最新BP神经网络在项目风险识别、评估中的应用
基于BP神经网络的配电网供电可靠性风险隐患动态评价模型研究
基于BP神经网络的配电网供电可靠性风险隐患动态评价模型研究屈志坚 国网上海市电力公司刘 菁 国网上海市电力公司姚 嵘 国网上海市电力公司孙 蕊 上海久隆企业管理咨询有限公司史景超 上海久隆企业管理咨询有限公司摘要：基于BP神经网络建立配电网供电可靠性风险隐患的动态评价模型，识别影响配电网安全运行的关键风险因素，量化评估风险发生概率及严重程度，确定风险等级，有助于在复杂环境下对重大风险隐患实施动态评价和预防预控，减少配电网故障发生，减轻故障影响，切实提高配电网供电可靠性水平。
关键词：配电网；供电可靠性；风险评价；神经网络中图分类号：TM727 文献识别码：A 文章编号：1001-828X(2019)027-0341-02为电力用户提供安全可靠的电力能源是电网企业供电服务的第一要务。
准确识别和评估影响配电网供电可靠性的风险隐患是制定有针对的风险防控措施，弱化和消除风险隐患，切实提高配电网供电可靠性的重要手段。
配电网供电可靠性与网架结构、运行方式、设备状态以及运行环境等众多因素密切相关，其可靠性水平与各个影响因素之间往往呈现复杂且动态变化的非线性关系。
传统的供电可靠性评估方法一般以相对稳定的配电网结构为基础，对组成系统的设备、元件的可靠性分析往往只考虑了时间因素，对系统所处外部环境、用户设备与用电行为等因素缺乏考虑。
随着屋顶光伏、风力发电等新能源并网规模的扩大，微电网的加入，以及售电市场放开等措施的推出，无论配电网系统结构，组成系统的设施、设备和元件，还是系统所处环境因素，都在快速发展和变化。
传统的可靠性评估方法已经难以适应新形势下的应用需求，不足以支撑用户对提升供电可靠性的要求。
一、BP神经网络的原理与特点人工神经网络是通过模仿生物神经网络的工作原理来求解非线性问题的一种经验模型。
人工神经网络的基本原理是根据输入的某一类专门问题的训练数据或信息建立神经元，通过对规则的学习或自组织等过程，建立相应的非线性数学模型，并且不断修正参数，使输出结果与实际结果的差距不断缩小，最终建立能够有效解决同类问题的模型。
基于BP神经网络模糊综合评判的工程风险评价
基于BP神经网络模糊综合评判的工程风险评价【摘要】在对工程项目风险评价中，本文在论述BP神经网络原理及算法的基础上,提出了将其与模糊综合评判相结合的评价方法,建立了模糊综合评判的神经网络模型，并将此模型应用到工程项目风险评价的实例中。
【关键词】工程项目；风险评价；BP神经网络；模糊综合评价Study on the Evaluation Model for Engineering Project Risk Based on BP Neural Network of Composite FuzzyMAO Chao-jing PＥＮＧHai-yan LEI Bin(Management，Chongqing Jiaotong University，Chongqing，400074，China) 【Abstract】In this article, a evaluation method by BP neural network of composite fuzzy was presented and the Evaluation Model based on BP Neural Network of Composite Fuzzy was built, than used this model to evaluation engineering project risk.【Key words】Engineering project;Venture evaluation;BP neural network;Fuzzy synthetic evaluation０引言工程项目进行的环境是复杂的,并且它是一个一次性的过程,对于工程项目本身，它也是一个复杂和开放的系统，另外工程项目还有不确定性因素多、周期长的特点。
在项目进行的过程当中就不可避免会受到一些不确定性因素的影响,导致达不到预期的工期、质量和费用控制等目标，即项目存在着一定风险。
基于BP神经网络的项目风险管理成熟度等级评估模型
理成熟度等级的评估中， 研究其评估效果 。
立二级指标。外部专家与组织相关人员组成评估 小组对组织进行评估 。在进行评分过程中， 主观评
二、 目风 险管 理成熟度模型 项
参考著名 的成熟度模型 ，结合项 目风险管理 价指标 ， 如风险分析能力 中的风险定性分析能力 ， 本身的过程特点 ，本 文将项 目风险管理成熟度分 评分原则依据项 目风险管理成熟度各等级估分并 为五个等级 ， 随着等级 的提高 ， 目风险管理 的过 经过专家讨论 ，客观评价指标则直接利用历史数 项 程能力也相应提高 ；同时 ，项 目失败的风险也降 据 ， 如项 目成功率。
表 １ 风 险管理能 力等级指标体 系
级指 标 ： 二 级 指 标 ： 风 险 管 理 定 量 定 性 指 标
一
评 分 说 明
流 程
１ １项 目 信 息 获 得 ．
充 分 、 准 确 、 及 时 的 信 息 渠 道 等
１ ２风 险 管 理 政 策 与 经 验 ． 是 否 有 既 定 风 险 政 策 、 方 法 等 １ ．风 险 管 １ ３对 项 目 经 理 的 职 责 与 授 权 各 方 参 与 者 的 岗 位 、 职 责 、 授 权 ．
理 计 划 １ ４风 险 管 理 计 划 模 板 ． １
．
等 有 否 可 用 模 板 及 充 实 程 度
方 法 、 岗位 职 责 、 时 间 、预 算 、 ５风 险 管 理 计 划 取 得 的 成 果 基 准 汇 报 形 式 等
、
２ １对 各 类 风 险 源 的 了 解 ．
２ ．风 险 识 项 别
技 术 风 险 、 市 场 风 险 、 政 府 法 规 等 内 部 风 险 和 外 部 风 险
bp神经网络的应用综述
bp神经网络的应用综述近年来，人工神经网络（ANN）作为一种神经网络形式在不断发展，因其计算能力强，对现实世界较好地识别和适应能力，已得到越来越广泛的应用，其中，BP神经网络是最典型的人工神经网络之一。
BP神经网络是指以马尔可夫随机过程为基础的反向传播算法，具有自组织学习、泛化、模糊推理的特点，具有非常广泛的应用场景。
它可以用来解决实际问题。
首先，BP神经网络可以用来解决分类问题。
它可以根据给定的输入向量和输出向量，训练模型以分类相关的输入特征。
这种模型可以用来解决工业控制问题、专家系统任务等。
例如，BP神经网络可以用来识别照片中的面孔，帮助改进自动门的判断等。
此外，BP神经网络还可以用于计算机视觉，即以计算机图像识别的形式进行图像处理。
通常，计算机视觉技术需要两个步骤，即识别和分析。
在识别步骤中，BP神经网络可以被用来识别图片中的特征，例如物体的形状、大小、颜色等；在分析步骤中，BP神经网络可以用来分析和判断图片中的特征是否满足要求。
此外，BP神经网络还可以用于机器人技术。
它可以用来识别机器人环境中的物体，从而帮助机器人做出正确的动作。
例如，利用BP神经网络，机器人可以识别障碍物并做出正确的行动。
最后，BP神经网络还可以用于未来的驾驶辅助系统中。
这种系统可以利用各种传感器和摄像机，搜集周围环境的信息，经过BP神经网络分析，判断当前环境的安全程度，及时采取措施，以达到更好的安全驾驶作用。
综上所述，BP神经网络具有自组织学习、泛化、模糊推理的特点，拥有非常广泛的应用场景，可以用于分类问题、计算机视觉、机器人技术和驾驶辅助系统等。
然而，BP神经网络也存在一些问题，例如训练时间长，需要大量的训练数据，容易受到噪声攻击等。
因此，研究人员正在积极改进BP神经网络，使其能够更好地解决各种问题。
基于人工智能的大数据风险评估模型构建
基于人工智能的大数据风险评估模型构建随着互联网和移动设备的普及，大数据时代已经来临。
数据正成为企业决策和战略制定的重要基础。
大数据技术的出现和普及，促进了数据的生产、采集、处理和应用。
同时，也出现了大量数据的泛滥和海量数据的管理难题。
如何利用大数据进行风险评估，成为了业内的关注热点。
本文将从人工智能和大数据的角度出发，探讨如何构建基于人工智能的大数据风险评估模型。
一、概述风险评估是企业经营管理的基本要素，通过评估企业面临的风险，可以科学规划和安排经营管理活动，预防风险，保障企业的安全和可持续发展。
数据作为风险评估的基础，其重要性不言而喻。
在数据量庞大和管理复杂的大数据时代，需要新的模型和方法，来实现数据信息的获取、分析和利用。
人工智能的兴起，提供了一种新的思路和方法，可以应对大数据风险评估中的挑战。
二、大数据风险评估模型大数据风险评估模型是一种利用大数据和人工智能的方法，对企业面临的风险进行分析和评估，提供科学的决策依据和管理措施。
1.数据采集数据采集是大数据风险评估的第一步，需要采集大量的数据来进行分析和建模。
数据来源可以是企业内部的成本、收入、盈利、销售额等数据，也可以是外部的宏观经济数据、行业数据、市场数据等。
采用网络爬虫技术，可以从互联网上获取大量的数据，如新闻、社交媒体、评论、口碑等数据。
2.数据清洗数据清洗是数据分析的关键步骤，目的是去除重复、错误、不完整和不合理的数据，提高数据的质量和可靠性。
数据清洗过程中，可以利用人工智能算法，如聚类、分类、规则、神经网络等方法，对数据进行筛选、归一化、缺失值处理、异常值识别等工作。
3.数据分析数据分析是大数据风险评估的核心步骤，目的是从数据中提取有效信息和知识，进行分类、预测、检测、诊断等操作。
数据分析方法和技术有很多，如统计分析、机器学习、神经网络、演化算法等。
其中，机器学习是常用的数据分析方法之一，可通过建立数学模型，对数据进行训练和预测。
贝叶斯网络在风险评估中的应用
贝叶斯网络在风险评估中的应用随着科技的不断进步，人们对安全性的要求也越来越高。
风险评估作为安全管理领域中的重要组成部分，对于预防各种风险事件的发生至关重要。
而贝叶斯网络在风险评估中的应用，正逐渐受到人们的关注。
1. 贝叶斯网络的原理贝叶斯网络是一种概率图模型，用于描述变量之间的依赖关系。
它由节点和边组成，节点表示变量，边表示变量之间的依赖关系。
贝叶斯网络通过建立概率模型，将已知的信息和未知的信息整合在一起，对风险进行评估和预测。
2. 2.1 风险识别贝叶斯网络可用于风险识别，通过对不同风险因素的分析和建模，对潜在风险进行预测和评估。
例如，在某个工厂中，通过贝叶斯网络建模，可以识别出可能导致事故发生的因素，并提出相应的预防措施。
2.2 风险评估贝叶斯网络可用于风险评估，通过对不同因素的分析和建模，对风险的概率进行预测和评估。
例如，在某个医院中，通过贝叶斯网络建模，可以评估患者的风险，指导医生的决策。
2.3 风险控制贝叶斯网络可用于风险控制，通过对不同影响因素的分析和建模，对风险进行控制和监测。
例如，在某个金融机构中，通过贝叶斯网络建模，可以控制贷款风险，减少不良贷款的发生。
3. 贝叶斯网络在风险评估中的优势3.1 灵活性贝叶斯网络具有灵活性，可以根据需要调整模型结构，预测和评估不同类型的风险。
3.2 准确性贝叶斯网络可以根据已知的信息和模型的概率分布，对未知的信息进行推理和预测，具有较高的准确性。
3.3 可解释性贝叶斯网络可以通过节点和边的可视化，对风险因素之间的依赖关系进行解释和说明，提高了风险评估的可解释性。
4. 贝叶斯网络在实际应用中的案例4.1 清华大学人工智能中心的应用清华大学人工智能中心利用贝叶斯网络，对国内外主要碳排放国家的碳排放数据进行分析和建模，提供给政府和企业碳减排政策的参考。
4.2 日本东京女子大学的应用东京女子大学利用贝叶斯网络，对新型冠状病毒的传播进行建模和分析，为政府和公众提供疫情预测和控制的参考。
BP神经网络在医疗保险统筹基金支付风险识别中的应用研究的开题报告
BP神经网络在医疗保险统筹基金支付风险识别中的应用研究的开题报告一、研究背景与意义如今，医疗保险在我国的重要性日益凸显，特别是医疗保险的统筹基金支付风险的管理问题，对于保障群众就医的权益、保证基金的可持续发展至关重要。
然而，由于医疗保险个人账户管理的局限性，就医费用的大量报销使得基金支付风险成为了医疗保险管理的瓶颈之一。
在这种情况下，如何准确、高效、科学地对医疗保险的风险进行识别、预测和防范，已成为当前医疗保险管理研究的重点之一。
基于这个背景，本文将采用BP神经网络的方法，对医疗保险统筹基金支付风险进行研究，旨在提高基金的管理效率和质量，推动我国医疗保险管理水平的提高。
二、研究内容和计划本文主要研究BP神经网络在医疗保险统筹基金支付风险识别中的应用，具体研究内容包括：1.构建BP神经网络模型，建立医疗保险统筹基金支付风险的预测模型。
2.基于历史数据和经验知识，选择和提取与医疗保险风险相关的特征指标，建立输入向量。
3.根据历史数据和其他相关信息，设置适当的训练集和测试集，并进行训练和测试，评估模型的预测性能。
4.基于预测结果，分析支付风险的成因和影响因素，提出相应的措施和建议，为基金的管理提供决策支持。
研究计划如下：第一年：对BP神经网络的相关理论进行深入学习和了解，收集各种医疗保险风险的特征指标和相关数据，构建BP神经网络预测模型。
第二年：建立输入向量和训练集、测试集，进行模型的训练和测试，并对预测结果进行评估和分析，以便确定模型的最佳参数和性能指标。
第三年：对模型的预测结果进行分析和解释，并提出相应的管理措施和建议，为医疗保险管理提供决策支持。
三、预期成果和意义通过本文的研究，预期可以得到以下成果：1.建立一种基于BP神经网络的医疗保险统筹基金支付风险预测模型，提高风险管理的预测准确度和效率。
2.通过对风险的分析和预测，提出相应的管理措施和建议，为基金的管理和医疗保险的可持续发展提供决策支持。
基于 MIV－BP 型网络实验的房地产项目风险识别研究
基于 MIV－BP 型网络实验的房地产项目风险识别研究何芳;王小川;肖森予;李晓丽【摘要】Real estate is a business of high risk .This paper establishes an optimized MIV -BP neural network (Mean Impact Value Back-Propagation Network)which is based on a successful Back -Propagation neural network to identify the risk of real estate projects and to analyze the influence of various factors in the risk of real estate projects, thus to provide some references about the risk recognition for the real estate projects investment deci -sions and to help the real estate companies to avoid the risk effectively .Some present data related real estate pro -jects are adopted to test the accuracy and objectivity of this model .The test results show the MIV-BP neural net-work model has an excellent compatibilityand more accuracy when it is used in the risk recognition of real estate projects which can meet the experts’ evaluation requirements and has a good application value in the analysis of risk factors in real estate projects.% 为了更准确更客观地识别房地产项目中的风险，为房地产项目投资决策提供科学依据和参考，有效地规避风险，本研究在 BP 神经网络（Back－Propagation Neural Network）建模的基础上，采取 MIV（Mean Impact Value）算法对 BP 神经网络模型进行变量筛选的网络优化和改良，从而形成新的优化后的 MIV－BP （Mean Impact Value Back－Propagation Neural Network ）神经网络，并以此用于评价房地产项目中的风险度以及各因素在风险度中的影响作用大小；同时选取目前相关的房地产项目数据进行仿真实证分析和验证。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
B P神经网络在项目风险识别、评估中的应用BP神经网络在项目风险识别、评估中的应用摘要现今不断提倡改革、创新、发展的社会中，新型项目群涌而起，项目风险识别、评估作为项目管理领域中一个重要的组成部分，正在受到越来越多的重视。
面临着众多的选择，我们如何挑选出投资风险最少，最稳定，最具有可行性的项目这显得极为重要，对此我们以软件项目、企业管理项目以及个人信贷风险这三个极具代表性的项目为例，提出基于 BP神经网络的项目风险评估模型。
首先 ,构建相应项目风险识别的模型 ;其次 ,在识别模型基础上建立了多种风险指标在内的项目风险评估指标体系 ;再次 ,利用 BP神经网络建立了风险评估模型 ;最后 ,通过 MATLAB实例证明该风险评估模型的有效性和可行性。
关键词：软件项目风险识别与评估；企业管理项目风险识别与评估；个人信贷风险识别与评估； BP神经网络；自评分：85目录摘要 (2)1 引言 (3)2 三种项目风险的识别与评估 (5)2.1软件项目风险识别与评估 (5)2.2企业项目风险识别与评估.................................. 错误!未定义书签。
2.3个人消费信贷风险识别与评估.............................. 错误!未定义书签。
小结 (8)参考文献 (9)致谢 (9)1 引言一个典型的BP网络主要由输入层、隐层和输出层组成。
BP网络具备任意精度的函数逼近能力,所以,神经元网络为项目风险评估模型提供了一个可行的构造和表达方式。
BP网络学习过程是由信号的正向传播与误差的反向传播两个过程组成。
正向传播时,把用于项目风险评估的各项指标属性值归一化处理后作为输入样本从输入层传入,经各隐层逐层处理后传向输出层,若输出层的实际输出与期望输出不符,则转入误差的反向传播阶段。
误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。
信号正向传播与误差反向传播的各层权值调整是周而复始的,权值不断调整的过程,也是网络的学习训练过程。
此过程一直训练到网络输出的误差减少到可以接受的程度,或进行到预先设定的学习次数为止,最终以系统的输出作为评价的目标。
风险评估过程从方案阶段的中期开始, 并在其后续诸阶段一直持续下去; 随着软件开发项目的进展, 评估会不断地深化。
风险评估的过程(图一) 主要包括两个阶段:a) 项目风险识别。
它是指对项目各个方面和各个关键性过程进行考察研究, 从而识别并记录有关风险的过程。
风险识别是风险评估过程的第一步, 它的基本任务就是搜寻整个项目, 找出那些会妨碍项目实现其目标的风险事件。
b) 项目风险分析。
它是指对已辨识出的各类风险事件进行考察研究以进一步细化风险描述, 从而找出风险致因并确定影响。
其目的是搜集这些风险的足够信息, 以判断各类风险发生概率以及各类风险一旦发生将对项目性能、进度、费用造成的后果。
当有了这些信息后, 就可以根据项目自身的准则确定风险等级。
图一2三种项目风险与评估2.1软件项目风险识别与评估软件项目是生活中更新最快，量最多，风险最大的项目之一，在现今信息社会项目风险识别与评估中极具代表性，他的整个过程不是一次性行为,而是有规律地贯穿整个项目中。
任何能进行潜在问题识别的信息源都可用于风险识别,信息源有主观和客观两种。
客观的信息源包括过去项目中记录的经验及表示当前项目进行情况的文件;主观信息源是基于有经验的专家的经验判断。
根据需要, 本文在以往的软件开发项目中选取10 个已有结果的项目作为样本, 如表1 所示, 每个项目的17 种风险指标已经计算得到, 表2 表示4 个测试项目的17 种风险指标。
在模拟实验中, 本文采用MATLAB 7.0 作为软件平台。
将表1 中的10 个训练样本输入神经网络模型, 其模型输出结果与实际结果间的误差随训练次数的增加而减小, 误差变化如图2 所示。
图二网络训练误差变化曲线图当训练次数达到500 次时, 图二显示训练样本项目风险的误差达到10 - 3 , 此时BP 神经网络模型达到预设精度。
用该模型来测试表2 的项目风险, 将表2 中的数据输入网络模型, 经过运算后, 输出结果为[ 0. 0100 0. 4504 0. 1801 0. 1601] , 与风险实际结果[ 0. 01 0. 45 0. 18 0. 16] 相比较, 其准确率也达到了10 - 3 的预定水平。
假设某软件开发项目风险预测的各个指标值为[ 0. 1, 0. 3, 0. 3, 0. 3, 0. 1, 0. 1, 0. 5, 0. 3, 0. 5, 0. 3, 0. 1, 0.1, 0. 3, 0. 1, 0. 3, 0. 1] , 经过该BP 神经网络模型预测此项目的风险水平为Ⅱ级。
因此, 在得到某软件开发项目的17 种风险指标值之后, 利用本文的基于BP神经网络的风险评估模型可以预测项目总风险水平属于低风险、中等风险还是高风险, 给项目决策者提供一个较客观评价指标, 进而提高软件项目应对风险的科学性。
2.2 企业项目风险识别与评估企业项目风险管理作为项目管理九个领域中一个重要的组成部分，之所以重要，显然是由于项目管理所必然面临的不确定因素。
根据对项目的定义，任何项目都有其某种程度的唯一性或特殊性。
项目管理区别于企业一般运营管理的关键一点，在于项目管理所面临的各种变化因素。
内部和外部的变化，主动和被动的变化，可以预见的和不可预见的变化，为项目带来风险，为项目管理带来难度，迫使企业管理层和项目经理增强风险意识、预先制定或临时采取应对措施。
我们认为项目管理的最终风险值是由生产成本超过预算、管理费用超过预算，意外支出、工期延误、产品质量、技术风险、士气低落、骨干人员流失等若干事件的风险值综合求得，并据此构筑项目风险BP神经网络。
BP神经网络风险识别模型将沿以下流程进行计算：1）权值和阈值初始化。
随机给出权值|W[i][j]|、|V[j][t]|和|Q[j]|、|R[t]|的初始值，计算器归零。
2）给定输入信号A[k]，（k＝1，2，……，m）和期望输出信号T[k]（k＝1，2，……，q）。
3）计算神经网络前向传播信号。
隐节点的输入输出：S[j]= ∑W[i][j]Y[j] – Q[j]B[j] = f(S[j]) (j = 1,…,p)输出节点的输入输出：L[j] = ∑V[j][t] – R[t]Z[t] = f (L[t]) (t = 1,…,q)实际输出节点和目标值之间的误差：E = e[t] = 0.5 * ∑( A[t] – Z[t]) (A[t] – Z[t])4）各层次权值和阈值的修正。
如果误差不能满足误差精度要求，从输出层开始，误差信号将沿连接通路反向传播，以修正权值和阈值。
5）随机抽取一个学习模式（样本）提供给网络，返回第3）步，直至n个模式（训练样本）全部训练完毕。
6）重新从n个模式中随机选取一个模式返回第3）步进行训练，直至训练误差达到误差精度（ε）要求，训练结束。
7）把模型输出风险进行分类。
具体等级分为三级:无警示、轻警示、重警示，并用绿、黄、红三种颜色表示。
绿灯区表示项目运营综合指标所反映的实际运行值与目标值基本一致，运行良好；黄灯区表示项目运营综合指标所反映的实际运行值与目标值偏离较大，要引起企业的警惕。
若采取一定的措施可转为绿灯区，若不重视可在短期内转为红灯区；红灯区则表示这种偏离超过企业接受的可能，并给企业带来整体性的重大损失。
2.3个人消费信贷风险识别与评估由07年末信贷问题引起的次贷金融危机，至今仍使世界经济淹没在低迷的海洋当中，由中可见消费信贷所带来的风险极为严峻，由于数据的局限性，我们选择了信贷中的个人信贷来作为本节对象。
下面是某商业银行根据历史情况,总结有关的贷款案例16个数据。
如表三所示。
序号月收入生活费房水电其他支出最终情况1 90 25 30 0 否2 100 40 50 0 否3 200 60 70 20 否4 300 120 50 10 否5 400 77 31 0 是6 500 100 50 10 是7 600 120 40 20 是8 700 160 60 20 是9 800 280 140 70 否10 900 220 60 20 是11 1000 540 180 156 否12 1200 300 60 40 是13 1400 340 100 60 是14 1600 660 180 220 否15 1800 900 180 180 否16 2000 500 100 60 是月收入、生活费、房水电、其他;隐层输出向量为Y=(y1,y2)T,输出层输出向量为0或者1,期望输出向量为0或者1,其中1 表示予以贷款,0 表示不予贷款。
2. 隐层神经元数目及权值的确定输入层到隐层之间的权值矩阵由公式WE≥N/（1+log2N）知,可以用W=( w1,w2,w3,w4)表示,隐层中含两个隐节点(根据m=(nl)-2,其中m 为隐节点数,n为输入层节点数,L为输出节点数),隐层到输出层之间的权值矩阵用V =(v1,v2) 表示。
3. 网络结构模型(如图三)图三神经网络结构模型在隐节点一定的情况下,为获得好的泛化能力,存在着一个最佳训练次数。
因此,训练时将训练与测试交替进行,每训练一次记录一次训练均方误差,然后保持网络的权值不变,用测试数据正向运行网络,记录测试均方误差。
经过运算得到:误差函数E = 9. 9915e - 005 ,最佳训练次数k = 334 ;隐层到输出层之间的权值矩阵:W = 1.1906 - 2.3964 2.4135 - 0.8343- 1.2468 2.8212 4.1430 - 0.1607输入层到隐层之间的权值矩阵:V = (4. 3874 - 5. 8699) 。
训练结果如图四。
(其中,横坐标表示训练次数k ,纵坐标表示误差E)图四训练次数与均方误差对应图序号月收入生活费房水电其他支出最终情况1 280 45 20 0 ?2 980 300 150 50 ?3 1500 600 200 50 ? 下:o1 = 0. 9297 , o2 = 0. 0629 , o3 = 0. 0054由于在模型中我们用1 表示予以贷款,0 表示不予贷款,根据以上三个输出结果,我们可以看到,由于o1 = 0. 9297 ,接近1 ,因此,对于申请人1可以贷款;而o2 = 0. 0629 , o3 = 0. 0054 ,都接近0 ,表明对于申请人2 与申请人3 不宜贷款。
小结运用神经网络系统能够很好地避免一般统计方法和模糊评判的隶属度和权重分配不易准确确定的问题，大幅度提高了预测精确度和可靠性。