神經(jīng)網(wǎng)絡(luò)的概念精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)的概念主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的概念范文

關(guān) 鍵 詞：BP算法；GARCH-BP模型；深證成指

中圖分類號(hào)：F830．91 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1005－0892(2006)06－0041－04

一、引言

股市是一個(gè)復(fù)雜的非線性系統(tǒng)，股票價(jià)格涉及許多不確定因素，且各個(gè)因素之間的相關(guān)關(guān)系錯(cuò)綜復(fù)雜。隨機(jī)行走理論認(rèn)為股價(jià)波動(dòng)完全是隨機(jī)的，但大量事實(shí)表明，股價(jià)波動(dòng)存在某種規(guī)律性。我們可以將股市看作確定的非線性動(dòng)力系統(tǒng)，即內(nèi)部的動(dòng)力機(jī)制是確定的，股價(jià)的歷史數(shù)據(jù)和其它信息蘊(yùn)含著可用于預(yù)測(cè)未來(lái)股價(jià)的信息。

近年來(lái)，神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的非線性逼近和泛化能力，得到了最為廣泛的應(yīng)用。Lapedes等最早發(fā)表了神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)的文章，他們用非線性神經(jīng)網(wǎng)絡(luò)對(duì)由計(jì)算機(jī)產(chǎn)生的時(shí)間序列仿真數(shù)據(jù)進(jìn)行學(xué)習(xí)和預(yù)測(cè)。[1]后來(lái)Werbos，Varfis和Versino對(duì)實(shí)際的經(jīng)濟(jì)時(shí)間序列進(jìn)行了預(yù)測(cè)研究。[2]Weigend等利用神經(jīng)網(wǎng)絡(luò)研究太陽(yáng)黑子的年平均活動(dòng)情況，通過與回歸方法的比較表明神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)優(yōu)于統(tǒng)計(jì)預(yù)測(cè)。[3]20世紀(jì)90年代以來(lái)，國(guó)外利用神經(jīng)網(wǎng)絡(luò)對(duì)股票價(jià)格預(yù)測(cè)方法層出不窮。[4-7]國(guó)內(nèi)一些學(xué)者也開始利用神經(jīng)網(wǎng)絡(luò)的方法對(duì)中國(guó)股市的股票價(jià)格進(jìn)行預(yù)測(cè)。[8-9]另外一些人工智能的方法，如遺傳算法、模糊理論和粗集，也陸續(xù)在股票市場(chǎng)中得到一些應(yīng)用。

二、基于GARCH-BP模型的股指預(yù)測(cè)模型

（一）BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)模型，是目前神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型中最具代表性、應(yīng)用最普遍的模型。BP神經(jīng)網(wǎng)絡(luò)架構(gòu)是由數(shù)層互相連結(jié)的人工神經(jīng)元組成，通常包含了輸入層、輸出層及若干隱藏層，各層包含了若干神經(jīng)元；神經(jīng)網(wǎng)絡(luò)依照學(xué)習(xí)法則，通過訓(xùn)練以調(diào)整連結(jié)鏈加權(quán)值來(lái)完成學(xué)習(xí)目標(biāo)的收斂。

盡管神經(jīng)網(wǎng)絡(luò)具有自我學(xué)習(xí)的功能，但要求輸入的資料需具有一定的可用性。為避免輸入神經(jīng)元過少，使得網(wǎng)絡(luò)無(wú)法配適完成，因此本文采用前5天的收益率rt-1、rt-2、rt-3、rt-4及rt-5作為當(dāng)天收益率rt的輸入神經(jīng)元。因此本文所使用的神經(jīng)網(wǎng)絡(luò)，其架構(gòu)為5－7－4－1，輸入層有五個(gè)輸入神經(jīng)元、7個(gè)隱藏神經(jīng)元的第一層隱藏層、4個(gè)隱藏神經(jīng)元的第二層隱藏層以及包含一個(gè)輸出神經(jīng)元的輸出層。其網(wǎng)絡(luò)架構(gòu)如圖1。

圖1BP神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)架構(gòu)

要讓神經(jīng)網(wǎng)絡(luò)訓(xùn)練更有效率，可以對(duì)網(wǎng)絡(luò)輸入與目標(biāo)向量進(jìn)行前處理程序。本文所使用的歸一化方法為極小值與極大值方法。其方式為重新定義四個(gè)向量，各自為輸入與輸出向量的極小值與極大值，依照輸入與目標(biāo)向量在這四個(gè)向量中的大小重新定義。而歸一化后的輸入與輸出向量皆介于-1和+1之間。如此一來(lái)，可以直接反應(yīng)出原始向量對(duì)問題的權(quán)重情況，而使得網(wǎng)絡(luò)訓(xùn)練更有效率。當(dāng)要預(yù)測(cè)一新的輸出向量時(shí)，只要將新的輸入向量根據(jù)先前的極小值與極大值向量作一調(diào)整，即可根據(jù)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真。另外，網(wǎng)絡(luò)的轉(zhuǎn)換函數(shù)則采用雙曲線正切函數(shù)。在完成網(wǎng)絡(luò)的訓(xùn)練與仿真后，由于輸出向量也將會(huì)介于-1和+1之間，因此需再根據(jù)原先目標(biāo)向量的歸一化向量做后處理，以便使輸出向量還原到原始的資料形態(tài)。

（二）加入GARCH變量的BP神經(jīng)網(wǎng)絡(luò)(GARCH-BP)

BP神經(jīng)網(wǎng)絡(luò)所使用的輸入神經(jīng)元僅考慮前五天的對(duì)數(shù)收益率，并未將收益率的波動(dòng)程度考慮進(jìn)來(lái)，因此除了使用前五天的對(duì)數(shù)收益率作為輸入神經(jīng)元外，另外使用GARCH時(shí)間序列模型，將所估計(jì)的條件變異數(shù)作為第六個(gè)輸入神經(jīng)元，以比較在考慮了收益率波動(dòng)后的BP神經(jīng)網(wǎng)絡(luò)對(duì)于時(shí)間序列資料的估計(jì)與預(yù)測(cè)是否較其它模型要好。

在建立了條件變異數(shù)GARCH模型后，將所得到的條件變異數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的第六個(gè)輸入神經(jīng)元，而網(wǎng)絡(luò)架構(gòu)也形成6－7－4－1，即具有六個(gè)輸入神經(jīng)元的輸入層、七個(gè)隱藏神經(jīng)元的第一層隱藏層、4個(gè)隱藏神經(jīng)元的第二層隱藏層及一個(gè)輸出神經(jīng)元的輸出層。

三、模型績(jī)效評(píng)定準(zhǔn)則

(一)MSE準(zhǔn)則

均方誤差(Mean Square Error)是計(jì)算實(shí)際值與預(yù)測(cè)值的預(yù)測(cè)誤差后取平方并加以平均。MSE的公式如下：

MSE=（rt-t)2 (1)

其中T代表總樣本數(shù)，T1代表估計(jì)樣本的數(shù)目，rt代表實(shí)際值，t則為模型的估計(jì)值或預(yù)測(cè)值。

(二)MSPE準(zhǔn)則

均方比例誤差(Mean Square Percentage Error)是計(jì)算實(shí)際值與預(yù)測(cè)值的預(yù)測(cè)誤差占實(shí)際值的比例后取平方并加以平均。MSPE的公式如下：

MSPE=×100% (2)

使用MSPE的優(yōu)點(diǎn)是考慮了誤差對(duì)于實(shí)際值所占的比例，而不會(huì)皆給予相同的權(quán)重。

(三)MAE準(zhǔn)則

平均絕對(duì)誤差(Mean Absolute Error)考慮了誤差的絕對(duì)距離。其公式如下：

MAE=t-t (3)

(四)MAPE準(zhǔn)則

平均絕對(duì)比例誤差(Mean Absolute Percentage Error)類似于MSPE的觀念，在MAE中每一誤差皆除以實(shí)際值，以便給予不同的權(quán)重。

MAPE=×100%(4)

(五)AMAPE準(zhǔn)則

不對(duì)稱平均絕對(duì)比例誤差(Asymmetric Mean Absolute Percentage Error)更進(jìn)一步地考慮在使用MAPE法時(shí)，在相同的誤差下由于不同實(shí)際值所產(chǎn)生的不對(duì)稱性現(xiàn)象。因此做一修正，AMAPE的公式如下：

AMAPE=×100% (5)

(六)符號(hào)正確率(Correct Sign Ratio；CSR)

CSR并不衡量誤差大小，而是僅衡量預(yù)測(cè)與實(shí)際的符號(hào)是否正確。由于在收益率估計(jì)與預(yù)測(cè)上的準(zhǔn)確度并不高，因此若僅考慮模型所估計(jì)或預(yù)測(cè)的值與實(shí)際值間的符號(hào)是否相同，亦可比較出模型的好壞。若CSR低于50％，則表示此模型對(duì)于收益率符號(hào)的預(yù)測(cè)能力還不如隨機(jī)猜測(cè)的50％好。其公式如下：

CSR=Zt

Zt=1，當(dāng)（rt?t）>0時(shí)

Zt=0，當(dāng)（rt?t）≤0時(shí) （6）

其中Zt為一邏輯變量，當(dāng)實(shí)際值與估計(jì)值相乘后，其值大于0時(shí)，表示符號(hào)正確，則為1；反之則為0。

(七)Strategy

Strategy為CSR所衍生出的另一種衡量方式，其概念是通過模型的預(yù)測(cè)符號(hào)而決定投資策略。當(dāng)模型預(yù)測(cè)為正收益率時(shí)，則予以買進(jìn)，所獲得的收益率為當(dāng)日股市的實(shí)際收益率；若模型預(yù)測(cè)為負(fù)收益率時(shí)，則予以放空，同樣地可獲得當(dāng)日股市的實(shí)際收益率。但先前假設(shè)為預(yù)測(cè)符號(hào)與實(shí)際符號(hào)相同才可成立，若符號(hào)相反，則收益率應(yīng)轉(zhuǎn)為損失。雖然CSR可以得知模型的預(yù)測(cè)符號(hào)的能力，但通過Strategy可以更清楚地知道采用模型的預(yù)測(cè)符號(hào)進(jìn)行投資所獲得的收益率會(huì)是多少。其公式如下：

總加報(bào)=rt

若t>0，則rt符號(hào)不變

若t

在前述7個(gè)績(jī)效評(píng)定方法中，大致分類為兩種：第一種為預(yù)測(cè)誤差的衡量，此部分為衡量各模型估計(jì)或預(yù)測(cè)誤差的績(jī)效，包括MSE、MSPE、MAE、MAPE、AMAPE等。第二種為符號(hào)準(zhǔn)確度的衡量，此部分不看預(yù)測(cè)值的大小，只針對(duì)預(yù)測(cè)的符號(hào)是否與實(shí)際值相同，包括CSR檢定以及利用預(yù)測(cè)符號(hào)決定投資策略的Strategy。

圖2列示了我們運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行股票市場(chǎng)指數(shù)收益率樣本數(shù)據(jù)的預(yù)測(cè)分析。

圖2 股票指數(shù)收益率神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過程

四、訓(xùn)練結(jié)果

中國(guó)股票市場(chǎng)可以觀察到的數(shù)據(jù)種類非常多，包括幾十種價(jià)格指數(shù)和上千家個(gè)股數(shù)據(jù)，本文選擇其中具有代表性的數(shù)據(jù)進(jìn)行分析。具體而言，在由香港理工大學(xué)和深圳國(guó)泰安公司聯(lián)合開發(fā)的《中國(guó)股票市場(chǎng)交易數(shù)據(jù)庫(kù)（2003）》軟件的支持下，選取深證成指為研究對(duì)象，其時(shí)間范圍和數(shù)據(jù)長(zhǎng)度為：2004年7月3日至2005年12月31日長(zhǎng)度為259天的日收盤指數(shù)。

BP神經(jīng)網(wǎng)絡(luò)的建構(gòu)是前述研究方法對(duì)樣本進(jìn)行訓(xùn)練及測(cè)試程序。參數(shù)設(shè)定值輸入層為5；第一隱藏層為7，第二隱藏層為4，輸出層為1，訓(xùn)練函數(shù)為TRAINGDX，自適應(yīng)學(xué)習(xí)函數(shù)LEARNGDM，訓(xùn)練次數(shù)為500，訓(xùn)練精度要求0.025，學(xué)習(xí)率0.01，下降學(xué)習(xí)率為0.7，上升學(xué)習(xí)率1.05。訓(xùn)練函數(shù)采用結(jié)合適應(yīng)性學(xué)習(xí)速率與動(dòng)量的算法。在訓(xùn)練222次后，結(jié)果如圖3。

圖3BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果圖

GARCH-BP神經(jīng)網(wǎng)絡(luò)的建構(gòu)也采用前述的參數(shù)設(shè)定方法對(duì)樣本進(jìn)行訓(xùn)練及測(cè)試程序。在訓(xùn)練102次后，訓(xùn)練結(jié)果如圖4。

圖4GARCH-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果圖

在估計(jì)樣本的績(jī)效分析中我們所采用的準(zhǔn)則包含了MSE、MSPE、MAE、MAPE、AMAPE、CSR及Strategy。在建立好模型后，估計(jì)的收益率與實(shí)際收益率相比較后的結(jié)果如表1。

表1估計(jì)樣本估計(jì)誤差分析表

注：MSPE、MAPE及AMAPE的單位為％，MSE為反歸一化后的實(shí)際MSE值。

在MSE準(zhǔn)則下，估計(jì)樣本中BP神經(jīng)網(wǎng)絡(luò)模型的MSE值大于GARCH-BP神經(jīng)網(wǎng)絡(luò)模型的值，不過差距僅為0.0026。說明盡管GARCH-BP神經(jīng)網(wǎng)絡(luò)模型有利于降低估計(jì)樣本的估計(jì)誤差，但效果不是非常明顯。MSPE是考慮了估計(jì)誤差相對(duì)于實(shí)際值的權(quán)重。在BP神經(jīng)網(wǎng)絡(luò)模型中MSPE為60.5899%，而在加入GARCH(1，1)的BP神經(jīng)網(wǎng)絡(luò)中，MSPE為57.4962%，小于未加入GARCH的BP神經(jīng)網(wǎng)絡(luò)，也說明了加入GARCH后確實(shí)可以改善神經(jīng)網(wǎng)絡(luò)的估計(jì)誤差比重的問題。在MAE準(zhǔn)則中，其估計(jì)誤差并未直接加以平方，而直接采用絕對(duì)值，通過絕對(duì)距離的概念而決定。如表1所示，這兩個(gè)模型的MAE值皆相同，表示估計(jì)時(shí)所采用此種收斂方法并不會(huì)影響模型的優(yōu)劣。MAPE類似于MSPE概念，同樣在MAE中考慮了估計(jì)誤差的權(quán)重問題。在表1中，BP神經(jīng)網(wǎng)絡(luò)的MAPE值為2.1424%；而加入GARCH的BP神經(jīng)網(wǎng)絡(luò)的MAPE值為1.4161%，在MAPE與MPSE績(jī)效準(zhǔn)則中皆小于未加入GARCH的神經(jīng)網(wǎng)絡(luò)與進(jìn)化神經(jīng)網(wǎng)絡(luò)，表示在考慮估計(jì)誤差的權(quán)重概念上，加入GARCH變量的BP神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)模型更有效。AMAPE修正了MAPE中估計(jì)誤差不對(duì)稱性的問題。在表1的AMAPE準(zhǔn)則中，加入GARCH的BP神經(jīng)網(wǎng)絡(luò)，其AMAPE依舊比未加入GARCH的神經(jīng)網(wǎng)絡(luò)要小，表示即使考慮了估計(jì)誤差的不對(duì)稱性，BP神經(jīng)網(wǎng)絡(luò)模型也應(yīng)考慮采用較有效的變量，而非使用較復(fù)雜的模型。

前面所敘述的準(zhǔn)則是考慮估計(jì)值與實(shí)際值的差距，由于單純的以時(shí)間序列做預(yù)測(cè)的效果通常不是很好，近來(lái)較為常用的是只考慮預(yù)測(cè)的符號(hào)準(zhǔn)確性。因此后續(xù)的兩個(gè)準(zhǔn)則是采用預(yù)測(cè)值的符號(hào)與實(shí)際值是否相同的概念而做一延伸。

在CSR中，由表2可知，GARCH-BP神經(jīng)網(wǎng)絡(luò)的正確率較高，其CSR為59.14%，而BP神經(jīng)網(wǎng)絡(luò)模型為57.19%，表示GARCH-BP神經(jīng)網(wǎng)絡(luò)不僅在預(yù)測(cè)誤差上優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，而且在符號(hào)的準(zhǔn)確性上也相對(duì)較佳。但兩個(gè)模型的預(yù)測(cè)準(zhǔn)確度皆大于50%，表示使用模型加以預(yù)測(cè)的準(zhǔn)確度比漲跌各占50%的隨機(jī)猜測(cè)要好。

表2估計(jì)樣本的符號(hào)準(zhǔn)確性及投資策略績(jī)效表

在先前的CSR準(zhǔn)則中，雖然得知各模型的符號(hào)預(yù)測(cè)性較隨機(jī)預(yù)測(cè)要高，但若實(shí)際投入股市中，其績(jī)效卻無(wú)法得知，因此應(yīng)采用投資策略的準(zhǔn)則來(lái)判斷何種模型較佳。在表2中，其收益率較高的模型為BP神經(jīng)網(wǎng)絡(luò)，收益率達(dá)68.54%；而較差的模型為加入GARCH的BP神經(jīng)網(wǎng)絡(luò)模型，收益率為66.37%，顯示BP神經(jīng)網(wǎng)絡(luò)對(duì)于較大的收益率具有較佳的捕捉能力。

五、結(jié)論

通過上述分析，可知本文建立的GARCH-BP神經(jīng)網(wǎng)絡(luò)模型在對(duì)股票指數(shù)收益率估計(jì)樣本和測(cè)試樣本的誤差分析方面均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，在預(yù)測(cè)符號(hào)的準(zhǔn)確性方面，GARCH-BP神經(jīng)網(wǎng)絡(luò)模型仍然優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，但從整體上說，利用這兩種模型進(jìn)行預(yù)測(cè)收益率符號(hào)時(shí)，在估計(jì)樣本中的表現(xiàn)要好于測(cè)試樣本，說明在我們的預(yù)測(cè)過程中仍然存在許多的未知因素，需要進(jìn)行進(jìn)一步的研究。

――――――――

參考文獻(xiàn)：

[1]Lapedes A, Farber R. A self - optimizing, nonsymmetrical neural net for content addressable memory and pattern recognition[J].Physica 22D, 1986. 247～ 259.

[2]Werbos P. Beyond regression: new tools for prediction and analysis in the behavioral sciences[J]. Ph D Dissertation, Harvard University, 1974.

[3]Weigend A S. Paradigm change in prediction. In: Tong H ed.Chaos and Forecasting[J]. Singapore: World Scientific, 1995:145～ 160.

[4]Baba N., Asakawa H., Sato K., Application of techniques of computational intelligence for constructing reliable decision support systems[J]. IJCNN International Joint Conference on Neural Networks, 1999, 6:3856～3859.

[5]Baba N. , Asakawa H. , Inoue N. , Application of soft computing techniques for dealing Tokyo stock exchange prices indexes (TOPIX) [J]. Third International Conference on Knowledge- Based Intelligent Information Engineering Systems, 1999: 542～ 545.

[6]Baba N., Handa H. , Utilization of neural network for constructing a user friendly decision support system to deal stocks[J]. Proceedings IEEE International Conference on Neural Networks, 1995,2: 818～823.

[7]Jung- Hua Wang, Shiuan - Ming Chen, Jia - Yann Leu, Stock trading decision support system using a rule selector based on sliding window[J]. IEEE International Conference on Systems, Man,and Cybernetics, Computational Cybernetics and Simulation, 1997,1: 559～ 564.

[8]Yang Yiwen, Liu Guizhong, Zhang Zongping, Stock market trend prediction based on neural networks, multiresolution analysis and dynamical reconstruction[J]. Proceedings of the IEEE/IAFE/ INFORMS Conference on Computational Intelligence for Financial Engineering (CIFEr), 2000:155～ 156.

[9]謝冰，等，基于遺傳神經(jīng)網(wǎng)絡(luò)的工業(yè)股票指數(shù)預(yù)測(cè)，湖南大學(xué)學(xué)報(bào)社會(huì)科學(xué)版，2004，6：65～70.

責(zé)任編校：封明

――――――――

第2篇：神經(jīng)網(wǎng)絡(luò)的概念范文

關(guān)鍵詞： 金融風(fēng)險(xiǎn)；預(yù)警；模糊聚類；神經(jīng)網(wǎng)絡(luò)

一、引言

2014年中央經(jīng)濟(jì)工作會(huì)議明確提出要“高度重視財(cái)政金融領(lǐng)域存在的風(fēng)險(xiǎn)隱患，堅(jiān)決守住不發(fā)生系統(tǒng)性和區(qū)域性金融風(fēng)險(xiǎn)的底線”。2008年國(guó)際金融危機(jī)爆發(fā)以來(lái)，世界各國(guó)應(yīng)對(duì)金融危機(jī)的經(jīng)驗(yàn)表明，構(gòu)建金融體系風(fēng)險(xiǎn)預(yù)警機(jī)制是必要且可行的。相對(duì)于整體金融風(fēng)險(xiǎn)而言，區(qū)域性金融風(fēng)險(xiǎn)具有更強(qiáng)的外部傳導(dǎo)性和可控性，且一般早于整體金融風(fēng)險(xiǎn)爆發(fā)，在某種程度上可被視為整體金融風(fēng)險(xiǎn)的預(yù)警信號(hào)，因此，作為金融監(jiān)管的有效補(bǔ)充，研究區(qū)域性金融風(fēng)險(xiǎn)早期預(yù)警體系并進(jìn)行預(yù)警分析將對(duì)金融風(fēng)險(xiǎn)管控具有重要意義。

國(guó)外學(xué)者對(duì)于早期風(fēng)險(xiǎn)預(yù)警體系的研究較為系統(tǒng)和成熟，且已有一些金融監(jiān)管部門建立了早期預(yù)警模型，如美聯(lián)儲(chǔ)的SEER評(píng)級(jí)模型、美國(guó)聯(lián)邦存款保險(xiǎn)公司的SCOR模型、法國(guó)銀行業(yè)委員會(huì)的預(yù)期損失模型、國(guó)際貨幣基金組織的宏觀審慎評(píng)估模型等。受國(guó)際金融危機(jī)的影響，近年來(lái)國(guó)內(nèi)學(xué)者在早期金融風(fēng)險(xiǎn)預(yù)警和管理方面的研究也越來(lái)越多，但由于預(yù)警指標(biāo)選擇、風(fēng)險(xiǎn)狀態(tài)劃分及臨界值選擇等均不盡相同，因此建立的預(yù)警模型也有所差異。本文通過借鑒國(guó)內(nèi)外對(duì)金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的既有研究成果，綜合運(yùn)用模糊聚類分析、BP神經(jīng)網(wǎng)絡(luò)建模等計(jì)量分析方法，構(gòu)建區(qū)域金融風(fēng)險(xiǎn)預(yù)警體系，以期對(duì)區(qū)域性金融風(fēng)險(xiǎn)的評(píng)估和防范提供客觀性依據(jù)。

二、總體分析框架及模型構(gòu)建

本文構(gòu)建的區(qū)域金融風(fēng)險(xiǎn)早期預(yù)警體系由三部分組成：首先結(jié)合安徽區(qū)域特點(diǎn)，構(gòu)建包括經(jīng)濟(jì)因素、財(cái)政因素、金融因素、房地產(chǎn)發(fā)展、企業(yè)經(jīng)營(yíng)狀況等的區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)體系；其次利用模糊聚類分析對(duì)研究樣本進(jìn)行分類，確定BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型的分割點(diǎn)，為區(qū)域性金融風(fēng)險(xiǎn)水平的劃分提供一種新思路；最后采用人工神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)未來(lái)金融危機(jī)發(fā)生的可能性。

（一）區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)體系

區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)選擇既要考慮金融風(fēng)險(xiǎn)因素的普遍性，更要體現(xiàn)區(qū)域經(jīng)濟(jì)金融發(fā)展特點(diǎn)。指標(biāo)選取原則：一是全面性，所選指標(biāo)盡可能全面反映區(qū)域金融風(fēng)險(xiǎn)；二是可得性，所選數(shù)據(jù)要容易獲得，且期間口徑未作調(diào)整；三是匹配性，數(shù)據(jù)收集成本與模型預(yù)測(cè)的經(jīng)濟(jì)實(shí)用性相匹配。

（二）風(fēng)險(xiǎn)評(píng)估的模糊聚類分析

在分析一個(gè)時(shí)間序列的區(qū)域金融風(fēng)險(xiǎn)時(shí)，我們可以把指標(biāo)相似程度高的樣本聚集在一起，作為一個(gè)整體進(jìn)行分析，以達(dá)到簡(jiǎn)化的效果。傳統(tǒng)的聚類分析是一種“硬劃分”，即把每個(gè)待識(shí)別的對(duì)象嚴(yán)格劃分到某類中，具有“非此即彼”的性質(zhì)，這種分類的類別界限也是分明的。然而，在大多數(shù)情況下，風(fēng)險(xiǎn)類別可能并沒有嚴(yán)格的界定，其類屬性方面存在中介性，適合進(jìn)行“軟劃分”。模糊集理論為這種劃分提供了強(qiáng)有力且有效的分析工具，采用相應(yīng)的模糊聚類模型，可以取得較好的分類效果?！澳：垲悺备拍钭钤缬蒖uspini提出，之后人們利用這一概念提出了多種模糊聚類算法。本文運(yùn)用神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行模糊聚類，其優(yōu)勢(shì)在于神經(jīng)網(wǎng)絡(luò)的并行處理結(jié)構(gòu)。

（三）基于人工神經(jīng)網(wǎng)絡(luò)的早期預(yù)警體系

人工神經(jīng)網(wǎng)絡(luò)ANN）是一種在生物神經(jīng)網(wǎng)絡(luò)啟示下建立的數(shù)據(jù)處理模型，其具有強(qiáng)大的模式識(shí)別和數(shù)據(jù)擬合能力，最為可貴的是神經(jīng)網(wǎng)絡(luò)還有自學(xué)習(xí)和自適應(yīng)性。自適應(yīng)性是指一個(gè)系統(tǒng)能夠改變自身的性能以適應(yīng)環(huán)境變化的能力，當(dāng)環(huán)境發(fā)生變化時(shí)，相當(dāng)于給神經(jīng)網(wǎng)絡(luò)輸入新的訓(xùn)練樣本，網(wǎng)絡(luò)能夠自動(dòng)調(diào)整結(jié)構(gòu)參數(shù)，改變映射關(guān)系，從而對(duì)特定的輸入產(chǎn)生相應(yīng)的期望輸出。人工神經(jīng)網(wǎng)絡(luò)包括很多種，不同類型的神經(jīng)網(wǎng)絡(luò)適用于解決不同的問題，其中最為常用的一種就是BP神經(jīng)網(wǎng)絡(luò)，它是一種多層前向神經(jīng)網(wǎng)絡(luò)，其權(quán)值調(diào)整采用反向傳播學(xué)習(xí)算法。而自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)則使用了與前向神經(jīng)網(wǎng)絡(luò)完全不同的思路，采取競(jìng)爭(zhēng)學(xué)習(xí)的思想，網(wǎng)絡(luò)的輸出神經(jīng)元之間相互競(jìng)爭(zhēng)，同一時(shí)刻只有一個(gè)輸出神經(jīng)元獲勝，因此自組織神經(jīng)網(wǎng)絡(luò)主要用于解決分類、聚類問題。鑒于此，本文在進(jìn)行區(qū)域金融風(fēng)險(xiǎn)評(píng)估時(shí)，運(yùn)用自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)進(jìn)行模糊聚類分析，得出各樣本的風(fēng)險(xiǎn)類別；而在構(gòu)建區(qū)域風(fēng)險(xiǎn)早期預(yù)警體系時(shí)，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析和預(yù)測(cè)。

三、區(qū)域性金融風(fēng)險(xiǎn)早期預(yù)警的實(shí)證分析

（一）區(qū)域性金融風(fēng)險(xiǎn)監(jiān)測(cè)指標(biāo)的選取與標(biāo)準(zhǔn)化

金融風(fēng)險(xiǎn)是一個(gè)綜合性、系統(tǒng)性的概念，單純選用個(gè)別指標(biāo)不足以反映其真實(shí)水平。因此，根據(jù)客觀性、完備性、科學(xué)性、實(shí)用性、重要性原則，同時(shí)借鑒國(guó)內(nèi)外研究成果，本文選取了經(jīng)濟(jì)、財(cái)政、金融、房地產(chǎn)、企業(yè)經(jīng)營(yíng)等方面的17個(gè)金融風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，樣本區(qū)間為2009年至2014年一季度的安徽省季度數(shù)據(jù)，并根據(jù)指標(biāo)與金融風(fēng)險(xiǎn)的正負(fù)相關(guān)性對(duì)其進(jìn)行標(biāo)準(zhǔn)化。

第3篇：神經(jīng)網(wǎng)絡(luò)的概念范文

    論文摘要:隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展,智能計(jì)算方法的應(yīng)用領(lǐng)域也越來(lái)越廣泛。本文介紹了當(dāng)前存在的一些智能計(jì)算方法,闡述了其工作原理和特點(diǎn),同時(shí)對(duì)智能計(jì)算方法的發(fā)展進(jìn)行了展望。

    The Analysis for Several Classic Algorism of Intellegence Computation

    YANG Ming-hui

    (Wuhan University of Technology, Wuhan 430074, China)

    Abstract: As the computer technology develops fast, the field for intelligence algorism become wider and wider.In this paper, I introduce some methods for intelligence, and analyze their Principles and characters, finally make a Forecast of the develop of integellence computation.

    Key words:Intelligence Computation; Artificial Neural Network Algorithm;Genetic algorithm;Annealing Algorithm

    1 引言

    智能算法也稱作為“背影算法”,是人們從現(xiàn)實(shí)的生活中的各種現(xiàn)象總結(jié)出來(lái)的算法。它是從自然界得到啟發(fā),模仿它的原理而得到的算法,這樣我們可以利用仿生原理進(jìn)行設(shè)計(jì)我們的解決問題的路徑,這就是智能計(jì)算的思想。這方面的內(nèi)容很多,如人工神經(jīng)網(wǎng)絡(luò)技術(shù)、遺傳算法、模擬退火算法等,下面分別對(duì)其進(jìn)行分析。

    2 人工神經(jīng)網(wǎng)絡(luò)算法

    2.1 人工神經(jīng)網(wǎng)絡(luò)(ARTIFICIAL NEURAL NETWORK,簡(jiǎn)稱ANN)

    人工神經(jīng)網(wǎng)絡(luò)是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)。早在本世紀(jì)40年代初期,心理學(xué)家McCulloch、數(shù)學(xué)家Pitts就提出了人工神經(jīng)網(wǎng)絡(luò)的第一個(gè)數(shù)學(xué)模型,從此開創(chuàng)了神經(jīng)科學(xué)理論的研究時(shí)代。其后,F Rosenblatt、Widrow和J. J .Hopfield等學(xué)者又先后提出了感知模型,使得人工神經(jīng)網(wǎng)絡(luò)技術(shù)得以蓬勃發(fā)展。

    2.2 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

    人工神經(jīng)網(wǎng)絡(luò)的知識(shí)存儲(chǔ)容量很大。在神經(jīng)網(wǎng)絡(luò)中,知識(shí)與信息的存儲(chǔ)表現(xiàn)為神經(jīng)元之間分布式的物理聯(lián)系。它分散地表示和存儲(chǔ)于整個(gè)網(wǎng)絡(luò)內(nèi)的各神經(jīng)元及其連線上。每個(gè)神經(jīng)元及其連線只表示一部分信息,而不是一個(gè)完整具體概念。只有通過各神經(jīng)元的分布式綜合效果才能表達(dá)出特定的概念和知識(shí)。

    由于人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元個(gè)數(shù)眾多以及整個(gè)網(wǎng)絡(luò)存儲(chǔ)信息容量的巨大,使得它具有很強(qiáng)的不確定性信息處理能力。即使輸入信息不完全、不準(zhǔn)確或模糊不清,神經(jīng)網(wǎng)絡(luò)仍然能夠聯(lián)想思維存在于記憶中的事物的完整圖像。只要輸入的模式接近于訓(xùn)練樣本,系統(tǒng)就能給出正確的推理結(jié)論。

    正是因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)和其信息存儲(chǔ)的分布式特點(diǎn),使得它相對(duì)于其它的判斷識(shí)別系統(tǒng),如:專家系統(tǒng)等,具有另一個(gè)顯著的優(yōu)點(diǎn):健壯性。生物神經(jīng)網(wǎng)絡(luò)不會(huì)因?yàn)閭€(gè)別神經(jīng)元的損失而失去對(duì)原有模式的記憶。最有力的證明是,當(dāng)一個(gè)人的大腦因意外事故受輕微損傷之后,并不會(huì)失去原有事物的全部記憶。人工神經(jīng)網(wǎng)絡(luò)也有類似的情況。因某些原因,無(wú)論是網(wǎng)絡(luò)的硬件實(shí)現(xiàn)還是軟件實(shí)現(xiàn)中的某個(gè)或某些神經(jīng)元失效,整個(gè)網(wǎng)絡(luò)仍然能繼續(xù)工作。

    人工神經(jīng)網(wǎng)絡(luò)是一種非線性的處理單元。只有當(dāng)神經(jīng)元對(duì)所有的輸入信號(hào)的綜合處理結(jié)果超過某一門限值后才輸出一個(gè)信號(hào)。因此神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力學(xué)系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎(chǔ)的數(shù)字電子計(jì)算機(jī)的局限,標(biāo)志著人們智能信息處理能力的一大飛躍。

    3 遺傳算法

    3.1 特點(diǎn)

    遺傳算法是解決搜索問題的一種通用算法,對(duì)于各種通用問題都可以使用。搜索算法的共同特征為:(1)首先組成一組候選解;(2)依據(jù)某些適應(yīng)性條件測(cè)算這些候選解的適應(yīng)度;(3)根據(jù)適應(yīng)度保留某些候選解,放棄其他候選解;(4)對(duì)保留的候選解進(jìn)行某些操作,生成新的候選解。在遺傳算法中,上述幾個(gè)特征以一種特殊的方式組合在一起:基于染色體群的并行搜索,帶有猜測(cè)性質(zhì)的選擇操作、交換操作和突變操作。這種特殊的組合方式將遺傳算法與其它搜索算法區(qū)別開來(lái)。

    遺傳算法還具有以下幾方面的特點(diǎn):

    (1)遺傳算法從問題解的串集開始嫂索,而不是從單個(gè)解開始。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。傳統(tǒng)優(yōu)化算法是從單個(gè)初始值迭代求最優(yōu)解的;容易誤入局部最優(yōu)解。遺傳算法從串集開始搜索,覆蓋面大,利于全局擇優(yōu)。

    (2)許多傳統(tǒng)搜索算法都是單點(diǎn)搜索算法,容易陷入局部的最優(yōu)解。遺傳算法同時(shí)處理群體中的多個(gè)個(gè)體,即對(duì)搜索空間中的多個(gè)進(jìn)行評(píng)估,減少了陷入局部最優(yōu)解的風(fēng)險(xiǎn),同時(shí)算法本身易于實(shí)現(xiàn)并行化。

    (3)遺傳算法基本上不用搜索空間的知識(shí)或其它輔助信息,而僅用適應(yīng)度函數(shù)值來(lái)評(píng)估個(gè)體,在此基礎(chǔ)上進(jìn)行遺傳操作。適應(yīng)度函數(shù)不僅不受連續(xù)可微的約束,而且其定義域可以任意設(shè)定。這一特點(diǎn)使得遺傳算法的應(yīng)用范圍大大擴(kuò)展。

    3.2 運(yùn)用領(lǐng)域

    前面描述是簡(jiǎn)單的遺傳算法模型,可以在這一基本型上加以改進(jìn),使其在科學(xué)和工程領(lǐng)域得到廣泛應(yīng)用。下面列舉了一些遺傳算法的應(yīng)用領(lǐng)域:(1)優(yōu)化:遺傳算法可用于各種優(yōu)化問題。既包括數(shù)量?jī)?yōu)化問題,也包括組合優(yōu)化問題;(2)程序設(shè)計(jì):遺傳算法可以用于某些特殊任務(wù)的計(jì)算機(jī)程序設(shè)計(jì);(3)機(jī)器學(xué)習(xí):遺傳算法可用于許多機(jī)器學(xué)習(xí)的應(yīng)用,包括分類問題和預(yù)測(cè)問題等。

    4 退火算法

    模擬退火算法來(lái)源于固體退火原理,將固體加溫至充分高,再讓其徐徐冷卻,加溫時(shí),固體內(nèi)部粒子隨溫升變?yōu)闊o(wú)序狀,內(nèi)能增大,而徐徐冷卻時(shí)粒子漸趨有序,在每個(gè)溫度都達(dá)到平衡態(tài),最后在常溫時(shí)達(dá)到基態(tài),內(nèi)能減為最小。根據(jù)Metropolis準(zhǔn)則,粒子在溫度T時(shí)趨于平衡的概率為e-ΔE/(kT),其中ΔE為溫度T時(shí)的內(nèi)能,ΔE為其改變量,k為Boltzmann常數(shù)。用固體退火模擬組合優(yōu)化問題,將內(nèi)能E模擬為目標(biāo)函數(shù)值f ,溫度T演化成控制參數(shù)t,即得到解組合優(yōu)化問題的模擬退火算法:由初始解i和控制參數(shù)初值t開始,對(duì)當(dāng)前解重復(fù)“產(chǎn)生新解計(jì)算目標(biāo)函數(shù)差接受或舍棄”的迭代,并逐步衰減t值,算法終止時(shí)的當(dāng)前解即為所得近似最優(yōu)解,這是基于蒙特卡羅迭代求解法的一種啟發(fā)式隨機(jī)搜索過程。退火過程由冷卻進(jìn)度表(Cooling Schedule)控制,包括控制參數(shù)的初值t及其衰減因子Δt,每個(gè)t值時(shí)的迭代次數(shù)L和停止條件S。

    5 展望

    目前的智能計(jì)算研究水平暫時(shí)還很難使“智能機(jī)器”真正具備人類的常識(shí),但智能計(jì)算將在21世紀(jì)蓬勃發(fā)展。不僅僅只是功能模仿要持有信息機(jī)理一致的觀點(diǎn)。即人工腦與生物腦將不只是功能模仿,而是具有相同的特性。這兩者的結(jié)合將開辟一個(gè)全新的領(lǐng)域,開辟很多新的研究方向。智能計(jì)算將探索智能的新概念,新理論,新方法和新技術(shù),而這一切將在以后的發(fā)展中取得重大成就。

第4篇：神經(jīng)網(wǎng)絡(luò)的概念范文

關(guān)鍵詞：木質(zhì)材料；神經(jīng)網(wǎng)絡(luò)；元細(xì)胞自動(dòng)機(jī)

中圖分類號(hào)：TP391；TU366 文獻(xiàn)標(biāo)識(shí)碼：A

引言

為了對(duì)建筑進(jìn)行保護(hù)，需要對(duì)建筑構(gòu)件受到自然環(huán)境因素的破壞進(jìn)行預(yù)測(cè)。由于影響物體變化的各種因素常常具有不規(guī)則性和不可預(yù)見性，傳統(tǒng)的數(shù)學(xué)方法很難描述建筑構(gòu)件隨時(shí)間變化的過程。隨著人工神經(jīng)網(wǎng)絡(luò)理論和技術(shù)的發(fā)展，該理論得到了廣泛的應(yīng)用。我們采用元細(xì)胞自動(dòng)機(jī)（Cellular Automata―CA），并結(jié)合BP算法，對(duì)古建筑構(gòu)件受到自然環(huán)境因素的破壞進(jìn)行預(yù)測(cè)。應(yīng)用X光掃描獲取建筑構(gòu)件的2D數(shù)據(jù)，通過CA計(jì)算出每個(gè)神經(jīng)元的灰度值變化，改變建筑構(gòu)件位圖所對(duì)應(yīng)的單個(gè)像素點(diǎn)的灰度值，以預(yù)測(cè)建筑構(gòu)件的受損程度。

1 CA模型

在一般CA模型中，單元的狀態(tài)只有0或1兩種，是一個(gè)離散值，它不能夠反映出物體狀態(tài)的一個(gè)連續(xù)的，持續(xù)的變化過程。在約束性CA模型中，利用“灰度”的概念 來(lái)表示和反映單元網(wǎng)格{x，y}狀態(tài)的連續(xù)變化過程。但灰度值 從0漸變到1的時(shí)候，表示該單元格正從開始的完好狀態(tài)轉(zhuǎn)化到被完全破壞的狀態(tài)。

基礎(chǔ)約束性CA模型的表示公式：

其中， 是發(fā)展?fàn)顟B(tài)， 是狀態(tài)，N是臨近范圍， 是總的約束性條件， 是單元所在的具置。

總約束性系數(shù)的公式為：

2 建筑構(gòu)件分析

2.1 構(gòu)件的物理性質(zhì)演變分析

為了方便對(duì)建筑構(gòu)件隨時(shí)間的推移受到自然因素的侵蝕程度進(jìn)行預(yù)測(cè)分析，本文采用了將建筑構(gòu)件的模型進(jìn)行數(shù)值化處理的方法。數(shù)值化的構(gòu)件模型是2D灰度圖形，使獲取的古建筑模型的灰度圖中的每個(gè)像素點(diǎn)與神經(jīng)網(wǎng)絡(luò)的CA模型每個(gè)元細(xì)胞相對(duì)應(yīng)。利用像素點(diǎn)作為元細(xì)胞，可以方便的將CA模型和圖像處理系統(tǒng)結(jié)合起來(lái)。

獲取了建筑構(gòu)件的數(shù)值化信息后，利用神經(jīng)網(wǎng)絡(luò)的CA模型計(jì)算出每個(gè)單元格的灰度值。將溫度、濕度等自然因素的歷史數(shù)據(jù)的預(yù)測(cè)值與神經(jīng)網(wǎng)絡(luò)的CA模型相結(jié)合進(jìn)行預(yù)測(cè)，通過單個(gè)神經(jīng)元灰度的變化，直觀的顯示出建筑構(gòu)件大概的變化趨勢(shì)。

構(gòu)件的物理性能演變分析系統(tǒng)結(jié)構(gòu)如下圖所示：

2.2 單個(gè)元細(xì)胞的灰度值

建筑構(gòu)件的模型進(jìn)行數(shù)值化處理后，將每個(gè)像素點(diǎn)視為一個(gè)元細(xì)胞，用圖像的灰度（gray-scale）來(lái)表示神經(jīng)網(wǎng)絡(luò)的CA模型中單個(gè)元細(xì)胞的灰度值。

從圖像輸入后，每個(gè)像素點(diǎn)都會(huì)于某一個(gè)灰度值相對(duì)應(yīng)。將元素點(diǎn)的灰度值設(shè)定為 ，進(jìn)行灰度變化后的灰度值為 ，則灰度值的變化可表示為 或者 。

其中，設(shè)定 和 都在圖像的灰度值規(guī)定范圍內(nèi)。

函數(shù) 為灰度變換函數(shù)，它描述了輸入灰度值與輸出灰度值之間的轉(zhuǎn)換關(guān)系。

神經(jīng)網(wǎng)絡(luò)的CA模型算出每個(gè)元細(xì)胞的灰度值變化，再通過元細(xì)胞的灰度值變化來(lái)改變與元細(xì)胞相對(duì)應(yīng)的像素點(diǎn)的灰度值。

2.3 CA模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

研究采用的是BP神經(jīng)網(wǎng)絡(luò)。根據(jù)預(yù)測(cè)需要，在輸入層設(shè)定11個(gè)神經(jīng)元，每個(gè)輸入神經(jīng)元分別于11個(gè)決定古建筑變化灰度值的因素一一對(duì)應(yīng)。隱藏層的神經(jīng)元個(gè)數(shù)的選取影響結(jié)果的精確度、訓(xùn)練時(shí)間和容錯(cuò)能力。一般來(lái)說，隱藏層的神經(jīng)元越多，結(jié)果越精確，但是隱藏層的神經(jīng)元過多會(huì)大大的加大訓(xùn)練時(shí)間，同時(shí)隱藏層的神經(jīng)元的增加會(huì)造成網(wǎng)絡(luò)的容錯(cuò)能力下降。研究表明，對(duì)于n層的神經(jīng)網(wǎng)絡(luò)，其隱藏層的神經(jīng)元的數(shù)目至少為2n/3，其中n為輸入層神經(jīng)元的數(shù)目。經(jīng)過上述分析，神經(jīng)網(wǎng)絡(luò)隱藏層的神經(jīng)元的數(shù)目 ，為了使預(yù)測(cè)達(dá)到最佳效果，隱藏層的神經(jīng)元設(shè)定為8個(gè)。在輸出層中，用一個(gè)神經(jīng)元來(lái)輸出灰度值的數(shù)值，通過輸出的結(jié)果，改變每個(gè)元細(xì)胞對(duì)應(yīng)像素點(diǎn)的灰度值。所建立的CA神經(jīng)網(wǎng)絡(luò)如下：

神經(jīng)網(wǎng)絡(luò)的隱藏層采用Sigmoid傳遞函數(shù)，這使得學(xué)習(xí)過程中訓(xùn)練速度和靈敏度不高而且容易進(jìn)入飽和狀態(tài)。為了提高訓(xùn)練速度和靈敏性以及有效避開Sigmoid函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在0～1之間。本文為了減少平臺(tái)現(xiàn)象出現(xiàn)的可能性，加快學(xué)習(xí)速度，對(duì)輸入樣本進(jìn)行歸一化處理，處理方法如下：

2.4 算法推導(dǎo)

木材在自然環(huán)境中受到多種自然因素的影響，在不同的因素的影響下，木質(zhì)構(gòu)件將會(huì)產(chǎn)生不同的變化，如下圖所示：

影響古建筑木質(zhì)變化的自然因素：溫度影響，濕度影響，微生物影響。將上述三個(gè)影響古建筑變化的主要因素作為輸入層的三個(gè)輸入數(shù)據(jù)。然而，古建筑模型某個(gè)元細(xì)胞處的發(fā)展變化并不是偶然的，每個(gè)元細(xì)胞由一個(gè)狀態(tài)轉(zhuǎn)變?yōu)榱硪粋€(gè)狀態(tài)是一個(gè)連續(xù)的過程。每個(gè)元細(xì)胞的灰度值都要受到與它相鄰元細(xì)胞的灰度值的影響。因此，需要將其周圍相鄰的8個(gè)元細(xì)胞在 時(shí)刻的8個(gè)灰度值作為輸入層的輸入數(shù)據(jù)。輸入為：

至此，便可以通過元細(xì)胞灰度值的變化來(lái)改變古建筑模型每個(gè)像素點(diǎn)的顯示灰度的變化。

為了使CA模型模擬的結(jié)果更加接近于實(shí)際情況，引入隨機(jī)變量RA，其表達(dá)式為：

其中的 表示落在范圍 之間的隨機(jī)數(shù)， 為控制隨機(jī)變量大小的參數(shù)。

引入隨機(jī)變量后，求灰度值的公式變?yōu)椋?/p>

3 應(yīng)用實(shí)例

下面是采用神經(jīng)網(wǎng)絡(luò)CA模型對(duì)木質(zhì)結(jié)構(gòu)的古建筑構(gòu)件的某個(gè)區(qū)域二十年內(nèi)物理性能演變的預(yù)測(cè)分析：

圖3.a是古建筑木質(zhì)構(gòu)件的某個(gè)區(qū)域的灰度圖原圖，圖3.b是利用神經(jīng)網(wǎng)絡(luò)CA模型對(duì)原圖進(jìn)行預(yù)測(cè)五年后的圖片。從圖片中，我們可以看出圖3.a中淺淺的裂痕在圖3.b進(jìn)一步的擴(kuò)大，而原來(lái)裂痕處的灰度值有淡灰色轉(zhuǎn)化成了深灰色，同時(shí)在圖3.b的畫圈處產(chǎn)生了新的裂痕。圖3.c是對(duì)原圖進(jìn)行預(yù)測(cè)十年后的結(jié)果，與圖3.b對(duì)比可以看出裂痕進(jìn)一步擴(kuò)大，原來(lái)裂痕處的灰度等級(jí)提高，在畫圈處的裂痕結(jié)合到了一起。圖3.d和圖3.e分別是對(duì)原圖進(jìn)行預(yù)測(cè)十五后和二十年后的結(jié)果，兩圖對(duì)比可以看出，裂痕在擴(kuò)大的同時(shí)延伸出了新的細(xì)小的裂痕，裂痕有向網(wǎng)狀發(fā)展的趨勢(shì)。我們可以清晰的從兩圖的畫圈處可以看到，經(jīng)過五年的變化，畫圈處的裂痕結(jié)合到了一起。

從上述結(jié)果可以看出，將采集的古建筑木質(zhì)構(gòu)件的灰度圖，利用神經(jīng)網(wǎng)絡(luò)的CA模型對(duì)木質(zhì)構(gòu)件進(jìn)行預(yù)測(cè)，運(yùn)用CA模型中“灰度”的概念通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)預(yù)測(cè)出每個(gè)元細(xì)胞的灰度值的變化，從而計(jì)算出古建筑木質(zhì)構(gòu)件隨時(shí)間推移而受損的情況。因此，神經(jīng)網(wǎng)絡(luò)的CA模型對(duì)建筑木質(zhì)構(gòu)件的受損程度隨時(shí)間推移的預(yù)測(cè)分析有明顯的效果。

4 結(jié) 語(yǔ)

研究中，我們使數(shù)值化處理后的古建筑模型的每個(gè)像素點(diǎn)與神經(jīng)網(wǎng)絡(luò)的CA模型中的每個(gè)元細(xì)胞一一對(duì)應(yīng)，運(yùn)用CA模型中“灰度”的概念通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)預(yù)測(cè)出每個(gè)元細(xì)胞的灰度值的變化，進(jìn)而得出古建筑模型的每個(gè)像素點(diǎn)的灰度變化，以達(dá)到預(yù)測(cè)古建筑因自然環(huán)境因素侵蝕的效果。研究表明，該方法對(duì)古建筑因自然環(huán)境中的各種因素的影響而受到侵蝕程度的預(yù)測(cè)還是有效的。雖然研究的結(jié)果還略顯粗糙，但是它為今后的研究奠定了基礎(chǔ)。至于結(jié)果是否與實(shí)際情況相符合，還有待研究。

參考文獻(xiàn)：

[1] 袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].北京：清華大學(xué)出版社，1999.

[2] Wolfram S. Theory and Applications of Cellular Automata [M]. World Scientific， Singapore， 1986.

[3] 閻平凡，張長(zhǎng)水.人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算[M].北京：清華大學(xué)出版社，2005.

[4] 樓順天.基于Matlab的系統(tǒng)分析與設(shè)計(jì)[M].北京：科學(xué)出版社，2006.

第5篇：神經(jīng)網(wǎng)絡(luò)的概念范文

Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.

關(guān)鍵詞： 財(cái)務(wù)管理；神經(jīng)網(wǎng)絡(luò)；決策支持系統(tǒng)；專家系統(tǒng)

Key words: financial management；nerve network；decision support system （DSS）；expert system

中圖分類號(hào)：F275 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速發(fā)展起來(lái)的新型計(jì)算機(jī)科學(xué)。它是一個(gè)有著廣泛應(yīng)用背景的十分熱門的交叉科學(xué)。神經(jīng)網(wǎng)絡(luò)是一個(gè)具有高度非線性的超大規(guī)模連續(xù)時(shí)間的動(dòng)力系統(tǒng)。結(jié)合神經(jīng)網(wǎng)絡(luò)的智能決策支持系統(tǒng)是目前研究的前沿之一，它極具理論和使用價(jià)值。

財(cái)務(wù)管理的信息化、數(shù)字化是財(cái)務(wù)規(guī)范和科學(xué)管理的趨勢(shì)。與DSS的結(jié)合將更加有利于數(shù)據(jù)標(biāo)準(zhǔn)的統(tǒng)一，有利于數(shù)據(jù)采集的模塊化，有利于決策支持的科學(xué)化，有利于財(cái)務(wù)公開的透明化。

1 財(cái)務(wù)管理決策支持系統(tǒng)的研究現(xiàn)狀

決策支持系統(tǒng)經(jīng)過二十多年的發(fā)展，形成了如圖1所示公認(rèn)的體系結(jié)構(gòu)。它把模型并入信息系統(tǒng)軟件中，依靠管理信息系統(tǒng)和運(yùn)籌學(xué)這兩個(gè)基礎(chǔ)逐步發(fā)展起來(lái)。它為解決非結(jié)構(gòu)化決策問題提供了相應(yīng)的有用信息，給各級(jí)管理決策人員的工作帶來(lái)了便利。

從圖1可以看出決策支持系統(tǒng)體系結(jié)構(gòu)可劃分為三級(jí)，即語(yǔ)言系統(tǒng)（LS）級(jí)、問題處理系統(tǒng)（PPS）級(jí)和知識(shí)系統(tǒng)（KS）級(jí)。其中問題處理系統(tǒng)級(jí)包括推理機(jī)系統(tǒng)（RS）、模型庫(kù)管理系統(tǒng)（MBMS）、知識(shí)庫(kù)管理系統(tǒng)（KBMS）及數(shù)據(jù)庫(kù)管理系統(tǒng)（DBMS）。知識(shí)系統(tǒng)級(jí)包括模型庫(kù)（MB）、知識(shí)庫(kù)（KB）及數(shù)據(jù)庫(kù)（DB）。

九十年代中期，興起了三個(gè)輔助決策技術(shù)：數(shù)據(jù)倉(cāng)庫(kù)（DW）、聯(lián)機(jī)分析處理（OLAP）和數(shù)據(jù)挖掘（DM）。聯(lián)機(jī)分析處理是以客戶/服務(wù)器的方式完成多維數(shù)據(jù)分析。數(shù)據(jù)倉(cāng)庫(kù)是根據(jù)決策主題的需要匯集大量的數(shù)據(jù)庫(kù)，通過綜合和分析得到輔助決策的信息。數(shù)據(jù)挖掘顧名思義，是為了獲得有用的數(shù)據(jù)，在大量的數(shù)據(jù)庫(kù)中進(jìn)行篩選。人工智能技術(shù)建立一個(gè)智能的DSS人機(jī)界面，可進(jìn)行圖、文、聲、像、形等多模式交互，人機(jī)交互此時(shí)變得更為自然和諧，人們能沉浸其中，進(jìn)行合作式、目標(biāo)向?qū)降慕换シ椒ā?/p>

從目前情況來(lái)看，財(cái)務(wù)決策支持系統(tǒng)的研究還處于初級(jí)發(fā)展階段，財(cái)務(wù)數(shù)據(jù)的保密性、特殊性決定了財(cái)務(wù)決策不能全部公開化、透明化，但隨著中央及國(guó)務(wù)院相關(guān)部門財(cái)務(wù)預(yù)決算數(shù)據(jù)的公開，財(cái)務(wù)決策系統(tǒng)及其支持系統(tǒng)和過程也將隨之公開，這就要求決策者充分利用財(cái)務(wù)知識(shí)和決策支持系統(tǒng)的知識(shí)“聰明”決策、合理決策、科學(xué)決策、規(guī)范決策。

2 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)總體研究框架

2.1 神經(jīng)網(wǎng)絡(luò)運(yùn)行機(jī)制 神經(jīng)網(wǎng)絡(luò)的著眼點(diǎn)是采納生物體中神經(jīng)細(xì)胞網(wǎng)絡(luò)中某些可利用的部分，來(lái)彌補(bǔ)計(jì)算機(jī)的不足之處，而不是單單用物理的器件去完整地復(fù)制。

第一，神經(jīng)網(wǎng)絡(luò)中的鏈接的結(jié)構(gòu)和鏈接權(quán)都可以通過學(xué)習(xí)而得到，具有十分強(qiáng)大的學(xué)習(xí)功能；第二，神經(jīng)網(wǎng)絡(luò)所記憶的信息是一種分布式的儲(chǔ)存方式，大多儲(chǔ)存在神經(jīng)元之間的權(quán)中；第三，神經(jīng)網(wǎng)絡(luò)部分的或局部的神經(jīng)元被破壞后，仍可以繼續(xù)進(jìn)行其他活動(dòng)，不影響全局的活動(dòng)，因此說，神經(jīng)網(wǎng)絡(luò)的這種特性被稱作容錯(cuò)性；第四，神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單的神經(jīng)元組成的，每個(gè)神經(jīng)元雖然結(jié)構(gòu)簡(jiǎn)單，但是它們組合到一起并行活動(dòng)時(shí)，卻能爆發(fā)出較快較強(qiáng)的速度來(lái)。

我們可以利用神經(jīng)網(wǎng)絡(luò)的上述特點(diǎn)，將之應(yīng)用于模式識(shí)別、自動(dòng)控制、優(yōu)化計(jì)算和聯(lián)想記憶、軍事應(yīng)用以及決策支持系統(tǒng)中。

2.2 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能財(cái)務(wù)DSS的必然性 在企業(yè)經(jīng)營(yíng)管理、政府機(jī)構(gòu)財(cái)務(wù)活動(dòng)中，人們時(shí)常面臨著財(cái)務(wù)決策。人們往往需要根據(jù)有關(guān)的理論及經(jīng)驗(yàn)制定出一系列的衡量標(biāo)準(zhǔn)。這種評(píng)價(jià)是一個(gè)非常復(fù)雜的非結(jié)構(gòu)化決策過程，一般都是由內(nèi)行專家根據(jù)一定的專業(yè)理論憑經(jīng)驗(yàn)和直覺在收集大量不完全、不確定信息基礎(chǔ)上建立起多級(jí)指標(biāo)體系。但在這種指標(biāo)體系中，各種指標(biāo)之間的關(guān)系很難明確，而且還受評(píng)價(jià)者的效用標(biāo)準(zhǔn)和主觀偏好所左右。因此，很難在指標(biāo)體系和評(píng)價(jià)目標(biāo)間建立起準(zhǔn)確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評(píng)價(jià)方法以支持決策。自然，利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造系統(tǒng)模式來(lái)支持這類評(píng)價(jià)決策問題是目前財(cái)務(wù)管理智能決策支持系統(tǒng)的一種發(fā)展趨勢(shì)和必然趨勢(shì)[4]。

2.3 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能DSS系統(tǒng)框架 神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)主要以知識(shí)、數(shù)據(jù)和模型為主體，結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行推理與數(shù)據(jù)開采。圖2給出了神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)研究框架[2]。研究中有兩個(gè)重點(diǎn)，即神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng)。

2.3.1 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng) 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采時(shí)利用神經(jīng)網(wǎng)絡(luò)技術(shù)協(xié)助從數(shù)據(jù)中抽取模式。數(shù)據(jù)開采有五項(xiàng)基本任務(wù)：相關(guān)分析、聚類、概念描述、偏差監(jiān)測(cè)、預(yù)測(cè)。

常用的前饋式神經(jīng)網(wǎng)絡(luò)，如BP網(wǎng)絡(luò)，可用于進(jìn)行概念描述及預(yù)測(cè)。對(duì)向傳播（Counter Propagation，簡(jiǎn)稱CP）神經(jīng)網(wǎng)路可用來(lái)進(jìn)行統(tǒng)計(jì)分析和聚類。

CP網(wǎng)絡(luò)是美國(guó)神經(jīng)計(jì)算專家Robert Hecht-Nielsen提出的一種新型特征映射網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)分輸入、競(jìng)爭(zhēng)、輸出三層。該網(wǎng)絡(luò)吸取了無(wú)教師示教型網(wǎng)絡(luò)分類錄活、算法簡(jiǎn)練的優(yōu)點(diǎn)，又采納了有教師示教型網(wǎng)絡(luò)分類精細(xì)、準(zhǔn)確的好處，使兩者有機(jī)地結(jié)合起來(lái)。由競(jìng)爭(zhēng)層至輸出層，網(wǎng)絡(luò)按基本競(jìng)爭(zhēng)型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則得到各輸出神經(jīng)元的實(shí)際輸出值，并按有教師示教的誤差校正方法調(diào)整由競(jìng)爭(zhēng)層至輸出層的鏈接權(quán)。經(jīng)過這樣反復(fù)地學(xué)習(xí)，可以將任意輸入模式映射為輸出模式。

2.3.2 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng) 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)主要利用神經(jīng)網(wǎng)絡(luò)的并行處理機(jī)制來(lái)解決傳統(tǒng)推理方法中存在的“組合爆炸”、“無(wú)窮遞歸”，等問題。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，計(jì)算與存儲(chǔ)時(shí)完全合二為一的，即信息的存儲(chǔ)體現(xiàn)在神經(jīng)元互連的分布上，并以大規(guī)模并行方式處理。流動(dòng)的過程就是從部分信息找到全部信息的過程，這就是聯(lián)想記憶的基本原理。若視動(dòng)力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計(jì)算能量函數(shù)的極小點(diǎn)，系統(tǒng)最終會(huì)流向期望的最小點(diǎn)，計(jì)算也就在運(yùn)動(dòng)過程中悄悄地完成了。因而，可用雙向聯(lián)想記憶（BAM）網(wǎng)絡(luò)或CP網(wǎng)絡(luò)實(shí)現(xiàn)并行推理。CP網(wǎng)絡(luò)具有特殊的聯(lián)想推理映射功能。將輸入學(xué)習(xí)模式和期望輸出模式取為同一模式，且將之分為X和Y兩部分。網(wǎng)絡(luò)通過提供的樣本對(duì)進(jìn)行充分的學(xué)習(xí)后，就可用來(lái)進(jìn)行模式間的聯(lián)想推理。

3 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)智能DSS研究展望

當(dāng)前世界上最熱門的研究課題，是模仿人類的思維方式來(lái)解決實(shí)際問題。專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)是比較常用的技術(shù)，但由于自身的局限性，它們都側(cè)重于人類思維方式的某一方面。平時(shí)解決簡(jiǎn)單的問題的時(shí)候還好，但真遇到解決復(fù)雜的問題的時(shí)候，它就顯得力不從心了，所以，這個(gè)時(shí)候我們可以將兩種技術(shù)結(jié)合起來(lái)解決，除了它們要自身不斷發(fā)展和完善外，還要注重兩者的協(xié)調(diào)配合，神經(jīng)網(wǎng)絡(luò)DSS未來(lái)的發(fā)展趨勢(shì)就是依靠這兩種技術(shù)不斷結(jié)合，從而能幫助我們解決更多的實(shí)際問題。

3.1 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng) 常見的財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)主要包括幾個(gè)方面：知識(shí)維護(hù)、知識(shí)表示、知識(shí)獲取、推理等，我們針對(duì)各個(gè)步驟展開討論。

3.1.1 知識(shí)維護(hù)。如果知識(shí)是通過人工神經(jīng)網(wǎng)絡(luò)來(lái)獲取的，我們就可以同樣利用人工神經(jīng)網(wǎng)絡(luò)，來(lái)讓維護(hù)工作變得更加方便快捷，維護(hù)可以通過人工神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)完成，我們需要做的只是重新運(yùn)行網(wǎng)絡(luò)模塊，或者重新訓(xùn)練網(wǎng)絡(luò)模塊，又或是增加新的網(wǎng)絡(luò)模塊。

3.1.2 推理。一般的專家系統(tǒng)只是求解專門性問題，應(yīng)用的領(lǐng)域非常狹窄，同時(shí)由于控制策略不靈活，推理方法簡(jiǎn)單，容易出現(xiàn)一些這樣或那樣的問題，推理效率低、速度慢。人工神經(jīng)網(wǎng)絡(luò)可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識(shí)空間，不只局限在狹窄的領(lǐng)域。

3.1.3 知識(shí)表示。很多專家知識(shí)事實(shí)上很難用規(guī)則表示出來(lái)，但在現(xiàn)實(shí)工作中，我們大部分財(cái)務(wù)管理專家卻都采取這種方式，無(wú)論是直接的還是間接的。其它的知識(shí)表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來(lái)將知識(shí)提供給專家系統(tǒng)，這樣做就可以避免這一問題，當(dāng)專家系統(tǒng)需要相應(yīng)知識(shí)時(shí)，就不需要用規(guī)則來(lái)表示知識(shí)，直接調(diào)用人工神經(jīng)網(wǎng)絡(luò)就可以了。

3.1.4 知識(shí)獲取。人工神經(jīng)網(wǎng)絡(luò)可以幫專家系統(tǒng)來(lái)獲取知識(shí)，知識(shí)獲取是通過人機(jī)對(duì)話的形式進(jìn)行的。首先，專家系統(tǒng)向?qū)＜姨岢鰡栴}，人工神經(jīng)網(wǎng)路則負(fù)責(zé)對(duì)這些信息進(jìn)行收集、處理，在人工神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值中已經(jīng)具有通用的知識(shí)，所以這一步驟會(huì)很方便，之后再產(chǎn)生相應(yīng)的數(shù)據(jù)結(jié)果。接著，專家系統(tǒng)在對(duì)這些數(shù)據(jù)進(jìn)行進(jìn)一步的分析。在這一過程中，專家系統(tǒng)只運(yùn)用很少的規(guī)則就可以獲得相關(guān)的知識(shí)，大大提高了工作效率。

3.2 財(cái)務(wù)管理專家系統(tǒng)支持神經(jīng)網(wǎng)絡(luò) 財(cái)務(wù)管理專家主要通過三種方式來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)提供必要的支持：第一，提供相應(yīng)的必要的解釋；第二，進(jìn)行預(yù)處理；第三，聯(lián)合應(yīng)用。

3.2.1 解釋。作為專家系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它做不到同其他專家系統(tǒng)那樣，具體詳細(xì)地跟蹤問題求解的過程，以獲得答案的原因，它只能依靠增加一個(gè)小型的專家來(lái)解決這一問題，以獲得答案的原因，這個(gè)專家系統(tǒng)可以反向推理，從結(jié)果到初始輸入，系統(tǒng)提供具體的解決方法。

在這種模式中，經(jīng)過訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)來(lái)解決問題。當(dāng)用戶要求解釋的時(shí)候，就可以通過網(wǎng)絡(luò)輸入一個(gè)并行的專家系統(tǒng)。

3.2.2 預(yù)處理。對(duì)于人工神經(jīng)網(wǎng)絡(luò)來(lái)說，處理數(shù)據(jù)這項(xiàng)工作比較難。專家系統(tǒng)可以幫助人工神經(jīng)做好這些工作：選擇合適的收斂算法，確定訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本的數(shù)量，選擇合適的神經(jīng)網(wǎng)絡(luò)。收集正確數(shù)據(jù)的工作，對(duì)于人工神經(jīng)網(wǎng)絡(luò)來(lái)說至關(guān)重要，事先對(duì)它們進(jìn)行預(yù)處理，可以確保各項(xiàng)工作順利的完成。

3.2.3 聯(lián)合應(yīng)用。將一個(gè)復(fù)問題分解為幾個(gè)子問題，如下圖3所示，再將各個(gè)子問題來(lái)逐個(gè)解決，這就是我們所常說說的聯(lián)合應(yīng)用方法。它可以直接采用人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)以及其種可能的方法來(lái)解決問題，指導(dǎo)實(shí)際應(yīng)用。

我們當(dāng)前計(jì)算機(jī)所要解決的主要問題，是如何解決半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策等問題，它是人們?cè)谌粘Ｉ钪兴?jīng)常遇到的，在財(cái)務(wù)活動(dòng)中會(huì)大量存在。如何更科學(xué)、更合理地處理這些問題是我們當(dāng)前工作的主要方向。運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)處理半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策是一種智能化的求解方式。但是此種方式并不是完美無(wú)缺的，它還存在著一定程度上的缺點(diǎn)，我們只有改善這種技術(shù)上的不成熟，將智能化研究進(jìn)行到底，才能讓神經(jīng)網(wǎng)絡(luò)決策支持系統(tǒng)的研究出現(xiàn)新的進(jìn)展。

參考文獻(xiàn)：

[1]陳文偉.智能決策技術(shù).電子工業(yè)出版社，1998年.

[2]鐘義信.智能理論與技術(shù)——人工智能與神經(jīng)網(wǎng)絡(luò).人民郵電出版社，1992年.

第6篇：神經(jīng)網(wǎng)絡(luò)的概念范文

關(guān)鍵詞:灰色神經(jīng)網(wǎng)絡(luò);商品銷售;算法;銷售預(yù)測(cè)

中圖分類號(hào):F71文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2009)27-7743-02

市場(chǎng)銷售是根據(jù)根據(jù)市場(chǎng)過去和現(xiàn)在的信息,運(yùn)用一定的數(shù)學(xué)方法,對(duì)產(chǎn)品的需求進(jìn)行評(píng)估推測(cè),市場(chǎng)預(yù)測(cè)可以減少企業(yè)風(fēng)險(xiǎn),為企業(yè)決策提供依據(jù)。做為市場(chǎng)預(yù)測(cè)組成部分的需求預(yù)測(cè),是直接影響企業(yè)生產(chǎn)企業(yè),投資取向,庫(kù)存保有量的重要依據(jù),精確的需求預(yù)測(cè)可以減少庫(kù)存,降低訂單流失率,更有效的配置資源。對(duì)于商品銷售預(yù)測(cè)來(lái)說,有很多種方法,本文采用灰色神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)商品銷量。

1 灰色系統(tǒng)和神經(jīng)網(wǎng)絡(luò)概述

1.1 灰色系統(tǒng)

灰色系統(tǒng)理論是一種研究少數(shù)據(jù)、貧信息、不確定性問題的新方法,它以“部分信息已知,部分信息未知”的“小樣本”,“貧信息”不確定系統(tǒng)為研究對(duì)象,通過對(duì)“部分”已知信息的生成、開發(fā)、提取有價(jià)值的信息,實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行行為、演化規(guī)律的正確描述和有效監(jiān)控。它是我國(guó)學(xué)者鄧聚龍教授在1982年首先提出的,經(jīng)過20年的發(fā)展,灰色系統(tǒng)已基本建立起一門新興學(xué)科的結(jié)構(gòu)體系,其主要內(nèi)容包括以灰色朦朧集為基礎(chǔ)的理論體系,以灰色關(guān)聯(lián)空間為依托的分析體系,以灰色序列生成為基礎(chǔ)的方法體系,以灰色模型為核心的模型體系和以系統(tǒng)分析、評(píng)估、建模、預(yù)測(cè)、決策、控制、優(yōu)化為主體的技術(shù)體系。

灰色系統(tǒng)中建立的模型稱為灰色模型(GreyModel)簡(jiǎn)稱GM模型,是以原始數(shù)據(jù)序列為基礎(chǔ)做某種生成后建立的微分方程。建模中最有代表性的是針對(duì)時(shí)間序列的GM建模,它直接將時(shí)間序列數(shù)據(jù)轉(zhuǎn)化為微分方程,利用系統(tǒng)信息,使抽象的模型量化,量化的概念模型化,最后進(jìn)行模型優(yōu)化,從而使所建的GM模型在尋求不到系統(tǒng)的概率特性或隸屬特性的情況下顯示其優(yōu)越性。

1.2 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)理論(ArtificialNeuralNetworks)是智能算法理論的一種,由于其具有大規(guī)模并行處理、分布式信息存儲(chǔ),容錯(cuò)性,自組織性和自適應(yīng)性等特點(diǎn),目前已經(jīng)得到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。目前,人工神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用在函數(shù)擬合、數(shù)據(jù)預(yù)測(cè)、模式識(shí)別、優(yōu)化控制等很多工程領(lǐng)域,并在一些傳統(tǒng)方法難以解決的問題上取得了滿意的結(jié)果。

人工神經(jīng)是由一些稱為神經(jīng)元的基本部件按一定規(guī)則組合形成的,它由神經(jīng)元,神經(jīng)元間連接方式和訓(xùn)練規(guī)則三個(gè)因素組成。其中最主要的部分是神經(jīng)元,它由由輸入,非線性變換和輸出三部分構(gòu)成,是一個(gè)基本計(jì)算單元,計(jì)算過程為,輸入經(jīng)過權(quán)值連接到內(nèi)部后求和,和值首先與一個(gè)閥值做比較,然后經(jīng)過非線性變化,得到輸出。神經(jīng)元的非線性變換有多種形式,比較常用的有Sigmoid函數(shù),限幅函數(shù)等。神經(jīng)元間不同的連接方式構(gòu)成了不同類型的神經(jīng)網(wǎng)絡(luò),比如信號(hào)由一層單向傳播到另一層的前饋型神經(jīng)網(wǎng)絡(luò),信號(hào)在層與層之間傳播的反饋型神經(jīng)網(wǎng)絡(luò)等。目前,比較典型的神經(jīng)網(wǎng)絡(luò)包括BP網(wǎng)絡(luò),RBF網(wǎng)絡(luò)、小波網(wǎng)絡(luò)等。

2 基于灰色神經(jīng)網(wǎng)絡(luò)的銷量建模

2.1 網(wǎng)絡(luò)建模

對(duì)于銷量預(yù)測(cè)的問題來(lái)說,灰色模型GNNM(1,N)的微分表達(dá)式為:

其中, y1是商品的銷售量,y2-yn是影響銷售量的因子。

求解微分方程(1)可得如下的離散響應(yīng)方程:

令 ,則式2變?yōu)?

y1的閥值設(shè)為: 。

BP網(wǎng)絡(luò)LB層神經(jīng)元的激活函數(shù)取為Sigmoid函數(shù):

將式(3)變型后映射到BP網(wǎng)絡(luò)中,得到如下的映射銷量問題的灰色神經(jīng)網(wǎng)絡(luò)模型,如圖1所示。

2.2 學(xué)習(xí)算法

該模型中各個(gè)參數(shù)根據(jù)網(wǎng)絡(luò)輸出和實(shí)際輸出的誤差進(jìn)行調(diào)整,從而是網(wǎng)絡(luò)輸出不斷逼近實(shí)際輸出,學(xué)習(xí)算法如下:

Step 1.根據(jù)系統(tǒng)數(shù)據(jù)列特征,選取兩個(gè)較小的值做為 a,b1,b2,…,bn-1

Step 2.根據(jù)網(wǎng)絡(luò)權(quán)值定義計(jì)算ω11,ω21,ω22, …,ω2n,ω31,ω32,…,ω3n

Step 3.對(duì)每一個(gè)輸入序列(t,y(t)),(t=1,2,3,…,N)進(jìn)行如下操作:

t輸入LA層節(jié)點(diǎn),對(duì)LB、LC、LD層的節(jié)點(diǎn)進(jìn)行如下計(jì)算:

計(jì)算每層輸出

計(jì)算網(wǎng)絡(luò)輸出與期望輸出的誤差

調(diào)整隔層權(quán)值:

調(diào)整LB到LC的連接權(quán)值:

調(diào)整LA到LB的連接權(quán)值:

調(diào)整閥值:

Step 4重復(fù)步驟3,直至滿足結(jié)束條件為止。

2.3 總體設(shè)計(jì)

采用灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行銷量預(yù)測(cè),總的步驟分為灰色神經(jīng)網(wǎng)絡(luò)構(gòu)建,灰色神經(jīng)網(wǎng)絡(luò)訓(xùn)練和灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)三步,其中灰色神經(jīng)網(wǎng)絡(luò)構(gòu)建是根據(jù)輸入輸出變量構(gòu)建灰色神經(jīng)網(wǎng)絡(luò),灰色神經(jīng)網(wǎng)絡(luò)訓(xùn)練是對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)是對(duì)訓(xùn)練好的網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè),其灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)總體框圖如圖2所示。

3 基于灰色神經(jīng)網(wǎng)絡(luò)的銷量預(yù)測(cè)

采用灰色神經(jīng)來(lái)對(duì)某型冰箱的銷售的做預(yù)測(cè),分析得出影響該型冰箱的市場(chǎng)需求的因素為以下幾個(gè)指標(biāo),1)競(jìng)爭(zhēng)對(duì)手;2)市場(chǎng)特征;3)成本;4)廣告力度;5)品牌認(rèn)可;6)售后服務(wù);7)價(jià)格性價(jià)比。輸出數(shù)據(jù)為銷售量,用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練預(yù)測(cè),設(shè)置輸入節(jié)點(diǎn)數(shù)為8,輸出節(jié)點(diǎn)數(shù)為1,即為預(yù)測(cè)銷售量,網(wǎng)絡(luò)共迭代100次,得到的預(yù)測(cè)值和實(shí)際值的結(jié)果如圖3所示。

從圖3中可以看到,灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的銷量值和實(shí)際值非常接近,說明了灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的有效性。

第7篇：神經(jīng)網(wǎng)絡(luò)的概念范文

[關(guān)鍵詞]模糊?；恍〔ㄉ窠?jīng)網(wǎng)絡(luò)；股指區(qū)間預(yù)測(cè)

[DOI]101.3939/jcnkizgsc20162.71.1.3

1引言

隨著股票市場(chǎng)的逐漸完善和發(fā)展，投資金融理財(cái)產(chǎn)品成為越來(lái)越多的家庭和個(gè)人的選擇，股票就是其中重要的一種理財(cái)產(chǎn)品。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域興起的研究熱點(diǎn)，并且憑借其優(yōu)秀的非線性逼近和泛化能力在金融市場(chǎng)得到了廣泛的應(yīng)用。王文波等人進(jìn)行了基于EMD 與神經(jīng)網(wǎng)絡(luò)的中國(guó)股票市場(chǎng)預(yù)測(cè)[1]，任崇嶺等人進(jìn)行了基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)客流量預(yù)測(cè)研究[2]，以上研究表明神經(jīng)網(wǎng)絡(luò)在股票市場(chǎng)上有較好的實(shí)際預(yù)測(cè)效果并獲得了廣泛的應(yīng)用。潘曉明等人通過采用遺傳算法的神經(jīng)網(wǎng)絡(luò)集成建立了一種股票市場(chǎng)預(yù)測(cè)模型。[3]劉沛漢等基于遺傳算法優(yōu)化進(jìn)行了神經(jīng)網(wǎng)絡(luò)的光伏電站短期功率預(yù)測(cè)[4]等，上述研究結(jié)果表明遺傳算法在優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，降低誤差方面有顯著作用。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)多得到股指點(diǎn)的預(yù)測(cè)，但是股票市場(chǎng)隨機(jī)性較大，投資者往往更希望得到股指在未來(lái)一段時(shí)間的波動(dòng)區(qū)間作為投資參考。因此，文章通過將股指開盤數(shù)據(jù)模糊粒化，然后在小波神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上建立一種新型的股指區(qū)間預(yù)測(cè)模型，并使用遺傳算法優(yōu)化模型參數(shù)，獲得更高的精度，預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)股指波動(dòng)范圍，為股市投資者提供投資參考。

2模型的建立

2.1信息?；?/p>

1979年，LAzadeh教授提出了“信息?；保↖nformation Granulation）的概念。信息?；褪峭ㄟ^一定的劃分準(zhǔn)則，將原始數(shù)據(jù)中難以辨別，或者具有特定功能相似的數(shù)據(jù)聚集成多個(gè)集合，構(gòu)成一個(gè)個(gè)信息粒，這種信息處理的方式稱之為信息粒化。一般形式如下：

2.2基于遺傳算法和BP學(xué)習(xí)的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

2.2.1遺傳算法的使用

遺傳算法（Genetic Algorithm）是一種模擬生物進(jìn)化機(jī)制的算法，具有較好的收斂性、極高魯棒性和廣泛適用性，可有效提高模型預(yù)測(cè)精度。因此，文章采用全局搜索能力較好的遺傳算法優(yōu)化網(wǎng)絡(luò)參數(shù)，步驟如下。

2.2.2小波神經(jīng)網(wǎng)絡(luò)的建立

小波神經(jīng)網(wǎng)絡(luò)是在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，以小波基函數(shù)作為隱含層節(jié)點(diǎn)傳遞函數(shù)，信號(hào)前向傳播的同時(shí)誤差反向傳播的神經(jīng)網(wǎng)絡(luò)。文章選取Morlet母小波基函數(shù)作為隱含層小波基函數(shù)：

采用梯度修正算法高模型的預(yù)測(cè)精度、使預(yù)測(cè)輸出更接近期望輸出，修正過程如下：

3實(shí)證分析

文章選擇我國(guó)股票市場(chǎng)中的上證指數(shù)作為研究數(shù)據(jù)。文章選取201.4 年1.2月2.2 日至2016 年3 月16 日的300 個(gè)交易日的上證指數(shù)開盤數(shù)據(jù)進(jìn)行預(yù)測(cè)，數(shù)據(jù)源于新浪財(cái)經(jīng)。將300個(gè)開盤數(shù)據(jù)每4 天劃分成一個(gè)數(shù)據(jù)粒，劃分成75個(gè)數(shù)據(jù)塊，隸屬函數(shù)的參數(shù)即對(duì)應(yīng)模糊上界，模糊中值和模糊下界。文章使用模糊下界和模糊上界作為股票指數(shù)所在的區(qū)間。

以股指分塊數(shù)據(jù)的上界為例，選取前72個(gè)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，后3個(gè)數(shù)據(jù)作為測(cè)試集。文章選取前6個(gè)數(shù)據(jù)作為小波神經(jīng)網(wǎng)絡(luò)的輸入。隱含層節(jié)點(diǎn)的數(shù)目可根據(jù)經(jīng)驗(yàn)公式[KF（]m+n[KF）]+α 計(jì)算，其中α 是取值0～10之間的常數(shù)，經(jīng)過多次嘗試隱含層節(jié)點(diǎn)為1.3時(shí)效果最好，輸出層節(jié)點(diǎn)個(gè)數(shù)為1，文章的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為6-1.3-1。

用遺傳算法計(jì)算小波神經(jīng)網(wǎng)絡(luò)測(cè)初始狀態(tài)，這里文章基于Matlab的Gatbx遺傳算法工具箱進(jìn)行編寫。具體的參數(shù)設(shè)置為：①個(gè)體數(shù)目：50；②最大遺傳代數(shù)：20；③變異概率：005；④交叉概率：08；⑤代溝：09。

采用梯度下降法訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，梯度下降訓(xùn)練具體參數(shù)如下：（1）小波神經(jīng)網(wǎng)絡(luò)權(quán)值學(xué)習(xí)速率η1=002；（2）小波基函數(shù)伸縮、平移因子學(xué)習(xí)速率η1=001；（3）小波神經(jīng)網(wǎng)絡(luò)最大迭代次數(shù)為600次。訓(xùn)練結(jié)果和訓(xùn)練誤差如下。

利用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)得到2016年3月1日～3月16日的模糊上界的預(yù)測(cè)值。類似地，對(duì)上證指數(shù)模糊中間值以及模糊下界進(jìn)行相同的處理方式，可以得到具體的股指預(yù)測(cè)區(qū)間為[2.73.6，2.889]、 [2.705，2.877]和[2.74.3，2.960]。2016年3月1日～2016年3月16日股指區(qū)間預(yù)測(cè)結(jié)果和實(shí)際股指圖如下所示。

由上圖可以看出，2016年3月1日―2016年3月16日一共1.2個(gè)交易日的數(shù)據(jù)幾乎全部屬于小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)區(qū)間，并且模型預(yù)測(cè)區(qū)間波動(dòng)較小，預(yù)測(cè)較為精確。模型可以較好地預(yù)測(cè)股票指數(shù)在沒有重大政策影響的情況下的波動(dòng)情況。

對(duì)于模型預(yù)測(cè)誤差，本文采取均方根誤差（RMSE），平均絕對(duì)百分比誤差（MAPE），最大絕對(duì)誤差百分比（MaxAPE）這三項(xiàng)指標(biāo)來(lái)進(jìn)行衡量。按照如下計(jì)算公式計(jì)算得到預(yù)測(cè)結(jié)果誤差并得到計(jì)算結(jié)果：

4結(jié)語(yǔ)

文章提出了一種基于模糊?；瓦z傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)股票指數(shù)區(qū)間預(yù)測(cè)模型。該模型通過對(duì)上證指數(shù)開盤數(shù)據(jù)進(jìn)行模糊?；?，建立一個(gè)基于遺傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)，并對(duì)未來(lái)幾日的上證指數(shù)進(jìn)行預(yù)測(cè)。實(shí)際結(jié)果表明，這一預(yù)測(cè)模型可以較好地預(yù)測(cè)未來(lái)4日上證指數(shù)的波動(dòng)區(qū)間，并且具有較高的預(yù)測(cè)精度，可以作為股票投資者的一種投資參考，有效地規(guī)避風(fēng)險(xiǎn)，從而獲取更大的收益。

參考文獻(xiàn)：

[1]王文波，等基于EMD與神經(jīng)網(wǎng)絡(luò)的中國(guó)股票市場(chǎng)預(yù)測(cè)[J].系統(tǒng)工程理論與實(shí)踐，2010，30（6）：102.7-103.3.

[2]任崇嶺，等基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)客流量預(yù)測(cè)研究[J].科學(xué)技術(shù)與工程，201.1，1.1（2.1）：5099-5.103.

[3]潘曉明，等基于遺傳算法神經(jīng)網(wǎng)絡(luò)集成股票市場(chǎng)預(yù)測(cè)研究[J].廣西師范學(xué)院學(xué)報(bào)，2007，2.4（1）：77-83.

[4]劉沛漢，等基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的光伏電站短期功率預(yù)測(cè)[J].水電能源科學(xué)，2016，3.4（1）：2.1.1-2.1.4.

第8篇：神經(jīng)網(wǎng)絡(luò)的概念范文

【關(guān)鍵詞】信息安全；技術(shù)；矩陣模型；神經(jīng)網(wǎng)絡(luò)效應(yīng)

1.IT網(wǎng)絡(luò)安全策略的趨勢(shì)

網(wǎng)絡(luò)是IT 中的一個(gè)大的概念，如何能夠在其中解決上述的問題，是有很多新技術(shù)、新產(chǎn)品拿來(lái)借鑒的。今天要提到的應(yīng)對(duì)策略，則是希望通過對(duì)新技術(shù)的分析和融合，從而輔助決策者的判斷，讓我們結(jié)合自身的運(yùn)作經(jīng)營(yíng)模式，產(chǎn)生獨(dú)到的思路和理念，將其融入到我們企業(yè)網(wǎng)絡(luò)建設(shè)的安全防護(hù)中去，才能做到企業(yè)的網(wǎng)絡(luò)安全防護(hù)適應(yīng)自身、有特色，才會(huì)做到發(fā)展同時(shí)而不被技術(shù)和產(chǎn)品的更新所牽制。

2.采用矩陣式架構(gòu)建立網(wǎng)絡(luò)資源平臺(tái)

2.1現(xiàn)有的網(wǎng)絡(luò)管理模式分析

這里提到的網(wǎng)絡(luò)雙向管理，主要就是邏輯上的縱向安全分級(jí)管理，以及橫向的企業(yè)應(yīng)用分區(qū)分域管理。

縱向的企業(yè)內(nèi)部分級(jí)主要就是完成對(duì)物理節(jié)點(diǎn)的接入進(jìn)行vlan 控制、端口隔離等邏輯網(wǎng)絡(luò)設(shè)置，在某些時(shí)候可以減小網(wǎng)絡(luò)風(fēng)暴、Ddos 等攻擊的作用域，但僅限于對(duì)此類攻擊范圍的最小化，而對(duì)具體的攻擊包并無(wú)法進(jìn)行識(shí)別和處理，這種縱向分級(jí)的措施只是把網(wǎng)絡(luò)風(fēng)暴和各種基于網(wǎng)絡(luò)的病毒包控制在一定的區(qū)域內(nèi)發(fā)生，并沒有從實(shí)際上將其隔離出網(wǎng)絡(luò)。

橫向的企業(yè)應(yīng)用，也就是依賴于IP協(xié)議的網(wǎng)絡(luò)應(yīng)用，這種管理只發(fā)生在QSI-7層模型的會(huì)話層、應(yīng)用層以及表示層，數(shù)據(jù)包的加密和解密過程也都在這些邏輯層進(jìn)行，而真正傳送數(shù)據(jù)包的網(wǎng)絡(luò)并沒有做任何限制，只是簡(jiǎn)單的依賴于網(wǎng)絡(luò)的傳輸協(xié)議，協(xié)議通過就可以進(jìn)行傳輸，其目的地址的安全性對(duì)整個(gè)網(wǎng)絡(luò)是公開和透明的。表現(xiàn)在企業(yè)內(nèi)部最主要的安全漏洞就是基于C/S體系開發(fā)出來(lái)的軟件系統(tǒng)，只要在網(wǎng)絡(luò)內(nèi)，任何PC都具備對(duì)數(shù)據(jù)庫(kù)進(jìn)行訪問的權(quán)限。在一定程度上，此時(shí)的網(wǎng)絡(luò)架構(gòu)的橫向應(yīng)用管理是存在一定的風(fēng)險(xiǎn)性的。

端口的帶寬限制：這種情況會(huì)表現(xiàn)在網(wǎng)絡(luò)系統(tǒng)的某些區(qū)域出現(xiàn)帶寬吃緊，而某些區(qū)域的帶寬空閑很大，資源不能釋放給其他吃緊的區(qū)域，讓企業(yè)的網(wǎng)絡(luò)這邊空閑而那邊卻擁堵的厲害，往往是讓系統(tǒng)管理人員對(duì)整個(gè)網(wǎng)絡(luò)系統(tǒng)的運(yùn)行狀況無(wú)法捉摸，不能做出很準(zhǔn)確的維護(hù)判斷。

2.2建立矩陣網(wǎng)絡(luò)模型的新思路

網(wǎng)絡(luò)是一種資源，這種資源的缺失是以它的帶寬以及負(fù)載能力為主要指標(biāo)的，再加之不斷增長(zhǎng)的終端設(shè)備，其網(wǎng)絡(luò)需求才是最終影響網(wǎng)絡(luò)速度的主要因素。網(wǎng)絡(luò)安全的設(shè)計(jì)一定要圍繞終端設(shè)備中運(yùn)行的網(wǎng)絡(luò)應(yīng)用展開。由此可看，我們對(duì)網(wǎng)絡(luò)的設(shè)計(jì)實(shí)際上可以轉(zhuǎn)變?yōu)槿绾稳テ胶膺@種資源的消耗和補(bǔ)償。

要解決這個(gè)問題，筆者建立了一種二維矩陣邏輯模型，命名ax=by為線性公式，a，b為補(bǔ)償值，從而使得45度的中心角度分割線將其分為上下兩部分，上邊的部分被定義為網(wǎng)絡(luò)資源補(bǔ)償區(qū)，下邊的部分定義為網(wǎng)絡(luò)資源的消耗區(qū)，中心的這條線由原點(diǎn)開始允許其無(wú)限的向外延展，但其運(yùn)動(dòng)軌跡始終是圍繞著x=y 的這條線上下調(diào)整著，a，b的數(shù)值即為調(diào)整值。

調(diào)整的過程也就是網(wǎng)絡(luò)資源消耗和不斷補(bǔ)充的過程，在這個(gè)過程中，這條向外無(wú)限延展的線應(yīng)根據(jù)實(shí)際應(yīng)用數(shù)據(jù)量伸長(zhǎng)與縮短，可伸長(zhǎng)是體現(xiàn)網(wǎng)絡(luò)具有無(wú)限可擴(kuò)的特點(diǎn)，縮短是體現(xiàn)了網(wǎng)絡(luò)的資源得到了最可能的節(jié)省。

在網(wǎng)絡(luò)資源使用級(jí)別的定義中，我們可以利用ax=by線性公式的a，b的比值與1的比較來(lái)完成具體節(jié)點(diǎn)的應(yīng)用等級(jí)的設(shè)定，即當(dāng)a=b時(shí)，此時(shí)的節(jié)點(diǎn)網(wǎng)絡(luò)應(yīng)用等級(jí)最高，當(dāng)a>b時(shí)，網(wǎng)絡(luò)應(yīng)用等級(jí)會(huì)隨著資源的補(bǔ)充而逐漸提高，當(dāng)a

根據(jù)這種網(wǎng)絡(luò)模型建立起來(lái)的網(wǎng)絡(luò)架構(gòu)，具備資源耗盡檢測(cè)機(jī)制和資源補(bǔ)充機(jī)制，每個(gè)單獨(dú)的網(wǎng)絡(luò)應(yīng)用對(duì)資源的需求不受本身節(jié)點(diǎn)的瓶頸影響，有了補(bǔ)償機(jī)制，再結(jié)合運(yùn)行級(jí)別的設(shè)定，就可借用此機(jī)制順暢的運(yùn)行在網(wǎng)絡(luò)中。

通過對(duì)線性公式的觀察，我們不難發(fā)現(xiàn)，在資源消耗區(qū)距離中心分割線越近的節(jié)點(diǎn)，網(wǎng)絡(luò)應(yīng)用等級(jí)最高，反之，等級(jí)就越低；在資源補(bǔ)償區(qū)，距離中心分割線越近的網(wǎng)絡(luò)資源最不易被釋放，反之，越遠(yuǎn)越容易被釋放。

這種概念模型能夠解決網(wǎng)絡(luò)應(yīng)用中的等級(jí)設(shè)定與資源分配的問題，那么基于矩陣模型建立網(wǎng)絡(luò)結(jié)構(gòu)，就可以適應(yīng)未來(lái)網(wǎng)絡(luò)結(jié)構(gòu)的變化，達(dá)到資源可控的目的。其模型圖如下。

網(wǎng)絡(luò)資源矩陣輯模型圖

3.神經(jīng)網(wǎng)絡(luò)效應(yīng)與網(wǎng)絡(luò)安全防護(hù)

在傳統(tǒng)思維中我們總是在網(wǎng)絡(luò)邊界增加防火墻來(lái)降低攻擊域，這會(huì)犧牲更多的網(wǎng)絡(luò)資源為代價(jià)，這會(huì)造成資金投入的大量浪費(fèi)。如果我們能夠不去考慮邊界的擴(kuò)展安全，而是將“云”里所有的節(jié)點(diǎn)都虛擬化，到處都是邊界，那么，有沒有一種模型能夠處理這種虛擬“云”的安全問題呢？

這就需要一種新的概念模型來(lái)降低擴(kuò)展資源的投資風(fēng)險(xiǎn)，將“云”中的每個(gè)虛擬個(gè)體作為“神經(jīng)元”，從而形成牽一發(fā)動(dòng)全局的“神經(jīng)網(wǎng)絡(luò)”。

“神經(jīng)網(wǎng)絡(luò)”這個(gè)概念是人們從醫(yī)學(xué)領(lǐng)域里首先認(rèn)識(shí)到的，是建立AI人工智能機(jī)器人的雛形概念模型的方法論，也就是說，利用可遍布全身的神經(jīng)網(wǎng)絡(luò)來(lái)搜集信息傳輸給大腦，達(dá)到讓機(jī)器人做出行為判斷的目的。那么，可不可以也把這種概念引入到網(wǎng)絡(luò)的安全防護(hù)的建設(shè)中呢？我們可以通過以下科學(xué)分析來(lái)得出答案。

網(wǎng)絡(luò)帶寬和應(yīng)用是可被分配和共享的資源，兩者都具有“云”的特性，那么，在沒有任何防護(hù)機(jī)制在其中運(yùn)行的情況下，“烏云”是很容易產(chǎn)生并逐漸擴(kuò)大的，這里的“烏云”是一種比喻，是形容存在網(wǎng)絡(luò)中的某些子域?！盀踉啤钡漠a(chǎn)生會(huì)讓網(wǎng)絡(luò)病毒大面積發(fā)作、某些節(jié)點(diǎn)對(duì)所有出口進(jìn)行非法偵測(cè)和頻繁掃描的狀況，從而形成對(duì)整個(gè)網(wǎng)絡(luò)的威脅。

如果把所有的網(wǎng)絡(luò)資源都當(dāng)成“神經(jīng)元”，再建立一種管理機(jī)制將其控制起來(lái)，就會(huì)形成遍布整個(gè)云的“神經(jīng)網(wǎng)絡(luò)”，當(dāng)某處出現(xiàn)問題時(shí)，控制機(jī)制啟動(dòng)，直接將其阻斷或者隔離出網(wǎng)絡(luò)，就會(huì)非常有效的控制網(wǎng)絡(luò)威脅的大面積傳播。

另外，網(wǎng)絡(luò)云的不斷擴(kuò)大，其邊界也在不斷擴(kuò)展著，這時(shí)只要在接入網(wǎng)絡(luò)的新子域中建立“神經(jīng)元”，就可以使整個(gè)網(wǎng)絡(luò)“云”“知道”其存在了，能夠通過客觀的識(shí)別過程來(lái)判斷其對(duì)每個(gè)個(gè)體“神經(jīng)元”的友好程度，從而實(shí)現(xiàn)了網(wǎng)絡(luò)的安全擴(kuò)展的功能。通過以上對(duì)“神經(jīng)網(wǎng)絡(luò)”概念的設(shè)想，可實(shí)現(xiàn)整個(gè)網(wǎng)絡(luò)的自我感知和修復(fù)功能，加上牽一發(fā)而動(dòng)全局的機(jī)制，結(jié)合我們企業(yè)跨地區(qū)的網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)，可以有力的保障其穩(wěn)定和高效運(yùn)行。

【參考文獻(xiàn)】

[1]百度詞條.關(guān)于云計(jì)算的若干描述.

第9篇：神經(jīng)網(wǎng)絡(luò)的概念范文

關(guān)鍵詞：信用風(fēng)險(xiǎn)預(yù)警； 模糊神經(jīng)網(wǎng)絡(luò)； 模因算法； 粗糙集

中圖分類號(hào)：TP301.6 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-2163（2013）06-0010-05

0引言

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于信用風(fēng)險(xiǎn)預(yù)警等金融風(fēng)險(xiǎn)管理領(lǐng)域，研究表明神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確性優(yōu)于統(tǒng)計(jì)判別分析等傳統(tǒng)預(yù)警方法，但其中的“黑箱”操作等缺陷卻也導(dǎo)致了神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)管理領(lǐng)域的應(yīng)用遭到多方質(zhì)疑[1-2]。源自模糊理論與神經(jīng)網(wǎng)絡(luò)相融合的模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）提高了網(wǎng)絡(luò)的透明性、啟發(fā)性及魯棒性，在一定程度上克服了神經(jīng)網(wǎng)絡(luò)的“黑箱操作”，然而FNN也存在“維數(shù)災(zāi)難”、結(jié)構(gòu)復(fù)雜、學(xué)習(xí)算法冗長(zhǎng)、局部早熟等問題，由此也限制了其在金融風(fēng)險(xiǎn)管理領(lǐng)域中的應(yīng)用[3]。據(jù)此，本文試圖在對(duì)模因算法（Memetic Algorithms，MA）進(jìn)行改進(jìn)的基礎(chǔ)上，結(jié)合粗糙集（Rough Set，RS）和模糊神經(jīng)網(wǎng)絡(luò)提出一種模因進(jìn)化型粗糙模糊神經(jīng)網(wǎng)絡(luò)（MA-RSFNN）模型，旨在利用模因算法進(jìn)行模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，發(fā)揮模因算法的全局優(yōu)化能力，消減網(wǎng)絡(luò)陷入局部早熟的可能性，使網(wǎng)絡(luò)具有進(jìn)化和學(xué)習(xí)的雙重智能，同時(shí)借助粗糙集知識(shí)約簡(jiǎn)精煉訓(xùn)練集、降低輸入維度，避免“維數(shù)災(zāi)難”現(xiàn)象。

1模因算法

模因算法（Memetic Algorithms，MA）由Moscato和Norman等人于1992年提出，是一種超啟發(fā)式全局搜索混合算法，主要思想源自道金斯的文化進(jìn)化思想和達(dá)爾文的自然進(jìn)化法則[4]。其原理是在全局搜索策略中有機(jī)集成局域搜索策略，利用局部搜索策略的局部尋優(yōu)能力提高算法的性能和收斂速度。相關(guān)研究表明模因算法在搜索過程中兼顧深度和廣度，不僅有較強(qiáng)的全局尋優(yōu)能力，同時(shí)算法收斂速度快，在許多問題上的求解獲得了比遺傳算法收斂速度更快[6-9]。

經(jīng)典的模因算法通常采用遺傳算法作為全局搜索策略，因此算法流程與遺傳算法類似。根據(jù)文獻(xiàn)[5]，模因算法的流程如圖1所示。

2模因算法改進(jìn)

模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)是一個(gè)連續(xù)函數(shù)優(yōu)化過程，以遺傳算法為基礎(chǔ)的模因算法能有效求解組合優(yōu)化問題，但對(duì)連續(xù)空間問題的求解則效率不高。粒子群算法是一種源自對(duì)鳥類等生物群體覓食行為進(jìn)行模仿的實(shí)編碼優(yōu)化算法，其概念簡(jiǎn)單、結(jié)構(gòu)簡(jiǎn)潔，是求解實(shí)編碼優(yōu)化問題的有力工具。本文提出一種以粒子群算法為全局搜索策略，BP算法為局部搜索策略的改進(jìn)型模因算法，以期設(shè)計(jì)出一種高效的模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。

粒子群算法（Particle Swarm Optimization ，PSO）是一種基于群體智能的全局優(yōu)化算法，其靈感源自鳥群、蟻群等生物群體的覓食過程[10-11]。目前，具有概念簡(jiǎn)單、算法簡(jiǎn)潔、隱含并行及全局收斂等優(yōu)點(diǎn)的粒子群算法已廣泛應(yīng)用到?jīng)Q策分析、知識(shí)發(fā)現(xiàn)等領(lǐng)域[12-13]，并取得了豐碩研究成果。基本粒子群算法的數(shù)學(xué)描述如下[10]。

假設(shè)一顆微粒代表尋優(yōu)空間中的一個(gè)解，算法初始化時(shí)隨機(jī)生成一定數(shù)量的微粒構(gòu)成種群，而后通過不斷隨機(jī)有向迭代尋求問題最優(yōu)解。在迭代過程中，微粒通過跟蹤個(gè)體及種群歷史最優(yōu)值，按式（1）、（2）不斷調(diào)整個(gè)體的速度和位置以實(shí)現(xiàn)向最優(yōu)解靠攏。

其中，式（3）為速度vij的調(diào)整量；速度vij為位置xij的調(diào)整量；w∈[0.4，0.9]為慣性因子；c1=c2=2.0為學(xué)習(xí)因子； r（·）∈（0，1）為隨機(jī)數(shù)；pij和pg分別為個(gè)體及群體歷史最優(yōu)值。

2.2改進(jìn)型模因算法

改進(jìn)型模因算法基本流程如圖2所示。

3模因進(jìn)化型模糊神經(jīng)網(wǎng)絡(luò)

3.1網(wǎng)絡(luò)結(jié)構(gòu)

信用風(fēng)險(xiǎn)預(yù)警通常為多輸入單輸出的問題，參照文獻(xiàn)[14-15]設(shè)計(jì)的模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如所圖3所示。

3.2網(wǎng)絡(luò)學(xué)習(xí)算法

（1）編碼。微粒的坐標(biāo)值代表了模糊神經(jīng)網(wǎng)絡(luò)的模糊參數(shù)與權(quán)值，其編碼如圖4所示。

其中，yi為實(shí)際輸出；yi為期望輸出，P為群體規(guī)模。

（3）算法步驟。學(xué)習(xí)算法的主要步驟如下：

步驟一：初始化。設(shè)置全局搜索策略和局部搜索策略的相關(guān)參數(shù)，隨機(jī)生成種群。

步驟二：BP算子。采用BP算法對(duì)每個(gè)個(gè)體進(jìn)行局部尋優(yōu)。

步驟三：算法終止判斷。如果算法滿足終止條件則跳轉(zhuǎn)步驟六，否則跳轉(zhuǎn)步驟四。

步驟四：PSO算子。①根據(jù)式（4）計(jì)算每個(gè)個(gè)體的適應(yīng)值；②個(gè)體及群體歷史最優(yōu)位置調(diào)整；③按式（1）調(diào)整微粒速度；④按式（2）調(diào)整微粒位置。

步驟五：BP算子。采用BP算法對(duì)每個(gè)個(gè)體進(jìn)行局部尋優(yōu)，產(chǎn)生新群體，跳轉(zhuǎn)步驟三。

步驟六：算法結(jié)束。

其中，算法終止條件：① MSE最大進(jìn)化代數(shù)。

BP算子的目標(biāo)函數(shù)為式（4）所示的適應(yīng)值函數(shù)，學(xué)習(xí)過程中，網(wǎng)絡(luò)參數(shù)與權(quán)值按以下數(shù)學(xué)公式作調(diào)整：

上述模因進(jìn)化型模糊神經(jīng)網(wǎng)絡(luò)采用模因算法對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)與訓(xùn)練，使得模型具備了學(xué)習(xí)與進(jìn)化的雙重智能，但該模型也存在一般模糊神經(jīng)網(wǎng)絡(luò)的“維數(shù)災(zāi)難”現(xiàn)象。為此，采用粗糙集知識(shí)約簡(jiǎn)對(duì)模型輸入數(shù)據(jù)進(jìn)行前置處理，簡(jiǎn)化訓(xùn)練集、減少輸入維數(shù)，從而降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜程度，避免“維數(shù)災(zāi)難”現(xiàn)象。前置處理的主要步驟如下：

（1）指標(biāo)初選和數(shù)據(jù)預(yù)處理

在考慮數(shù)據(jù)可獲取性的前提下初步建立預(yù)警指標(biāo)體系，指標(biāo)體系要求涵蓋各方面的信息，力圖從全方位、多層次反映信用風(fēng)險(xiǎn)特征。

數(shù)據(jù)預(yù)處理主要是根據(jù)指標(biāo)的特性，對(duì)連續(xù)型預(yù)警指標(biāo)的數(shù)據(jù)進(jìn)行離散化處理。數(shù)據(jù)離散化的原則是保持?jǐn)?shù)據(jù)集分類或決策能力不變的前提下盡可能壓縮數(shù)據(jù)。

（2）建立決策表

以指標(biāo)初選和數(shù)據(jù)預(yù)處理后的數(shù)據(jù)為基礎(chǔ)，建立如表1所示的決策表。

（3）知識(shí)約簡(jiǎn)

對(duì)建立的決策表進(jìn)行約簡(jiǎn)處理，得到條件屬性的相對(duì)約簡(jiǎn)，選取相對(duì)約簡(jiǎn)所代表的預(yù)警指標(biāo)組成指標(biāo)集作為模型的輸入指標(biāo)體系。

5模型在信用風(fēng)險(xiǎn)中的應(yīng)用

從商業(yè)銀行的角度看，信用風(fēng)險(xiǎn)是指借款人的違約而造成的損失可能性。本文從商業(yè)銀行的企業(yè)貸款違約方面研究模型在信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用，以檢驗(yàn)?zāi)Ｐ驮诮鹑陲L(fēng)險(xiǎn)管理領(lǐng)域中的應(yīng)用成效。

5.1指標(biāo)初選與數(shù)據(jù)采集

在研究國(guó)內(nèi)外相關(guān)成果的基礎(chǔ)上，參考相關(guān)商業(yè)銀行的企業(yè)績(jī)效評(píng)價(jià)指標(biāo)體系[16-19]，選擇涵蓋企業(yè)盈利能力、償債能力、成長(zhǎng)能力及營(yíng)運(yùn)能力等方面的共21個(gè)指標(biāo)構(gòu)成初選指標(biāo)集，如表2所示。

5.2粗糙集前置處理

（1）數(shù)據(jù)離散化與決策表的建立

采用等頻率劃分算法在保持?jǐn)?shù)據(jù)分類能力的前提下對(duì)數(shù)據(jù)進(jìn)行離散化處理，斷點(diǎn)集數(shù)k可通過試驗(yàn)獲得，一般取k=3。在數(shù)據(jù)離散化的基礎(chǔ)上，以初選指標(biāo)為條件屬性，屬性Bc（1：貸款違約公司，0：貸款正常公司）為決策屬性，建立信用風(fēng)險(xiǎn)預(yù)警的決策表，如表3所示。

（2）屬性約簡(jiǎn)

5.3模型訓(xùn)練學(xué)習(xí)

學(xué)習(xí)算法的相關(guān)參數(shù)初始化如下：

（1）模糊子集數(shù)設(shè)為3（代表高、中、低），則該模型為6-18-3-1結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)，輸出Y為企業(yè)違約信號(hào)（1：違約；0：不違約）。

（2）參數(shù)初始化。網(wǎng)絡(luò)的模糊參數(shù)及權(quán)值隨機(jī)初始化，隸屬中心∈[-1，1]，隸屬寬度∈（0，1]，耦合權(quán)值∈（-1，1）。

（3）模因算法的參數(shù)設(shè)置。PSO算子隨機(jī)生成規(guī)模M=30的種群，w=0.729， c1=c2=1.49，[Vup，Vdown]為[-1，1]，Vmax=0.3，BP算子的學(xué)習(xí)率η=0.005。

（4）訓(xùn)練終止條件：①適應(yīng)值10 000。

在Matlab7.0環(huán)境中，編程實(shí)現(xiàn)上述的模型與算法，采用訓(xùn)練數(shù)據(jù)集的150份數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練學(xué)習(xí)，訓(xùn)練過程誤差變化如圖5所示。經(jīng)過3 000多代的進(jìn)化，MSE達(dá)到了0.000 281。

采用測(cè)試集的數(shù)據(jù)對(duì)預(yù)警模型進(jìn)行仿真實(shí)驗(yàn)，表4匯總了三類模型的實(shí)驗(yàn)結(jié)果，從中可以看出MA-RSFNN模型的預(yù)測(cè)準(zhǔn)確率高達(dá)90%，相比BP神經(jīng)網(wǎng)絡(luò)及單純模糊神經(jīng)網(wǎng)絡(luò)均有了大幅度提高。無(wú)論是第一類錯(cuò)誤還是第二類錯(cuò)誤MA-RSFNN模型的表現(xiàn)都最好。

6結(jié)束語(yǔ)

模糊神經(jīng)網(wǎng)絡(luò)具有啟發(fā)性、透明性等特征，可處理模糊信息，能避免神經(jīng)網(wǎng)絡(luò)的“黑箱操作”，但其存在“維數(shù)災(zāi)難”現(xiàn)象、結(jié)構(gòu)復(fù)雜及收斂性差等缺陷。本文所提出的MA-RSFNN模型將模因算法和粗糙集理論融入模糊神經(jīng)網(wǎng)絡(luò)，發(fā)揮模因算法的全局搜索能力提升模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，借助粗糙集知識(shí)約簡(jiǎn)的降維消冗能力對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行降維消冗處理，從而精簡(jiǎn)網(wǎng)絡(luò)結(jié)構(gòu)，避免網(wǎng)絡(luò)陷入“維數(shù)災(zāi)難”。應(yīng)用實(shí)例的結(jié)果表明了新模型的有效性，可望為金融風(fēng)險(xiǎn)管理提供一種新方法和新思路。

參考文獻(xiàn)：

[1]MIN J H， LEE Y C. Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters[J]. Expert Systems with Applications， 2005， 28 ：603-614.

[2]BAHRAMMIRZAEE A. A comparative survey of artificial intelligence applications in finance： artificial neural networks， expert system and hybrid intelligent systems[J].Neural Comput & Applic，2010，19：1165-1195.

[3]HAMDANI T M， ALIMI A M， FAKHRI K. Enhancing the structure and parameters of the centers for BBF fuzzy neural network classifier construction based on data structure[A]// Proceedings of the International Joint Conference on Neural Networks[C]. Piscataway NJ： IEEE， 2008： 3174-3180.

[4]MOSCATO P. On evolution， search， optimization， genetic algorithms and martial arts： towards memetic algorithms[A]//Tech. Rep. Caltech Concurrent Computation Program [C]. Pasadena， California， USA， 1989： 1-67.

[5]NORA S，CHRISTIAN S， ANDREAS Z.A memetic clustering algorithm for the functional partition of genes based on the gene ontology[C]//Proc of the 2004 IEEE Symposium on Computational Intelligence in Bioinformatics and Computational Biology.San Diego，USA，2004：252-259.

[6]DAWKINS R. The selfish gene[M].UK：Oxford University Press，1976.

[7]MOSCATO P， NORMAN M G. A memetic approach for the traveling salesman problem-implementation of a computational ecology for com-binatorial optimization on message-passing systems[C]// Proceedings of the International Conference on Parallel Computing and Transport Applications. Amsterdam：IOS Press，1992： 177-186.

[8]RADCLIFFE N J， SURRY P D. Formal memetic algorithms[J]. Evolutionary Computing， 1994，865： 1-16.

[9]XU Xin，HE H G.A theoretical model and convergence analysis of memetic evolutionary algorithms[C]//Proc of Int Conf on Natural Computation.Changsha，2005：1035-1043.

[10]KENNEDY J. EBERHART R C. Particle swarm optimization [A]// Proceedings of IEEE， International Conference on Neural Networks [C]. Piscataway NJ：IEEE， 1995： 1942-1948.

[11]KENNEDY J. The particle swarm： social adaptation of knowledge [A]//Preceedings of Evolutionary Computation [C] ，Indianapolis： IEEE， 1997：303-308.

[12]EBERHART R C， SHI Y H. Particle swarm optimization： developments， applications and resources [A]//Proceedings of the IEEE Congress on Evolutionary Computation [C]. Piscataway， USA： IEEE Service Center， 2001：81-86.

[13]吳啟迪，汪鐳. 智能微粒群算法研究及應(yīng)用[M]. 南京：江蘇教育出版社，2005-04.

[14]AKAGI T， SUGENO M. Fuzzy identification of systems and its application to modeling and control[J]. IEEE Transactions on Systems， Man， and， Cybernetics， 1985，15（1）： 116-132.

[15]黃福員. 金融風(fēng)險(xiǎn)預(yù)警的MPSO-FNN模型構(gòu)建與應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2009，45（14）：210-212.

[16]ALTMAN E I， MARCO G， VARETTO F. Corporate distress diagnosis： comparisons using linear discriminant Ana analysis and neural networks[J]. Journal of Banking and Finance， 1994， 18： 505-529.

[17]李志輝， 李萌. 我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究[J]. 經(jīng)濟(jì)科學(xué)， 2005（5）： 61-71.