮的安全評估指標較多[1?2]。不同電網安全評估指標之間大都存在非線性關系，導致傳統方法無法準確描述不同指標間存在的關聯性，得到的電網安全評估結果存在較大偏差。在這種情況下，塑造有效的電網評估模型，成為相關學者的重點研究方向[3?6]。
文獻[7]提出融合因子分析法和層次分析法的電網評估方法，該方法的評估結果具有一定的有效性，但是存在較高的局限性。文獻[8]分析了采用模糊聚類和模糊推理產生穩定性電壓評估的決策樹方法，實現電網電壓安全的有效評估，具有較高的效率，但是魯棒性較低。文獻[9]依據系統性能論以及層次分析法的電網安全評估方法，通過塑造電網優勢函數對電網安全進行評估，當系統性能存在較大波動時，該方法的評估精度將大大降低，穩定性較差。文獻[10]提出通過模糊神經網絡模型的電網評估模型，存在效率高和容易陷入局部最佳解的問題。
針對上述各種方法存在的問題，本文提出了一種基于層次分析法和神經網絡的電網安全評估方法，采用層次分析法對全部可以影響電網安全的因素進行分析，運算各影響因素的權值，按照權重選擇對電網安全干擾最高的因素，將該因素當成神經網絡的輸入并塑造神經網絡模型，依據歷史評估數據對神經網絡模型進行訓練后，對電網安全進行評估。實驗結果說明所提方法具有較高的評估準確性。
1 層次分析法和神經網絡的電網安全評估
層次分析法與神經網絡結合的電網安全評估過程是：采用層次分析法構建電網層次結構，基于該結構對影響電網安全評估的因素賦予權重，并通過層次分析軟件獲取電網安全的影響因素以及權重，按照權重大小選擇對電網安全干擾最高的因素，并將該因素當成神經網絡的輸入并塑造神經網絡模型，通過歷史評估數據對神經網絡模型進行訓練后，對電網安全進行評估。在塑造的神經網絡模型中，本文將影響因素數據當成神經元輸入層的輸入，運算結果看成網絡的輸出。
1.1 塑造電網層次結構和電網安全評估指標體系
1.1.1 電網層次結構
層次分析法（Analytical Hierarchy Process，AHP）是一種將定性和定量相結合的，系統化、層次化的多方案分析方法。本文通過層次分析法分析干擾電網安全的因素，獲取各因素的權值，并采集對電網安全干擾最高的因素。
塑造電網的層次結構，如圖1所示。假設構建目標為電網的安全與否，第1層包括全部影響電網安全的主因素，子因素則列于下一層。
1.1.2 電網安全影響因素及其權重的選擇
在上述電網層次結構的基礎上，設置電網安全性指標體系如圖2所示，包括安全輸電能力、靜態電壓安全性、拓撲結構脆弱性、暫態安全性和風險指標等五方面。
由圖2可知，影響電網安全狀態的因素很多。在獲得電網安全性評估指標體系之后，通過層次分析法對影響電網安全評估的因素賦予權重，使用層次分析軟件獲取電網安全的影響因素以及權重，獲取結果如表1所示。
分析表1，從電網安全影響因素的權重值可以看出，電壓裕度和負荷裕度對電網安全影響重大，選擇表1中7個權重較大的因素，也就是表1中被標注“*”的因素作為神經網絡的輸入，并通過歷史評估數據對神經網絡模型進行訓練后，實現電網安全評估。
1.2 基于層次分析法和神經網絡的電網安全評估
1.2.1 BP神經網絡原理
BP神經網絡是目前使用最廣泛的一種網絡，包括輸入層、若干隱含層以及輸出層。BP算法是一種監督式的學習算法，其通過梯度檢索方法對已知的學習樣本進行分析，進而確保網絡的實際輸出值與期望輸出值的均方值誤差最小。BP神經網絡的結構見圖3。圖3 中的[x1，x2，…，xm]為輸入特征向量，[y1，y2，…，yn]為輸出特征向量。
1.2.2 基于BP神經網絡的電網安全評估
神經網絡的拓撲結構是由網絡的層數、各層的節點數以及節點之間的連接方式組成的。本文研究采用層次分析法結合BP神經網絡對輸電網的安全運行過程進行建模評價。BP神經網絡可以有一個或多個隱含層，而三層的BP神經網絡能夠完成任意的[n]維到[m]維的映射，即一個隱含層已經完全能夠模擬任意的非線性關系。
通過基于層次分析后的電網安全評估指標體系，塑造3層神經網絡。將表1中7個權重較大的因素作為神經網絡的輸入。在BP神經網絡模型中采用三層網絡，輸入節點是層次分析法中的7個影響因素，輸出節點是1，隱層的節點數為6。學習方式是BP神經網絡算法。
實現電網安全評估的過程如下：
2 實驗分析
為了驗證本文方法的有效性需要進行相關的實驗分析，實驗采用的對比方法為文獻[8]提出的基于模糊聚類的電網安全評估模型。實驗采用層次分析法，從國家電網公司某分電網評估歷史數據中采集5組電網安全評估重要因素權重樣本數據，如表2所示。并將這些樣本數據當成神經網絡的輸入值，將各組數據的評估結果作為期望輸出值對神經網絡進行訓練，神經網絡的輸入量是評估數據指標通過歸一化處理后的值。并將這些權重作為神經網絡的7個輸入節點，設置隱含層節點數為6，輸出節點數為1，該節點用來表示綜合評價結果。
將表2中的樣本數據列入神經網絡模型，以得到預期的輸出結果，對神經網絡進行測試訓練，設置學習速率為0.02，學習精度為0.001，通過訓練2次后，神經網絡的誤差曲線斜率接近于零，滿足精度要求。
然后對5組檢驗樣本進行安全評價，輸出驗證結果如表3所示。分析表3可得，神經網絡預測輸出值同期望輸出結果間的誤差達到了0.001，輸出電網安全等級同期望輸出結果相匹配，說明本文提出的基于層次分析法和神經網絡的電網安全評估方法是有效的，可用于實際電網安全等級的評價。
為了進一步驗證本文方法的準確性，對比分析本文方法和文獻[8]方法的評估精度，兩種方法的輸出結果和期望的輸出結果對比情況如圖4和圖5所示。
對比分析圖4和圖5可得，相比文獻[8]方法，本文方法的預測值同實際值間具有較高的匹配度，誤差較低，本文方法對電網安全的評估精度較高。實驗結果說明，通過本文提出的層次分析法分析出的輸入因素越重要，風險評估的結果越佳，并且降低了神經網絡結構的復雜性，提高了學習效率，大大增強了電網安全評估精度。
3 結 論
本文提出一種基于層次分析法和神經網絡的電網安全評估方法，將層次分析法和神經網絡相結合，用于評估電網的安全。采用層次分析法塑造電網層次結構，對全部干擾電網安全的因素進行分析，獲取各影響因素的權重，按照權重大小選擇對電網安全干擾較高的影響因素，并將這些影響因素當成神經網絡的輸入，同時塑造神經網絡模型，通過歷史評估數據對神經網絡模型進行訓練后，完成電網的安全評估。實驗結果說明，所提方法可對電網安全進行準確評比，并且評估精度也較高。
參考文獻
[1] 張東霞，姚良忠，馬文媛.中外智能電網發展戰略[J].中國電機工程學報，2013，33（31）：1?14.
[2] 孫玉嬌，周勤勇，申洪.未來中國輸電網發展模式的分析與展望[J].電網技術，2013，37（7）：1929?1935.
[3] 田洪迅，袁蓉，趙淵.含分布式電源的配網可靠性概率計算[J].電網技術，2013，37（6）：1562?1569.
[4] 牛東曉，魏亞楠.基于FHNN相似日聚類自適應權重的短期電力負荷組合預測[J].電力系統自動化，2013，37（3）：54?57.
[5] 尚文，王維民，齊鵬逸，等.基于條件規則與故障樹法的燃氣輪機故障診斷[J].機電工程，2013，30（7）：798?802.
[6] 李志鏗，汪隆君，王鋼，等.計及故障重構的含分布式電源配電網可靠性評估[J].電力系統自動化，2013，37（4）：35?40.
[7] 郭創新，陸海波，俞斌，等.電力二次系統安全風險評估綜述[J].電網技術，2013，37（1）：112?118.
[8] 吳旭，張建華，趙天陽，等.基于模糊聚類和模糊推理的電網連鎖故障預警方法[J].電網技術，2013，37（6）：1659?1665.
神經網絡評估范文6
【關鍵詞】 數據挖掘 信用風險 決策樹 支持向量機
一、引言
我國上市公司是整個國民經濟整體的一個有機組成部分,甚至可以說是整個國民經濟的核心所在。至2008年底,滬深兩市的股票總市值在縮水62.9%的情況下仍達到12.13萬億,占GDP的48.6%。從這些數據可以看出,上市公司在我國經濟中占有主體地位,因此,上市公司的優劣存亡將關系到整個國民經濟的發展。然而,我國上市公司所積累的信用風險已經非常巨大,在深交所的誠信檔案里僅主板市場就列出了20頁的違規通報批評和處分決定。就國有企業而言,信用危機依然存在,突出的表現就是惡意拖欠逃債現象。企業信用風險狀況直接關系到我國金融市場的健康發展和國民經濟的持續穩定?？梢?對上市公司信用風險的管理是非常必要和迫在眉睫的,而上市公司信用風險評估模型的建立是防范信用風險的重要手段。因此,研究上市公司信用風險評估這一課題,已經成為我國目前經濟生活中亟待解決的一個重要問題。
目前許多定量技術和支持工具、軟件已付諸商業應用,繼傳統的比例分析之后,統計方法得到了廣泛的應用,如判別分析和Logistic回歸等。信用等級評估是通過對企業或個人的某些單一財務指標進行加權平均確定的,該方法最大的缺陷在于指標和加權值的確定帶有很大的主觀性,使得評估結果和實際狀況有很大的出入。因此,需要引入科學方法來確定有效評估指標,并建立準確的定量模型來解決信用等級評估的問題。近年來,信息技術得到了迅速發展,如數據挖掘技術等能從海量數據中智能發現有用的規則和知識,再加上我國上市公司信息披露制度的不斷完善,使得我們的研究能夠得到的數據資料也不斷的增多,這些有利條件的出現使得我們對基于數據挖掘的上市公司信用風險評估模型的研究有了數據基礎和技術基礎。
二、基于數據挖掘的信用風險評估模型比較綜述
1、決策樹
決策樹方法于20世紀60年代起源于對概念學習建模;20世紀70年代后期Quinlan發明用信息增益作為啟發策略的ID3算法,從樣本中學習構造專家系統;1993年Quinlan在ID3算法基礎上研究出了改進的決策樹歸納包(C4.5),這是目前被普遍采用的數據分類方法。其思想是一個類似于流程圖的樹結構,其中每個內部結點表示在一個屬性熵的測試,每個分支代表一個測試輸出,而每個樹葉節點代表類或類分布。決策樹通過把實例從根節點排列到某個葉子節點來分類實例,葉子節點即為實例所屬的分類,樹上每個節點說明了對實例的某個屬性的測試,節點的每個后繼分支對應于該屬性的一個可能值。決策樹分類模型之所以被廣泛應用于信用風險評估,主要是因為決策樹具有以下優點:(1)與神經網絡或貝葉斯分類等其他分類模型相比,決策樹的分類原理簡單易懂,很容易被使用人員理解和接受。在決策樹分類過程中,一般不需要人為設定參數,更適合于知識發現的要求;(2)決策樹的學習算法具有建立速度快、計算量相對不是很大、可以處理連續值和離散值屬性;(3)決策樹能使用信息原理對大量樣本的屬性進行信息量分析,計算各屬性的信息量,找出反映類別的重要屬性(可以清晰的顯示哪些屬性對分類比較重要);(4)決策樹分類方法與其他分類模型相比,易于生成可理解的規則。決策樹方法對記錄數越大的數據庫,它的效果越明顯,這就是它顯著的優點。
研究表明,一般情況下,樹越小則樹的預測能力越強。要構造盡可能小的決策樹,關鍵在于選擇恰當屬性。而屬性選擇依賴于各種對例子子集的不純度度量方法。其中,基于數據挖掘中決策樹C4.5算法的分析框架建立的上市公司信用風險評估模型,對數據分布無任何要求,應用于上市公司信用風險評估的效果比較好,因此具有良好的發展前景,值得我們深入研究。
2、神經網絡
BP網是面向映射變換的神經網絡中應用最廣泛的一種,其結構如圖1所示。典型的BP網有三個層次:輸入層、隱含層和輸出層,相鄰層次神經元間采用全互連形式,同層神經元間則不相連。其思路是:當給網絡提供一個輸入模式時,該模式由輸入層傳到隱含,經隱含層神經元作用函數處理后傳送到輸出層,再經由輸出層神經元作用函數處理后產生一個輸出模式。如果輸出模式與期望的輸出模式有誤差,就從輸出層反向將誤差逐層傳送到輸入層,把誤差“分攤”給各神經元并修改連接權,使網絡實現從輸入模式到輸出模式的正確映射。對于一組訓練模式,可以逐個用訓練模式作為輸入,反復進行誤差檢測和反向傳播過程,直到不出現誤差為止。這時,BP網完成了學習階段,具備所需的模式分類(識別)能力。
20世紀80年代末,西方發達國家將人工智能引入銀行業,協助銀行進行貸款決策,這其中,尤其以人工神經網絡最為突出,其在企業財務分析中顯示了巨大的優勢和潛力。而在我國,無論是用統計方法還是用神經網絡技術來研究信用風險,目前都尚處于起步階段。王春峰等(1999)用神經網絡技術進行商業銀行信用風險評估;郝麗萍等(2001)研究了商業銀行信貸風險分析的人工神經網絡模型;柳炳祥、盛昭翰(2003)利用粗神經網絡對企業財務危機進行了分析;龐素琳等(2003)利用BP算法對我國某商業銀行2001年120家貸款企業進行3類模式(“信用好”、“信用一般”、“信用差”)分類,分類準確率達到83.34%;張德棟、張強(2004)建立了基于BP神經網絡的企業信用3層神經網絡評估模型,實驗結果證明,該模型用于企業信用評估,減少了企業信用評估傳統的定性方法中權重確定的人為因素,評估正確率達到了92.12%;王凱、黃世祥(2007)建立起基于BP神經網絡的行業間信用評估模型,并代入2003年度全國農業和工業的部分行業數據進行實證。
神經網絡由于其自身優勢已經在各個領域得到了廣泛的應用,近幾年來,經濟學和管理學方面的學者將其運用到經濟領域,特別是在信用風險評估方面取得了很好的成效。尤其BP神經網絡在商業銀行信用風險評估上應用的可行性,其優點主要體現在:(1)BP神經網絡模型具有高速信息處理能力。信用風險評價是一個非常復雜的系統,簡單的信用風險打分模型不能很好地表述這種關系,同時結果與實際也有較大的差別。而神經網絡是由大量的神經元廣泛互連而成的系統,并行處理能力很強,得到的模型能對實際作出很好的預測。(2)BP神經網絡模型具有很強的不確定性信息處理能力。由于神經網絡中神經元個數眾多以及整個網絡存儲信息容量巨大,使得它具有很強的對不確定性信息的處理能力。而信用風險本身就有一種不確定性,信用風險評價指標體系涉及指標眾多,這些變量本身就具有一種動態性和不穩定性。運用BP神經網絡模型進行預測可以很好地解決這種不確定性。(3)BP神經網絡模型是一個具有高度非線性的系統。神經網絡同現行的計算機不同,它是一種非線性的處理單元,因此神經網絡是一種具有高度非線性的系統。在信用風險評估運用上,它突破了傳統信用風險評估方法以線性處理為基礎的局限性,能更有效、更精確地處理復雜信息。但是,神經網絡也存在明顯的不足。首先,當神經網絡的輸入維數高時,隱含規則呈幾何級數增加,致使網絡結構龐大,同時神經網絡學習速率固定,存在局部最小點問題,因此網絡收斂速度慢,需要很長的訓練時間,甚至可能發生網絡癱瘓;其次,網絡結構復雜,導致網絡的輸入節點單元數、隱含層數的確定缺乏理論依據。盡管存在一些遺憾,神經網絡方法作為一門嶄新的信息處理科學方法仍然吸引著眾多領域的研究者。
3、支持向量機
支持向量機(Support Vector Machine,SVM)是根據統計學習理論得出的一種新的機器學習算法,它用結構風險最小化原則替代經驗風險最小化原則,較好地解決了小樣本學習問題,是一種通用的前饋網絡類型。支持向量機的實現是通過某種事先選擇的非線性映射(核函數)將輸入向量映射到一個高維特征空間,在這個空間中構造最優分類超平面。使用SVM進行數據集分類工作的過程首先是通過預先選定的一些非線性映射將輸入空間映射到高維特征空間,它使得在高維屬性空間中有可能對訓練數據實現超平面的分割,避免了在原輸入空間中進行非線性曲面分割計算。SVM數據集形成的分類函數具有這樣的性質:它是一組以支持向量為參數的非線性函數的線性組合,因此分類函數的表達式僅和支持向量的數量有關,而獨立于空間的維度。
隨著機器學習理論的不斷發展,支持向量機作為一種專門針對小樣本學習的算法被引入到了信用風險評估中。在我國,張秋水、羅林開等(2006)通過SVM與傳統的多元線性回歸(Multi Linear Regression,MLR)和Logit分析(Logit Analysis,LA)的實證對比和模型分析,得出SVM在20組測試樣本集上的平均誤判率是最低的,顯著優于MLR,也優于LA。吳沖等(2009)建立了基于模糊積分的支持向量機集成方法,該方法綜合考慮了子支持向量機的輸出重要性并與單個支持向量機和最多投票原則的支持向量機集成進行比較,實證結果表明,該方法具有更高的分類精度。與BP神經網絡相比,SVM方法的優缺點是:(1)模型的準確率。SVM是通過解一個凸二次規劃來得出結果的,因此找到的解是全局最優解,且精度高,利用支持向量機進行上市公司信用風險評估,根據有限的訓練樣本,建立了非線性映射關系,解決了維數問題,這種算法具有簡單、準確率高的優點,很適合推廣。(2)泛化能力。SVM通過結構風險最小化原則實現了經驗風險和置信范圍的良好折衷,避免了過擬合現象,而人工神經網絡是基于經驗風險最小化原理。(3)模型的適用性。SVM方法通過對不同的核函數和參數的選擇,可以優化評估結果,不同的核函數可以滿足不同的需求,模型的適用范圍更廣。(4)對數據要求。SVM可以避免小樣本和“維數災難”問題,對有限數量和維數較高的樣本評估精度較高;而BP神經網絡模型由于數據較少,易產生過擬合現象,因而使用范圍受限制。(5)核函數也需要人為的確定,尚未有理論證明決定應選擇的核函數。
三、結束語
隨著信息技術的發展,數據挖掘方法被廣泛應用于金融、經濟領域,在信用風險方面也受到越來越多的重視。在我國,對上市企業的信用風險評估還是一個很具有挑戰性的領域,不僅體現在其信用風險變化的復雜性,還在于評估所面臨的巨大工作量。上市企業的信用狀況是構成整個社會體系不可缺少的重要部分,因此,解決其信用風險評估問題的首要任務是要建立簡單可操作的模型,并充分發揮計算機處理信息等的優勢作用。
(注:本文系華東交通大學校立科研基金資助課題《基于數據挖掘的上市公司信用風險評估模型研究》的部分研究成果,課題編號:09GD02。)
【參考文獻】
[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、吳銘:滬深兩市總市值全年縮水62.9%[J].金融界,2009(1).
[4] 王春峰、萬海暉、張維:基于神經網絡技術的商業銀行信用風險評估[J].系統工程理論與實踐,1999(9).
[5] 郝麗萍、胡欣悅、李麗:商業銀行信貸風險分析的人工神經網絡模型研究[J].系統工程理論與實踐,2001(5).
[6] 柳炳祥、盛昭翰:基于粗神經網絡的企業危機預警系統設計[J].信息與控制,2003(1).
[7] 龐素琳、王燕鳴、黎榮舟:基于BP算法的信用風險評價模型研究[J].數學的實踐與認識,2003(8).
[8] 張德棟、張強,基于神經網絡的企業信用評估模型[J].北京理工大學學報,2004(11).
[9] 王凱、黃世祥:基于BP神經網絡的行業間中小企業信用評估模型及應用[J].數學的實踐與認識,2007(24).
