前言：想要寫(xiě)出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文，相信會(huì)為您的寫(xiě)作帶來(lái)幫助，發(fā)現(xiàn)更多的寫(xiě)作思路和靈感。

神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文第1篇

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；VHDL；模擬與仿真

一、人工神經(jīng)理論基礎(chǔ)

神經(jīng)網(wǎng)絡(luò)又被稱(chēng)為鏈接模型，其本身是模仿動(dòng)物的神經(jīng)網(wǎng)絡(luò)，并根據(jù)其行為特征分布式進(jìn)行算法數(shù)學(xué)模型處理。在計(jì)算機(jī)上，人們可以利用并行或者串行的模式模擬仿真，實(shí)現(xiàn)人們自身的神經(jīng)網(wǎng)絡(luò)模型算法。在特定應(yīng)用情況下，進(jìn)行神經(jīng)網(wǎng)絡(luò)研究的目標(biāo)則是高性能專(zhuān)用的神經(jīng)網(wǎng)絡(luò)硬件。

神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本單元，具有一定的信息處理方面的能力。對(duì)于輸入的內(nèi)容，神經(jīng)元可以簡(jiǎn)單進(jìn)行處理，能根據(jù)學(xué)習(xí)規(guī)則做好加權(quán)求和，并根據(jù)權(quán)值來(lái)獲取神經(jīng)元的狀態(tài)輸出，以便對(duì)刺激進(jìn)行處理。還可建立基于VHDL語(yǔ)言的神經(jīng)網(wǎng)絡(luò)元件庫(kù)，它包括基本單元、控制單元兩個(gè)部分。

二、 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，相鄰層之間的各個(gè)神經(jīng)元實(shí)現(xiàn)全連接，每層各個(gè)神經(jīng)元之間沒(méi)有連接。

BP算法正向傳播過(guò)程：輸入信號(hào)從輸入層輸入，經(jīng)過(guò)隱含層傳向輸出層。如果輸出層的實(shí)際輸出與期望輸出一致，那么學(xué)習(xí)算法結(jié)束?；究刂茊卧糜诮㈦[含層和輸出層的神經(jīng)元，主要解決信號(hào)運(yùn)算后權(quán)值存儲(chǔ)問(wèn)題，它主要包括加權(quán)乘法、神經(jīng)元輸入信號(hào)的累加、非線性激勵(lì)函數(shù)的實(shí)現(xiàn)、權(quán)值存儲(chǔ)等基本模塊。

圖1中xi代表第i個(gè)輸入，wij代表輸入i和神經(jīng)元j之間的權(quán)值（weight），yj是第j個(gè)輸出。如圖1所示可以得到：

y1=f（x1.w11+x2.w21+x3.w31 ） 2-1

y2=f（x1.w11+x2.w22+x3.w32） 2-2

y3=f（x1.w11+x2.w23+x3.w33） 2-3

其中f（ ）是激化函數(shù)（如線性閾值的sigmoid函數(shù)等）。

三、神經(jīng)網(wǎng)絡(luò)模型與仿真

clk產(chǎn)生脈沖信號(hào)，輸入端x1，x2，x3 分別置為011，100，101，權(quán)值初值設(shè)為0000，通過(guò)9個(gè)脈沖周期一次遞增到1000，將權(quán)值與輸入值進(jìn)行運(yùn)算，得出結(jié)果。在權(quán)值固定時(shí)，輸出取決于輸入，不同的輸入得到不同的輸出結(jié)果。而在權(quán)值變化時(shí)，輸出就由輸入和權(quán)值決定。

為了仿真的結(jié)果更直觀，代碼采用的每個(gè)神經(jīng)元的3個(gè)輸入信號(hào)以及權(quán)值的位寬都為4，且?guī)в蟹?hào)。權(quán)值共設(shè)了9個(gè)，采用9個(gè)時(shí)鐘周期將權(quán)值移入值。模擬與仿真的結(jié)果如圖2所示。

結(jié)果分析：模擬結(jié)果與結(jié)果一致，此仿真成功。

四、結(jié)語(yǔ)

基于VHDL編程實(shí)現(xiàn)簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的軟件模擬與仿真，從算法的提出到模型的建立，完整地體現(xiàn)神經(jīng)網(wǎng)絡(luò)的可用性與優(yōu)越性。文中所提的神經(jīng)網(wǎng)絡(luò)模型是對(duì)單個(gè)神經(jīng)網(wǎng)絡(luò)的模擬與仿真，以及基于二維數(shù)組的多個(gè)輸入輸出的大規(guī)模神經(jīng)網(wǎng)絡(luò)的模擬。由于VHDL語(yǔ)言編程的靈活性，可以將編程下載到芯片用硬件實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的模擬，以提高系統(tǒng)運(yùn)算的速度和可靠性。

參考文獻(xiàn)：

神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文第2篇

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò) 硬盤(pán)播出系統(tǒng) 電平診斷 人工神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TN948.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416(2012)07-0070-04

Application And Implementation of Level Diagnosis In Hard Disk Broadcasting System Based on BP Neural Network

Zeng Qiwei

(Television Station of Nan’an District, Chongqing, 400060, China)

Abstract：In this paper the diagnosis classification problems for hard disk broadcasting system are solved using BP（Back Propagation）neural network on MATLAB condition. First, based on BP neural network, a fault diagnosis model is proposed. Second, the realization principle of level diagnosis is analyzed based on set structure. Finally, the method for solving the level diagnosis with BP neural network is investigated. In conclusion: not only the simulation effect is obviously for the solution of level diagnosis problems on MATLAB condition based on BP neural network, but also facilitates the engineering technology application.

Key Words：BP neural network hard disk broadcasting system; level diagnosis artificial neural network

硬盤(pán)播出系統(tǒng)是電視播出單位技術(shù)核心，其中又以電平值為重要的參數(shù)指標(biāo)。系統(tǒng)的信息處理能力關(guān)系著視音頻質(zhì)量的好壞，電平診斷方法是解決此問(wèn)題的關(guān)鍵。電平診斷的目的是監(jiān)測(cè)系統(tǒng)各重要結(jié)點(diǎn)的輸入輸出電平值，以該值作為參考判斷故障結(jié)點(diǎn)環(huán)節(jié)。正是由于電平診斷的必要性，許多致力于電平診斷的方法應(yīng)運(yùn)而生。隨著計(jì)算智能的興起，出現(xiàn)了一些有著模擬計(jì)算、全局分布、并行處理等的新技術(shù)，基于聯(lián)結(jié)主義(connectionism)的人工神經(jīng)網(wǎng)絡(luò)就是這樣一種技術(shù)，它具有良好的自組織性和自適應(yīng)性，具備處理各類(lèi)非線性系統(tǒng)的數(shù)值分析功能?；谌斯ど窠?jīng)網(wǎng)絡(luò)的電平診斷的核心是模式識(shí)別與分類(lèi)，人工神經(jīng)網(wǎng)絡(luò)能根據(jù)自身結(jié)構(gòu)特性對(duì)電平值作分類(lèi)處理，使其與參考故障類(lèi)對(duì)比，從而得出診斷結(jié)果。BP神經(jīng)網(wǎng)絡(luò)是一種重要的人工神經(jīng)網(wǎng)絡(luò)模型，它是一種多層前向反饋神經(jīng)網(wǎng)絡(luò)，其權(quán)值的調(diào)整采用反向傳播的學(xué)習(xí)算法，它可實(shí)現(xiàn)從輸入到輸出的任意的非線性映射，已被廣泛應(yīng)用在模式識(shí)別與分類(lèi)領(lǐng)域。

1、BP神經(jīng)網(wǎng)絡(luò)的工作原理

1.1 BP神經(jīng)元特性

用表示第i個(gè)輸入信號(hào)，表示第i個(gè)輸入信號(hào)到神經(jīng)元之間的權(quán)值或簡(jiǎn)稱(chēng)權(quán)。由生物神經(jīng)元在軸突上產(chǎn)生興奮或抑制脈沖響應(yīng)的特性使人工神經(jīng)元對(duì)輸入信號(hào)與權(quán)值進(jìn)行向量相乘，得出總該神經(jīng)元的網(wǎng)絡(luò)輸入：

1.2 激活函數(shù)的選擇

激活函數(shù)主要有線性函數(shù)、非線性斜面函數(shù)、閥值函數(shù)和Logistic函數(shù)等。由于電平診斷的結(jié)果是一組二進(jìn)制組合，所以，BP神經(jīng)網(wǎng)絡(luò)的隱藏層激活函數(shù)采用logistic函數(shù)，而輸出層激活函數(shù)采用線性函數(shù)。

Logistic函數(shù)的一種簡(jiǎn)單公式為：

線性函數(shù)為：

式中，a,b為常數(shù)。a代表放大指數(shù)，b代表偏移量。

1.3 實(shí)現(xiàn)電平診斷的BP神經(jīng)網(wǎng)絡(luò)模型與算法

1.3.1 BP神經(jīng)網(wǎng)絡(luò)模型

為實(shí)現(xiàn)電平值的輸入與期望輸出值的并行處理，BP神經(jīng)網(wǎng)絡(luò)采用層次結(jié)構(gòu)模型。該模型是兩層神經(jīng)網(wǎng)絡(luò)，其中一層為隱藏層，一層為輸出層（圖1）。

設(shè)輸入向量為：

經(jīng)過(guò)變換后的輸出向量為：

設(shè)該BP神經(jīng)網(wǎng)絡(luò)的期望輸出向量為Y，則輸入樣本集為{ (X,Y) | X為輸入向量，Y為X 對(duì)應(yīng)的期望輸出向量}

1.3.2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

BP神經(jīng)網(wǎng)絡(luò)算法步驟如下：

(1)用不同的小偽隨機(jī)數(shù)初始化輸出層和隱藏層的權(quán)值；

(2)初始化精度控制參數(shù)ε，學(xué)習(xí)率α；

(3)循環(huán)控制參數(shù)E=ε+1；

循環(huán)最大次數(shù)M；

循環(huán)次數(shù)控制參數(shù)N=0；

(4)while E>ε and N

N=N+1;E=0;

神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文第3篇

本文提出了一種基于接收信號(hào)強(qiáng)度并結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法的一種新型定位方法。該方法首先建立一個(gè)定位環(huán)境模型，用有限數(shù)量的參考節(jié)點(diǎn)先組建一個(gè)無(wú)線傳感器網(wǎng)絡(luò)。然后采集樣本數(shù)據(jù)，讀取RSSI和實(shí)測(cè)盲節(jié)點(diǎn)的位置坐標(biāo)，把這些數(shù)據(jù)用作訓(xùn)練和測(cè)試BP神經(jīng)網(wǎng)絡(luò)模型。最后把得到的BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于具體問(wèn)題并檢測(cè)應(yīng)用效果。經(jīng)實(shí)踐檢驗(yàn)，該定位方法在短距離定位中比較可行，具有較好的定位性能。

【關(guān)鍵詞】無(wú)線傳感器網(wǎng)絡(luò) BP算法 神經(jīng)網(wǎng)絡(luò) 定位

隨著通信技術(shù)、嵌入式計(jì)算技術(shù)和傳感器技術(shù)的飛速發(fā)展和日益成熟，人們研制出了各種具有感知能力、計(jì)算能力和通信能力的微型傳感器。許多的微型傳感器構(gòu)成了無(wú)線傳感器網(wǎng)絡(luò)引起了人們的極大關(guān)注。無(wú)線傳感網(wǎng)可以使人們?cè)谌魏螘r(shí)間、地點(diǎn)和任何環(huán)境條件下獲取大量詳實(shí)可靠的物理世界的信息，將被廣泛地用于國(guó)防軍事、國(guó)家安全、環(huán)境監(jiān)測(cè)、交通管理、醫(yī)療衛(wèi)生、制造業(yè)、反恐抗災(zāi)等領(lǐng)域。

傳感器節(jié)點(diǎn)的定位技術(shù)是無(wú)線傳感網(wǎng)絡(luò)的支撐技術(shù)。目前，廣泛使用的ZigBee無(wú)線傳感器網(wǎng)絡(luò)的原理是測(cè)量節(jié)點(diǎn)間的距離實(shí)現(xiàn)網(wǎng)絡(luò)傳輸，無(wú)線傳感器網(wǎng)絡(luò)定位技術(shù)通常采用的方法是在保證信號(hào)接收強(qiáng)度（RSSI）的基礎(chǔ)上進(jìn)行測(cè)量。這種測(cè)量方法采取的主要方式是設(shè)置已知的參考節(jié)點(diǎn)，通過(guò)待定位節(jié)點(diǎn)接收到的RSSI值對(duì)該節(jié)點(diǎn)到各個(gè)參考節(jié)點(diǎn)的距離進(jìn)行計(jì)算，再利用計(jì)算結(jié)果、采用不同的算法對(duì)目標(biāo)點(diǎn)的坐標(biāo)進(jìn)行推導(dǎo)。本文對(duì)一種新型的定位方法進(jìn)行了分析，此種方法得到未知節(jié)點(diǎn)坐標(biāo)的途徑是利用待定位節(jié)點(diǎn)與多個(gè)固定參考節(jié)點(diǎn)間的RSSI值對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到的。

1 無(wú)線信號(hào)傳輸模型

根據(jù)無(wú)線通信的基本原理，無(wú)線信號(hào)在自由空間中傳播時(shí)信號(hào)隨傳播距離的增加而有規(guī)律的變?nèi)?。但是在一些?fù)雜的環(huán)境里與自由空間相比，無(wú)線信號(hào)的傳播規(guī)律性比較差。即便是傳播距離相等，所測(cè)得的信號(hào)強(qiáng)度的差別也比較大。傳統(tǒng)的定位技術(shù)受接受信號(hào)強(qiáng)度的影響，利用無(wú)線信號(hào)傳播模型，利用擬合技術(shù)或憑經(jīng)驗(yàn)得到模型中的未知參數(shù)A和N，接著在傳播模型中代入信號(hào)強(qiáng)度值，計(jì)算出對(duì)應(yīng)的距離，最后利用位置距離算法實(shí)現(xiàn)定位。此種方法的缺點(diǎn)是經(jīng)驗(yàn)性強(qiáng)，普遍適用性差，不能得到較高的精度。而且在復(fù)雜多變的空間環(huán)境中，接收信號(hào)強(qiáng)度（RSSI）與傳播距離（d）的關(guān)系就更加復(fù)雜多變。

2 用BP神經(jīng)網(wǎng)絡(luò)擬合RSSI-d非線性函數(shù)關(guān)系

Kolmogorov定理對(duì)此的證明顯示，一個(gè)三層BP網(wǎng)絡(luò)可以實(shí)現(xiàn)所有連續(xù)函數(shù)，所以RSSI與距離d之間建立的非線性函數(shù)關(guān)系完全可以用BP神經(jīng)網(wǎng)絡(luò)來(lái)擬合。誤差反向傳遞神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)的別稱(chēng)。該網(wǎng)絡(luò)具有前反饋性，利用的學(xué)習(xí)方式是均方差。BP網(wǎng)絡(luò)同時(shí)具備輸入層和輸出層，另外還有一層或多層隱藏神經(jīng)元結(jié)構(gòu)。該種網(wǎng)絡(luò)的采用全局逼近方法的學(xué)習(xí)算法，所以該網(wǎng)絡(luò)的泛化和容錯(cuò)能力都比較強(qiáng)。

3 BP神經(jīng)網(wǎng)絡(luò)與無(wú)線傳感網(wǎng)定位方法

3.1 神經(jīng)網(wǎng)絡(luò)模型建立

本文采用RSSI方法測(cè)量盲節(jié)點(diǎn)與各參考節(jié)點(diǎn)之間的距離，參考節(jié)點(diǎn)固定，盲節(jié)點(diǎn)通常是移動(dòng)的，盲節(jié)點(diǎn)每隔一定時(shí)間發(fā)送一次廣播信息，參考節(jié)點(diǎn)將監(jiān)聽(tīng)到廣播信息后，將測(cè)得的各RSSI值發(fā)送至中心盲節(jié)點(diǎn)，盲節(jié)點(diǎn)收集好信息后再發(fā)送給協(xié)調(diào)器及上位機(jī)。

3.2 樣本數(shù)據(jù)庫(kù)建立

通過(guò)對(duì)訓(xùn)練樣本的學(xué)習(xí)，BP網(wǎng)絡(luò)才能獲得節(jié)點(diǎn)位置預(yù)測(cè)的能力。一般來(lái)說(shuō)，訓(xùn)練樣本數(shù)量越多，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力越強(qiáng)，所以為了提高定位的精準(zhǔn)度，應(yīng)適當(dāng)多采樣來(lái)訓(xùn)練樣本，同時(shí)采用平均值法使樣本數(shù)據(jù)更有效。

3.3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)確定

本文采用3層的BP神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，只包含一個(gè)隱含層?；綛P算法采用梯度下降法使得誤差均方趨向最小，直到達(dá)到誤差要求。經(jīng)比較發(fā)現(xiàn)，traincgf算法收斂速度快，并且可沿共軛方向達(dá)到全局最小點(diǎn)，適合應(yīng)用于節(jié)點(diǎn)位置估測(cè)；隱含層節(jié)點(diǎn)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度有較大影響，隱含層節(jié)點(diǎn)數(shù)過(guò)多會(huì)增加訓(xùn)練網(wǎng)絡(luò)的時(shí)間，網(wǎng)絡(luò)容易過(guò)擬合。本文取經(jīng)驗(yàn)值3為隱含層節(jié)點(diǎn)數(shù)，經(jīng)仿真驗(yàn)證，可達(dá)到很好的效果。

4 仿真結(jié)果分析

不同測(cè)距誤差下BP定位算法與最小二乘估計(jì)法的比較：BP定位算法與最小二乘法定位效果表中，進(jìn)行一千次實(shí)驗(yàn)后得到的BP定位算法，利用參考節(jié)點(diǎn)與盲節(jié)點(diǎn)之間的坐標(biāo)得到最小二乘法的數(shù)據(jù)。定位結(jié)果到未知節(jié)點(diǎn)真實(shí)值之間的距離成為定位誤差，通過(guò)比較BP定位算法得到的平均誤差與較之最小二乘估計(jì)法得到的誤差，前者的誤差較小。圖1中顯示，隨著誤差的增大，與最小二乘估計(jì)法相比BP定位算法得到的誤差增大速度慢?？梢哉f(shuō)，當(dāng)測(cè)距誤差較大時(shí)，BP定位算法有較大的優(yōu)勢(shì)，由此可以說(shuō)明BP定位算法的定位性能比最小二乘估計(jì)法好。

5 結(jié)語(yǔ)

定位技術(shù)是無(wú)線傳感器網(wǎng)絡(luò)的關(guān)鍵技術(shù)，對(duì)提高生產(chǎn)效率、人員安全檢查具有重要意義。將智能算法與實(shí)際測(cè)量相結(jié)合，提高了定位精度。具體應(yīng)用時(shí)，可以將C語(yǔ)言編程實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)，將編程實(shí)現(xiàn)的BP神經(jīng)網(wǎng)絡(luò)封裝成單個(gè)函數(shù)的形式，此函數(shù)的輸入即為RSSI值，輸出即為對(duì)應(yīng)的距離d。

參考文獻(xiàn)

[1]王小平，羅軍，沈昌祥.無(wú)線傳感器網(wǎng)絡(luò)定位理論和算法[J].計(jì)算機(jī)研究與發(fā)展，2011（03）：353-363.

[2]王福豹，史龍，任豐原.無(wú)線傳感器網(wǎng)絡(luò)中的自身定位系統(tǒng)和算法[J].軟件學(xué)報(bào)，2005（05）：857-868.

[3]吳黎愛(ài).基于不同網(wǎng)絡(luò)模型的無(wú)線傳感器網(wǎng)絡(luò)定位算法研究[D].南昌航空大學(xué)，2012.

[4]任梅.基于無(wú)線傳感器網(wǎng)絡(luò)定位技術(shù)的研究[D].西安電子科技大學(xué)，2013.

[5]張穎.無(wú)線定位優(yōu)化算法的研究[D].西安郵電學(xué)院，2011.

作者簡(jiǎn)介

衣治安，碩士學(xué)位，現(xiàn)為東北石油大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院副院長(zhǎng)，主研領(lǐng)域?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)。

馬莉，碩士研究生。

神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文第4篇

本文利用人工神經(jīng)網(wǎng)絡(luò)的鋼材表面缺陷快速識(shí)別系統(tǒng)以及BP神經(jīng)網(wǎng)絡(luò)的缺陷檢測(cè)和分類(lèi)的方法，實(shí)現(xiàn)鋼材表面疵病的準(zhǔn)確檢測(cè)與分類(lèi)。選用Matlab作為系統(tǒng)軟件工具，以BP神經(jīng)網(wǎng)絡(luò)作為其缺陷檢測(cè)的計(jì)算方法，實(shí)現(xiàn)冷軋帶鋼表面缺陷檢測(cè)技術(shù)的軟件方案設(shè)計(jì)，完成BP神經(jīng)網(wǎng)絡(luò)在鋼材表面缺陷檢測(cè)的應(yīng)用研究，滿(mǎn)足帶鋼生產(chǎn)線的表面缺陷檢測(cè)要求。

關(guān)鍵詞：缺陷檢測(cè)；人工神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TN711 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：

冷軋帶鋼已成為汽車(chē)生產(chǎn)、機(jī)械制造、化工、航空航天、造船等工業(yè)不可缺少的原材料，在國(guó)民經(jīng)濟(jì)中占據(jù)重要地位。而鋼材表面缺陷是影響帶鋼質(zhì)量的重要因素，因此，表面缺陷的識(shí)別檢測(cè)對(duì)提高帶鋼的質(zhì)量具有十分重要的意義。

本文根據(jù)鋼材表面的缺陷情況，研究需要系統(tǒng)識(shí)別的常見(jiàn)鋼材表面缺陷類(lèi)型，結(jié)合表面缺陷檢測(cè)系統(tǒng)的主要技術(shù)要求，提出基于人工神經(jīng)網(wǎng)絡(luò)的鋼材表面缺陷識(shí)別系統(tǒng)的總體方案。利用計(jì)算機(jī)和圖像采集設(shè)備，使軟件和硬件協(xié)同配合，實(shí)現(xiàn)圖像信息的實(shí)時(shí)采集及處理，為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)建立鋼材表面缺陷數(shù)據(jù)庫(kù)，通過(guò)訓(xùn)練可以實(shí)時(shí)自動(dòng)識(shí)別鋼材表面存在的缺陷。

1BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，全稱(chēng)基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)。它是目前研究最多、應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一【1】。BP網(wǎng)絡(luò)是一種多層前向反饋神經(jīng)網(wǎng)絡(luò)，把樣本的輸入輸出變成一個(gè)非線性?xún)?yōu)化問(wèn)題，使用了最優(yōu)化中最普遍的梯度下降算法，用迭代運(yùn)算求解權(quán)值，它可以實(shí)現(xiàn)從輸入到輸出的任意連續(xù)的非線性映射。BP網(wǎng)絡(luò)主要用于函數(shù)逼近、模式識(shí)別、數(shù)據(jù)壓縮等。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三部分組成，其結(jié)構(gòu)如圖1所示。

圖1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

Fig. 1 The BP neural network structure diagram

BP神經(jīng)網(wǎng)絡(luò)在具體工作之前必須通過(guò)學(xué)習(xí)獲得一定的“智能”，才可以在實(shí)際的應(yīng)用中取得良好的效果。其學(xué)習(xí)由四個(gè)過(guò)程組成：

第一是輸入向量由輸入層經(jīng)隱含層向輸出層的“正向傳播”過(guò)程；

第二是網(wǎng)絡(luò)實(shí)際輸出與網(wǎng)絡(luò)的希望輸出之間的誤差信號(hào)由輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)值的“誤差反向傳播”過(guò)程；

第三是由“正向傳播”與“誤差反向傳播”的反復(fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程；

第四是網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過(guò)程。

2BP算法在鋼材表面缺陷識(shí)別的具體實(shí)現(xiàn)

為了使用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)鋼材表面缺陷檢測(cè)方法研究，首先需要對(duì)鋼材圖像進(jìn)行預(yù)處理，去除圖像噪聲，并進(jìn)行圖像增強(qiáng)處理，保留圖像重要信息；然后，從樣本圖像中選擇部分有缺陷的圖像，進(jìn)行樣本圖像分割，分割成適合網(wǎng)絡(luò)訓(xùn)練的特征圖像，并將分割結(jié)果分類(lèi)為正常圖像和缺陷圖像樣本集合；再使用各種圖像特征提取方法分別提取出正常圖像和缺陷圖像的特征值，構(gòu)成BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集合；再將訓(xùn)練集合輸入BP網(wǎng)絡(luò)訓(xùn)練器中，按照設(shè)定參數(shù)，設(shè)置選定精度，進(jìn)行網(wǎng)絡(luò)權(quán)值訓(xùn)練，得到所需的分類(lèi)器；最后將測(cè)試樣本輸入分類(lèi)器中，實(shí)現(xiàn)最終的缺陷分類(lèi)識(shí)別。

系統(tǒng)選用Matlab作為系統(tǒng)軟件工具。Matlab中專(zhuān)門(mén)編制了大量有關(guān)BP網(wǎng)絡(luò)的工具函數(shù)，為BP網(wǎng)絡(luò)的應(yīng)用研究提供了強(qiáng)有力的便利工具【2】。BP網(wǎng)絡(luò)的設(shè)計(jì)過(guò)程如下：

（1）輸入訓(xùn)練樣本

缺陷的出現(xiàn)會(huì)破壞其所在區(qū)域灰度值的排布規(guī)律，基于此先從帶缺陷圖像的缺陷區(qū)域截取圖像，再?gòu)臒o(wú)缺陷的圖像中截取相同大小的圖像，然后從這些圖像中提取特征向量【3】。對(duì)特征向量X進(jìn)行歸一化，再進(jìn)行主分量分析進(jìn)行降維處理，最后把處理后的特征向量的每一列作為一個(gè)樣本輸入神經(jīng)網(wǎng)絡(luò)。

（2）初始化網(wǎng)絡(luò)

采用initff函數(shù)初始化網(wǎng)絡(luò)。在建立網(wǎng)絡(luò)對(duì)象的同時(shí)，自動(dòng)調(diào)用初始化函數(shù)，根據(jù)缺省的參數(shù)對(duì)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行初始化。initff函數(shù)格式：

[w1,b1,w2,b2]=initff(p,s1,f1,s2,f2)（1）

式中：w1表示隱含層神經(jīng)元與輸入層神經(jīng)元之間的連接權(quán)重系數(shù)矩陣；

w2表示輸出層神經(jīng)元與隱含層神經(jīng)元之間的連接權(quán)重系數(shù)矩陣；

b1、b2表示隱含層和輸出層神經(jīng)元的閾值矩陣；

p表示輸入樣本矩陣；

s1、s2表示隱含層和輸出層神經(jīng)元個(gè)數(shù)；

f1、f2表示隱含層和輸出層激活函數(shù)形式。

運(yùn)行initff函數(shù)，系統(tǒng)能自動(dòng)根據(jù)給定的p,s1,f1,s2,f2的值對(duì)w1,b1,w2,b2賦予一個(gè)初始值。

（3）訓(xùn)練網(wǎng)絡(luò)

采用trainbp函數(shù)訓(xùn)練網(wǎng)絡(luò)。用基本梯度下降法訓(xùn)練網(wǎng)絡(luò)函數(shù)進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練，獲取最終的權(quán)值與閾值矩陣。trainbp函數(shù)格式：

[w1,b1,w2,b2,te,tr]=trainbp(w1,b1,f1,w2,b2,f2,p,t,tp)(2)

式中：t表示輸出樣本矩陣；

te為網(wǎng)絡(luò)的實(shí)際訓(xùn)練步數(shù)；

tr為訓(xùn)練過(guò)程中的誤差平方和；

tp為網(wǎng)絡(luò)訓(xùn)練參數(shù)。

選擇訓(xùn)練參數(shù)tp進(jìn)行訓(xùn)練，tp=[df,me,err,lr]

式中：df是指定兩次更新顯示間的訓(xùn)練次數(shù)；

me是指定訓(xùn)練的最大次數(shù)；

err是誤差平方和指標(biāo)；

lr是指定學(xué)習(xí)速率，即權(quán)值和閾值更新的比例。

trainbp函數(shù)以w1，w2，b1，b2的初始值和給定的f1，f2，p，t，tp開(kāi)始訓(xùn)練，使當(dāng)輸入n時(shí)，網(wǎng)絡(luò)的輸出為目標(biāo)矢量t。當(dāng)訓(xùn)練過(guò)程中誤差平方和小于等于目標(biāo)誤差平方和或者訓(xùn)練步數(shù)到達(dá)給定的最大步數(shù)時(shí)，停止訓(xùn)練。此時(shí)的w1，w2，b1，b2的值就是已訓(xùn)練好的網(wǎng)絡(luò)參數(shù)。

（4）網(wǎng)絡(luò)仿真

采用simuff函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行仿真。在網(wǎng)絡(luò)訓(xùn)練前后分別進(jìn)行輸入輸出的仿真，以做比較，從而對(duì)網(wǎng)絡(luò)進(jìn)行修改評(píng)價(jià)。simuff函數(shù)格式：

a=simuff(p，w1，b1，f1，w2，b2，f2) (3)

式中：a表示訓(xùn)練好的BP網(wǎng)絡(luò)的實(shí)際輸出；

w1、w2、b1、b2 是訓(xùn)練好的網(wǎng)絡(luò)參數(shù)；

p、f1、f2 與（1）式相同。

網(wǎng)絡(luò)訓(xùn)練后，形成穩(wěn)定的權(quán)值和閾值，使網(wǎng)絡(luò)輸入和網(wǎng)絡(luò)輸出形成了較好的映射，從而可以對(duì)其他輸入樣本進(jìn)行輸出參數(shù)的預(yù)測(cè)。

3實(shí)際應(yīng)用情況

從現(xiàn)場(chǎng)采集冷軋帶鋼樣本，并對(duì)這些樣本中的缺陷進(jìn)行標(biāo)定。將測(cè)試樣本圖像輸入神經(jīng)網(wǎng)絡(luò)檢測(cè)缺陷區(qū)域，得到每類(lèi)樣本的缺陷區(qū)域。將所有原始訓(xùn)練樣本、測(cè)試樣本圖像，按照前面的預(yù)處理方法進(jìn)行預(yù)處理，然后按照同樣的分割方式進(jìn)行分割，提取出樣本塊的特征信息，構(gòu)成一序列的向量，輸入已經(jīng)訓(xùn)練完成的分類(lèi)器，進(jìn)行缺陷識(shí)別，檢測(cè)出樣本的缺陷區(qū)域。

經(jīng)工業(yè)現(xiàn)場(chǎng)實(shí)踐表明，經(jīng)過(guò)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)表面缺陷的識(shí)別分類(lèi)較好,基本上能夠滿(mǎn)足帶鋼表面缺陷的分類(lèi)識(shí)別要求。但是，神經(jīng)網(wǎng)絡(luò)技術(shù)也存在訓(xùn)練過(guò)程緩慢、需要大量的訓(xùn)練數(shù)據(jù)、對(duì)其決策過(guò)程無(wú)法得到透徹理解、參數(shù)的設(shè)計(jì)無(wú)規(guī)律可循等缺點(diǎn)。

事實(shí)上，基于BP網(wǎng)絡(luò)的分類(lèi)器只能識(shí)別BP網(wǎng)絡(luò)已知的模式類(lèi)別。如果出現(xiàn)了新的模式類(lèi)別，分類(lèi)器就不能正確地識(shí)別，只能再次對(duì)分類(lèi)器進(jìn)行訓(xùn)練，也就是說(shuō)分類(lèi)器沒(méi)有自學(xué)功能。因此，在優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)的基礎(chǔ)上，我們可以考慮將現(xiàn)在已經(jīng)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型的分類(lèi)器，分解成兩步來(lái)實(shí)現(xiàn)表面缺陷的分類(lèi)，即首先構(gòu)建神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)把缺陷和非缺陷識(shí)別分類(lèi)開(kāi)來(lái)，然后再對(duì)缺陷進(jìn)行分類(lèi)，以期提高分類(lèi)識(shí)別的準(zhǔn)確率。我們還需要研究基于其它神經(jīng)網(wǎng)絡(luò)模型的分類(lèi)器，利用各自的長(zhǎng)處，實(shí)現(xiàn)分類(lèi)器的融合，并使分類(lèi)器具有自學(xué)的功能，對(duì)新出現(xiàn)的缺陷能夠記憶識(shí)別的功能，更好的滿(mǎn)足工業(yè)現(xiàn)場(chǎng)的要求。

參考文獻(xiàn)

[1]王婷,江文輝,肖南峰.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別.電子設(shè)計(jì)工程.2011,19(3):108-112.

神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)范文第5篇

[關(guān)鍵詞] 超市財(cái)務(wù) 風(fēng)險(xiǎn)預(yù)警 BP神經(jīng)網(wǎng)絡(luò)

財(cái)務(wù)管理貫穿于超市管理的全部過(guò)程，既是超市管理的突破口，又是超市運(yùn)行的控制點(diǎn)，也是超市發(fā)展的落腳點(diǎn)，超市財(cái)務(wù)風(fēng)險(xiǎn)是急需研究和防范的重要課題。本文建立了超市財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)體系，采用BP神經(jīng)網(wǎng)絡(luò)的研究方法，完成了對(duì)指標(biāo)體系的風(fēng)險(xiǎn)預(yù)測(cè)模型的建立，并通過(guò)MATLAB神經(jīng)網(wǎng)絡(luò)工具箱對(duì)建立的BP網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和仿真實(shí)驗(yàn)，用以預(yù)測(cè)超市的財(cái)務(wù)風(fēng)險(xiǎn)。

一、超市財(cái)務(wù)風(fēng)險(xiǎn)分析

超市的財(cái)務(wù)活動(dòng)貫穿于超市營(yíng)銷(xiāo)的整個(gè)過(guò)程，籌措資金、長(zhǎng)短期投資、分配利潤(rùn)等都可能產(chǎn)生風(fēng)險(xiǎn)，根據(jù)風(fēng)險(xiǎn)的來(lái)源可以將財(cái)務(wù)風(fēng)險(xiǎn)劃分為：

1.籌資風(fēng)險(xiǎn)

由于資金供需市場(chǎng)、宏觀經(jīng)濟(jì)環(huán)境的變化，超市籌集資金給財(cái)務(wù)成果帶來(lái)的不確定性?；I資風(fēng)險(xiǎn)主要包括利率風(fēng)險(xiǎn)、再融資風(fēng)險(xiǎn)、財(cái)務(wù)杠桿效應(yīng)、匯率風(fēng)險(xiǎn)、購(gòu)買(mǎi)力風(fēng)險(xiǎn)等。

2.投資風(fēng)險(xiǎn)

超市投入一定資金后，因市場(chǎng)需求變化而影響最終收益與預(yù)期收益偏離的風(fēng)險(xiǎn)。超市對(duì)外投資主要有直接投資和證券投資兩種形式。投資風(fēng)險(xiǎn)主要包括利率風(fēng)險(xiǎn)、再投資風(fēng)險(xiǎn)、匯率風(fēng)險(xiǎn)、通貨膨脹風(fēng)險(xiǎn)、金融衍生工具風(fēng)險(xiǎn)、道德風(fēng)險(xiǎn)、違約風(fēng)險(xiǎn)等。

3.經(jīng)營(yíng)風(fēng)險(xiǎn)

經(jīng)營(yíng)風(fēng)險(xiǎn)又稱(chēng)營(yíng)業(yè)風(fēng)險(xiǎn)，是指在超市的經(jīng)營(yíng)過(guò)程中各個(gè)環(huán)節(jié)不確定性因素的影響所導(dǎo)致超市資金運(yùn)動(dòng)的遲滯，產(chǎn)生超市價(jià)值的變動(dòng)。經(jīng)營(yíng)風(fēng)險(xiǎn)主要包括采購(gòu)風(fēng)險(xiǎn)、存貨變現(xiàn)風(fēng)險(xiǎn)等。

4.存貨管理風(fēng)險(xiǎn)

超市保持一定量的存貨對(duì)于其進(jìn)行正常經(jīng)營(yíng)來(lái)說(shuō)是至關(guān)重要的，但如何確定最優(yōu)庫(kù)存量是一個(gè)比較棘手的問(wèn)題，存貨太多會(huì)導(dǎo)致產(chǎn)品積壓，占用企業(yè)資金，風(fēng)險(xiǎn)較高；存貨太少又可能導(dǎo)致原料供應(yīng)不及時(shí)，影響超市的正常銷(xiāo)售，嚴(yán)重時(shí)可能造成商品短缺，影響企業(yè)的信譽(yù)。

5.流動(dòng)性風(fēng)險(xiǎn)

流動(dòng)性風(fēng)險(xiǎn)是指超市資產(chǎn)不能正常和確定性地轉(zhuǎn)移為現(xiàn)金或企業(yè)債務(wù)和付現(xiàn)責(zé)任不能正常履行的可能性。從這個(gè)意義上來(lái)說(shuō)，可以把超市的流動(dòng)性風(fēng)險(xiǎn)從企業(yè)的變現(xiàn)力和償付能力兩方面分析與評(píng)價(jià)。由于超市支付能力和償債能力發(fā)生的問(wèn)題，稱(chēng)為現(xiàn)金不足及現(xiàn)金不能清償風(fēng)險(xiǎn)。由于超市資產(chǎn)不能確定性地轉(zhuǎn)移為現(xiàn)金而發(fā)生的問(wèn)題則稱(chēng)為變現(xiàn)力風(fēng)險(xiǎn)。

二、超市財(cái)務(wù)風(fēng)險(xiǎn)的成因

超市財(cái)務(wù)風(fēng)險(xiǎn)產(chǎn)生的原因很多，既有超市外部原因，也有超市自身的原因，而且不同的財(cái)務(wù)風(fēng)險(xiǎn)形成的具體原因也不盡相同。超市產(chǎn)生財(cái)務(wù)風(fēng)險(xiǎn)的一般原因有以下幾點(diǎn)：

1.超市財(cái)務(wù)管理的宏觀環(huán)境復(fù)雜多變，而超市管理系統(tǒng)不能適應(yīng)復(fù)雜多變的宏觀環(huán)境

超市財(cái)務(wù)管理宏觀環(huán)境的復(fù)雜性是超市產(chǎn)生財(cái)務(wù)風(fēng)險(xiǎn)的外部原因。財(cái)務(wù)管理的宏觀環(huán)境包括經(jīng)濟(jì)環(huán)境、法律環(huán)境、市場(chǎng)環(huán)境、社會(huì)文化環(huán)境、資源環(huán)境等因素，這些因素存在企業(yè)之外，但對(duì)企業(yè)財(cái)務(wù)管理產(chǎn)生重大的影響。宏觀環(huán)境的變化對(duì)超市來(lái)說(shuō)是難以準(zhǔn)確預(yù)見(jiàn)和無(wú)法改變的，宏觀環(huán)境的不利變化必然給超市帶來(lái)財(cái)務(wù)風(fēng)險(xiǎn)。財(cái)務(wù)管理環(huán)境具有復(fù)雜性和多變性，外部環(huán)境多樣化可能為企業(yè)帶來(lái)某種機(jī)會(huì)，也可能使超市面臨某種威脅，而給超市理財(cái)帶來(lái)困難。目前，我國(guó)許多超市建立的財(cái)務(wù)管理系統(tǒng)，由于機(jī)構(gòu)設(shè)置不盡合理，管理人員素質(zhì)不高，財(cái)務(wù)管理規(guī)章制度不夠健全，管理基礎(chǔ)工作不夠完善等原因，導(dǎo)致超市財(cái)務(wù)管理系統(tǒng)缺乏對(duì)外部環(huán)境的適應(yīng)能力和應(yīng)變能力，具體表現(xiàn)在對(duì)外部環(huán)境不利變化不能進(jìn)行科學(xué)的預(yù)見(jiàn)，反應(yīng)滯后，措施不力，由此產(chǎn)生財(cái)務(wù)風(fēng)險(xiǎn)。

2.超市財(cái)務(wù)管理人員對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的客觀性認(rèn)識(shí)不足

財(cái)務(wù)風(fēng)險(xiǎn)是客觀存在的，只要有財(cái)務(wù)活動(dòng)，就必然存在著財(cái)務(wù)風(fēng)險(xiǎn)。然而在現(xiàn)實(shí)工作中，許多超市的財(cái)務(wù)管理人員缺乏風(fēng)險(xiǎn)意識(shí)。風(fēng)險(xiǎn)意識(shí)的淡薄是財(cái)務(wù)風(fēng)險(xiǎn)產(chǎn)生的重要原因之一。

3.財(cái)務(wù)決策缺乏科學(xué)性導(dǎo)致決策失誤

財(cái)務(wù)決策失誤是產(chǎn)生財(cái)務(wù)風(fēng)險(xiǎn)的又一主要原因。避免財(cái)務(wù)決策失誤的前提是財(cái)務(wù)決策的科學(xué)化。目前，許多超市的財(cái)務(wù)決策都存在經(jīng)驗(yàn)決策及主觀決策現(xiàn)象，家長(zhǎng)制、一言堂的工作作風(fēng)在超市的管理中仍然普遍存在。由此導(dǎo)致的決策失誤經(jīng)常發(fā)生，從而產(chǎn)生財(cái)務(wù)風(fēng)險(xiǎn)。

4.超市內(nèi)部財(cái)務(wù)關(guān)系不明

這是超市產(chǎn)生財(cái)務(wù)風(fēng)險(xiǎn)的又一重要原因，超市與內(nèi)部各部門(mén)之間及超市與上級(jí)企業(yè)之間，在資金管理及使用、利益分配等方面存在權(quán)責(zé)不明、管理不利的現(xiàn)象，造成資金使用效率低下，資金流失嚴(yán)重，資金的安全性、完整性無(wú)法得到保證。

三、基于BP網(wǎng)絡(luò)的風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建

1.超市財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)體系建立

超市財(cái)務(wù)風(fēng)險(xiǎn)分析是確定風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)體系的前提和基礎(chǔ)，預(yù)測(cè)指標(biāo)體系又是進(jìn)行風(fēng)險(xiǎn)評(píng)估分析的依據(jù)，一個(gè)科學(xué)的預(yù)警指標(biāo)體系對(duì)風(fēng)險(xiǎn)預(yù)警是至關(guān)重要的。

（1）超市財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)選取原則

根據(jù)指標(biāo)選擇原則建立的超市財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)體系，是能在不同方面反映超市財(cái)務(wù)經(jīng)營(yíng)中財(cái)務(wù)風(fēng)險(xiǎn)活動(dòng)趨勢(shì)，故選取超市財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)應(yīng)遵循如下原則:

第一，指標(biāo)的重要性。所選取指標(biāo)必須在衡量超市財(cái)務(wù)活動(dòng)方面具有重要性，所選的多個(gè)指標(biāo)的綜合必須表示超市財(cái)務(wù)活動(dòng)的主要矛盾現(xiàn)象。

第二，指標(biāo)的先行性。所選取的指標(biāo)特征量要與超市運(yùn)營(yíng)狀況大體一致或略有超前性，能敏感地反映超市財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)生或發(fā)展動(dòng)向。同時(shí)指標(biāo)要能針對(duì)財(cái)務(wù)風(fēng)險(xiǎn)某種狀態(tài)進(jìn)行分析、預(yù)測(cè)，分析其運(yùn)動(dòng)趨勢(shì)及可能帶來(lái)的影響。

第三，指標(biāo)的目的性。所選取的指標(biāo)從不同角度、不同層次系統(tǒng)全面地反映超市活動(dòng)多重財(cái)務(wù)風(fēng)險(xiǎn)的狀態(tài)，從而達(dá)到財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)體系的預(yù)測(cè)目的。

第四，指標(biāo)的可比性。所選取的指標(biāo)應(yīng)一方面可以通過(guò)科學(xué)合理的轉(zhuǎn)換，指標(biāo)體系能反映出財(cái)務(wù)風(fēng)險(xiǎn)的總體狀況;另一方面又能夠在各超市企業(yè)之間具有一定的可比性。

第五，指標(biāo)的操作性。所選取的指標(biāo)要與國(guó)際慣例接軌，同時(shí)又符合我國(guó)超市的發(fā)展水平現(xiàn)狀;各項(xiàng)指標(biāo)應(yīng)該力求能從廣泛的經(jīng)濟(jì)數(shù)據(jù)中獲取相關(guān)的可靠信息，要求數(shù)據(jù)來(lái)源確鑿可靠，推理過(guò)程科學(xué)合理，易于量化，適于操作，并且指標(biāo)間的相關(guān)性較弱。

(2）超市財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)的選取

依據(jù)上述的指標(biāo)選取原則，本文選取總資產(chǎn)、主營(yíng)業(yè)務(wù)收入、股東權(quán)益（不含少數(shù)股東權(quán)益）、凈利潤(rùn)、扣除非經(jīng)常性損益后的凈利潤(rùn)、每股收益、凈資產(chǎn)收益率(%)、每股經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流量?jī)纛~、每股凈資產(chǎn)、調(diào)整后的每股凈資產(chǎn)、扣除非經(jīng)常性損益后的凈資產(chǎn)收益率(%)11個(gè)指標(biāo)用來(lái)構(gòu)建超市財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)體系，如下表所示。

表 超市財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)（單位：人民幣元）

2.基于BP網(wǎng)絡(luò)的超市風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建

本文運(yùn)用前向三層BP網(wǎng)絡(luò)技術(shù)，它由輸入層、中間層、輸出層組成。中間層位于輸入層和輸出層之間，作為輸入模式的內(nèi)部表示，對(duì)一類(lèi)輸入模式所包含的區(qū)別于其他類(lèi)別的輸入模式的特征進(jìn)行抽取，并將抽取出的特征傳遞給輸出層，由輸出層對(duì)輸入模式的類(lèi)別作最后的判別。因此，也可以把中間層稱(chēng)為特征抽取層。中間層的輸入模式進(jìn)行特征抽取的過(guò)程，實(shí)際上也就是對(duì)輸入層與中間層之間連接權(quán)進(jìn)行“自組織化”的過(guò)程。在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，各層之間的連接權(quán)起著“傳遞特征”的作用。各連接權(quán)從初始的隨機(jī)值逐漸演變，最終達(dá)到能夠表征輸入模式性的過(guò)程，就是“自組織化過(guò)程”。

（1）輸入節(jié)點(diǎn)的確定

前面已經(jīng)對(duì)超市財(cái)務(wù)風(fēng)險(xiǎn)及其評(píng)價(jià)指標(biāo)進(jìn)行了系統(tǒng)的分析。在基于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)超市財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)模型時(shí)，網(wǎng)絡(luò)輸入應(yīng)為全面描述超市財(cái)務(wù)風(fēng)險(xiǎn)的指標(biāo)。因此，不同的超市財(cái)務(wù)風(fēng)險(xiǎn)的指標(biāo)體系對(duì)應(yīng)不同的網(wǎng)絡(luò)模型，也形成不同的輸入節(jié)點(diǎn)數(shù)，輸入節(jié)點(diǎn)數(shù)等于風(fēng)險(xiǎn)指標(biāo)數(shù)。由超市財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)體系可知，超市財(cái)務(wù)風(fēng)險(xiǎn)包括總資產(chǎn)、主營(yíng)業(yè)務(wù)收入、股東權(quán)益(不含少數(shù)股東權(quán)益)等11個(gè)指標(biāo)。所以，確定輸入節(jié)點(diǎn)數(shù)為11個(gè)。

（2）輸出節(jié)點(diǎn)確定

輸出節(jié)點(diǎn)確定對(duì)應(yīng)于評(píng)價(jià)結(jié)果，輸出為[-1]表示財(cái)務(wù)存在風(fēng)險(xiǎn)；為[1]表示財(cái)務(wù)風(fēng)險(xiǎn)問(wèn)題不明顯；為[0]表示財(cái)務(wù)不存在風(fēng)險(xiǎn)。因此，輸出節(jié)點(diǎn)數(shù)為3個(gè)。

（3）隱層節(jié)點(diǎn)確定

理論上已經(jīng)證明，對(duì)于任何閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用一個(gè)隱含層的BP網(wǎng)絡(luò)來(lái)逼近，因而一個(gè)二層的BP網(wǎng)絡(luò)可以完成任意的n維到m維的影射。為了避免因?yàn)殡[含層的增加而導(dǎo)致的訓(xùn)練時(shí)間的急劇增加和局部最小誤差的增加，本文選擇采用隱含層數(shù)為一層。

就BP網(wǎng)絡(luò)而言，當(dāng)隱含層神經(jīng)元數(shù)目過(guò)多時(shí)，優(yōu)點(diǎn)是表現(xiàn)能力強(qiáng)，缺點(diǎn)是網(wǎng)絡(luò)結(jié)構(gòu)龐大，在訓(xùn)練時(shí)效率不高，學(xué)習(xí)時(shí)間長(zhǎng)，泛化能力下降，誤差不一定最佳;學(xué)習(xí)后網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，物理意義不明確。當(dāng)隱含層神經(jīng)元數(shù)目過(guò)少時(shí)，優(yōu)點(diǎn)是學(xué)習(xí)時(shí)間短，學(xué)習(xí)后網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單。缺點(diǎn)是表現(xiàn)力不足，網(wǎng)絡(luò)不具備必要的學(xué)習(xí)能力和信息處理能力，容錯(cuò)性差，出現(xiàn)學(xué)習(xí)誤差下降緩慢甚至不收斂的現(xiàn)象。由于神經(jīng)網(wǎng)絡(luò)的巨量并行分布結(jié)構(gòu)和非線性動(dòng)態(tài)特性，要想從理論上得到一個(gè)簡(jiǎn)單通用的隱含層單元確定公式是十分困難的。然而，通過(guò)廣泛和長(zhǎng)期的應(yīng)用過(guò)程所得的一些定性結(jié)論會(huì)有助于合理安排隱含層的單元數(shù)，因此結(jié)合文中實(shí)際情況，可參考下面公式來(lái)確定隱含層單元個(gè)數(shù)。

其中，n1為隱層節(jié)點(diǎn)數(shù)，m為輸入層節(jié)點(diǎn)數(shù)目，n為輸出層節(jié)點(diǎn)數(shù)目，a為1-10之間的常數(shù)。因此，隱層節(jié)點(diǎn)數(shù)確定為6。

3.面向MATLAB的BP網(wǎng)絡(luò)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型仿真

（1）BP網(wǎng)絡(luò)的訓(xùn)練

已經(jīng)對(duì)超市的財(cái)務(wù)建立起合適的BP網(wǎng)絡(luò)風(fēng)險(xiǎn)預(yù)測(cè)模型，下面對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在批處理模式中，網(wǎng)絡(luò)訓(xùn)練所用的樣本需要進(jìn)行一次性輸入，然后再調(diào)整網(wǎng)絡(luò)權(quán)值和域值，梯度的計(jì)算也是由所有的樣本數(shù)據(jù)參與的。

BP算法的主要缺點(diǎn)是：收斂速度慢、局部極值、難以確定隱層和隱層節(jié)點(diǎn)數(shù)。在實(shí)際中BP算法很難勝任，所以本文采用改進(jìn)的BP算法:自適應(yīng)lr的梯度下降法。對(duì)于梯度下降法，學(xué)習(xí)速率對(duì)于整個(gè)網(wǎng)絡(luò)訓(xùn)練過(guò)程有很大的影響，訓(xùn)練成功與否與學(xué)習(xí)率的選取關(guān)系很大。如果在訓(xùn)練過(guò)程中合理地改變學(xué)習(xí)率，會(huì)避免很多缺陷。有自適應(yīng)lr的學(xué)習(xí)算法能夠自適應(yīng)調(diào)整學(xué)習(xí)率，從而增加穩(wěn)定性，提高速度和精度。

有自適應(yīng)lr梯度下降法的訓(xùn)練函數(shù)為traingda，與函數(shù)traingda有關(guān)的訓(xùn)練參數(shù)有：epochs、goal、lr、max_fail、min_grad、show、time、lr_inc、lr_dec、max_perf_inc。

net.trainParam.epochs 最大訓(xùn)練次數(shù)（缺省為10）

net.trainParam.goal 訓(xùn)練要求精度（缺省為0）

net.trainParam.lr 學(xué)習(xí)率（缺省為0.01）

net.trainParam.max_fail 最大失敗次數(shù)（缺省為5）

net.trainParam.min_grad 最小梯度要求（缺省為1e-10）

net.trainParam.show顯示訓(xùn)練迭代過(guò)程（缺省為25）

net.trainParam.time 最大訓(xùn)練時(shí)間（缺省為inf）

net.trainParam.lr_inc學(xué)習(xí)率lr增長(zhǎng)比（缺省為1.05）

net.trainParam.lr_dec學(xué)習(xí)率lr下降比（缺省為0.7）

net.trainParam.max_perf_inc表現(xiàn)函數(shù)增加最大比（缺省1.04）

設(shè)超市2003年為無(wú)風(fēng)險(xiǎn)[0]、2004年為風(fēng)險(xiǎn)不確定[1]、2005年為風(fēng)險(xiǎn)存[-1]訓(xùn)練該網(wǎng)絡(luò)。

利用Matlab平臺(tái)對(duì)風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行訓(xùn)練時(shí)，在確定輸入值和期望輸出后，可以直接調(diào)用traingda函數(shù)進(jìn)行訓(xùn)練。建立一個(gè)M文件，根據(jù)超市財(cái)務(wù)指標(biāo)數(shù)據(jù)，在界面輸入：

p=[1370518362.53 1640751155.19 1525961728.59;

4014089223.76 3836481696.24 2945931106.78;

369411872.73 1003965481.61 928812204.30;

61986561.39 34629345.85 -40158466.41;

64771918.27 35294602.11 -36198401.28;

0.402 0.158 -0.153;

2.394 4.587 3.537;

2.21 4.510 3.467;

16.78 3.45 -4.32;

-0.899 1.674 0.422;

17.63 12.33 -1.69];

t=[0 1 -1];

net =newff(minmax(p),[6,1],{'tansig','purelin'},'traingda');

net.trainParam.show=25;

net.trainParam.lr=0.01;

net.trainParam.lr_inc=1.05

net.trainParam.epochs=10000;

net.trainParam.goal=1e-10;

[net,tr]=train(net,p,t);

然后運(yùn)行，在Matlab的顯示界面出現(xiàn)：

TRAINGDA, Performance goal met.

當(dāng)?shù)玫缴厦娴哪繕?biāo)已經(jīng)達(dá)到的提示語(yǔ)句，并且訓(xùn)練的動(dòng)態(tài)圖像如下圖所示時(shí)，

圖網(wǎng)絡(luò)訓(xùn)練的誤差變化曲線

說(shuō)明網(wǎng)絡(luò)已經(jīng)訓(xùn)練成功，然后輸入

>> a=sim(net,p)

檢測(cè)得到結(jié)果

a =

0.00001.0000 -1.0000

該輸出與期望輸出（超市2003年為無(wú)風(fēng)險(xiǎn)[0]、2004年為風(fēng)險(xiǎn)不確定[1]、2005年為風(fēng)險(xiǎn)存[-1]）一致，證明網(wǎng)絡(luò)訓(xùn)練成功。

（2）BP網(wǎng)絡(luò)的仿真

通過(guò)上面的操作，網(wǎng)絡(luò)已經(jīng)訓(xùn)練完畢。下面采用超市的指標(biāo)數(shù)據(jù)來(lái)預(yù)測(cè)其財(cái)務(wù)風(fēng)險(xiǎn)。

建立M文件：

p=[1370518362.53 1640751155.19 1525961728.59;

4014089223.76 3836481696.24 2945931106.78;

369411872.73 1003965481.61 928812204.30;

61986561.39 34629345.85 -40158466.41;

64771918.27 35294602.11 -36198401.28;

0.402 0.158 -0.153;

2.394 4.587 3.537;

2.21 4.510 3.467;

16.78 3.45 -4.32;

-0.899 1.674 0.422;

17.63 12.33 -1.69];

t=[0 1 -1];

net =newff(minmax(p),[6,1],{'tansig','purelin'},'traingda');

net.trainParam.show=25;

net.trainParam.lr=0.01;

net.trainParam.lr_inc=1.05

net.trainParam.epochs=10000;

net.trainParam.goal=1e-10;

[net,tr]=train(net,p,t);

p1=[1136396053.74 1239715404.88 1409789929.12;

3247882437.11 3666443133.78 1375289142.14;

244339457.08 311421437.68 909325535.98;

50070042.75 66925122.63 -16970171.41;

51290204.49 68041237.90 -11084934.90;

0.325 0.434 -0.065;

20.49 21.49 -1.87;

-0.403 1.617 -0.55;

1.584 2.019 3.462;

1.012 1.193 3.385;

22.96 24.48 16.35];

運(yùn)行后，在界面輸入

>> a=sim(net,p1)

得結(jié)果，2001年和2002年的財(cái)務(wù)風(fēng)險(xiǎn)存在[-1]，而2006年則顯示出財(cái)務(wù)風(fēng)險(xiǎn)不明確[1]。

四、結(jié)束語(yǔ)

統(tǒng)計(jì)資料顯示，近三年來(lái)，我國(guó)限額以上連鎖零售集團(tuán)(企業(yè))以年均33.6%的速度遞增，截至2006年末，已達(dá)到1055家，連鎖門(mén)店數(shù)達(dá)54891個(gè)，營(yíng)業(yè)面積和年銷(xiāo)售額都比2004年有了成倍的增長(zhǎng)。連鎖零售集團(tuán)(企業(yè))總體規(guī)模迅速擴(kuò)張的同時(shí)，單體規(guī)模也在增大。2006年門(mén)店在14個(gè)以上的連鎖零售集團(tuán)(企業(yè))有507家，比2005年多60家。其中超過(guò)100個(gè)的由2004年末的55家、2005年末的73家增至2006年末的97家。但伴隨著快速擴(kuò)張、我國(guó)連鎖零售企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)也逐漸暴露出來(lái)，據(jù)統(tǒng)計(jì)近一年半以來(lái)，我國(guó)已有150多家大型連鎖超市倒閉。

為了減少超市財(cái)務(wù)的風(fēng)險(xiǎn)，提高超市的競(jìng)爭(zhēng)能力，超市企業(yè)可以從以下幾個(gè)方面著手：加強(qiáng)結(jié)算資金管理；加強(qiáng)存貨控制；健全內(nèi)部規(guī)章制度；實(shí)行全面預(yù)算管理；建立計(jì)算機(jī)分析和管理系統(tǒng)。

參考文獻(xiàn)：

[1]宋明哲:現(xiàn)代風(fēng)險(xiǎn)管理[M]．北京：中國(guó)紡織出版社,2003

[2]嚴(yán)真紅:我國(guó)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的成因及其防范[J].江西財(cái)經(jīng)大學(xué)學(xué)報(bào)，2004.4

[3]陳文浩 郭麗紅:企業(yè)財(cái)務(wù)危機(jī)的原因分析[J].浙江財(cái)稅與會(huì)計(jì)，2004.10

[4]唐曉云:略論企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)管理[J].上海會(huì)計(jì)，2002.2