人工神经网络评价法.
人工神经网络评价法第一节思想和原理在当今社会，面临许许多多的选择或决策问题。
人们通过分析各种影响因素，建立相应的数学模型，通过求解最优解来得到最佳方案。
由于数学模型有较强的条件限制，导致得出的最佳方案与现实有较大误差。
只有重新对各种因素进行分析，重新建立模型，这样存在许多重复的工作，而且以前的一些经验性的知识不能得到充分利用。
为了解决这些问题，人们提出模拟人脑的神经网络工作原理，建立能够“学习”的模型，并能将经验性知识积累和充分利用，从而使求出的最佳解与实际值之间的误差最小化。
通常把这种解决问题的方法称之为人工神经网络（Artificial Neural Network）。
人工神经网络主要是由大量与自然神经细胞类似的人工神经元互联而成的网络。
各种实验与研究表明：人类的大脑中存在着由巨量神经元细胞结合而成的神经网络，而且神经元之间以某种形式相互联系。
人工神经网络的工作原理大致模拟人脑的工作原理，它主要根据所提供的数据，通过学习和训练，找出输入与输出之间的内在联系，从而求取问题的解。
人工神经网络反映了人脑功能的基本特性，但并不是生物神经系统的逼真描述，只是一定层次和程度上的模仿和简化。
强调大量神经元之间的协同作用和通过学习的方法解决问题是人工神经网络的重要特征。
人工神经网络是模仿生物神经网络功能的一种经验模型，首先根据输入的信息建立神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，并不断进行修正，使输出结果与实际值之间差距不断缩小。
人工神经网络通过样本的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系，它能够把问题的特征反映在神经元之间相互联系的权值中，所以，把实际问题特征参数输入后，神经网络输出端就能给出解决问题的结果。
神经网络的特点是，神经网络将信息或知识分布储存在大量的神经元或整个系统中。
它具有全息联想的特征，具有高速运算的能力，具有很强的适应能力，具有自学习、自组织的潜力。
另外，它有较强的容错能力，能够处理那些有噪声或不完全的数据。
基于人工神经网络的多指标综合评价方法通过神经网络的自学习、自适应能力和强容错性，建立更加接近人类思维模式的定性和定量相结合的综合评价模型。
训练好的神经网络把专家的评价思想以连接权的方式赋予于网络上，这样该网络不仅可以模拟专家进行定量评价，而且避免了评价过程中的人为失误。
由于模型的权值是通过实例学习得到的，这就避免了人为计取权重和相关系数的主观影响和不确定性。
反向传播（Back Propagation, BP）神经网络是由Rumelhart 等人于1985年提出，它是一种多层次反馈型网络。
基于BP 人工神经网络的综合评价方法具有运算速度快、问题求解效率高、自学习能力强、适应面宽等优点，较好地模拟了评价专家进行综合评价的过程，因而具有广阔的应用前景。
第二节模型和步骤一、模型介绍人工神经网络是对生物神经机制研究基础上产生的智能仿生模型。
处理单元，或称之为神经元，是神经网络的最基本的组成部分。
一个神经网络系统中有许多处理单元，每个处理单元的具体操作都是从其相邻的其他单元中接受输入，然后产生输出送到与其相邻的单元中去。
神经网络的处理单元可以分为三种类型：输入单元、输出单元和隐含单元。
输入单元是从外界环境接受信息，输出单元则给出神经网络系统对外界环境的作用。
隐含单元则处于神经网络之中，它从网络内部接受输入信息，所产生的输出则只作用于神经网络系统中的其它处理单元。
隐含单元在神经网络中起着极为重要的作用。
最初的神经网络结构只由输入层和输出层。
这种双层神经网络能力极为有限。
后来在这种双层神经网络的基础上，引入了中间隐含层形成了三层神经网络模型，这种三层神经网络模型大大提高了神经网络的能力。
神经网络的卓越能力来自于神经网络中各神经元之间的连接权。
连接权一般地不能预先准确地确定，故神经网络应具有学习功能，也即能根据样本模式逐渐调整权值，使神经网络具有卓越的处理信息的功能。
神经网络的工作过程具有循环特征。
而在每个循环中又分为两个阶段，即工作期与学习期。
在工作期期间，各神经元之间的连接权值不变，但计算单元的状态发生变化。
此期间的特点是：进行速度快，故又称为快过程，并称此期间中的神经元处于短期记忆。
在学习期期间，各计算单元的状态不变，但对连接权值作修改。
此阶段速度要慢得多，故又称为慢过程，并称此期间中的神经元处于长期记忆。
对事物的判断分析必须经过一个学习和训练过程。
1949年，Hebb 率先提出了改变神经元连接强度的学习规则。
其过程是；将样本（训练）数据赋予输入端，并将网络实际输出与期望输出相比较，得到误差信号，以此为依据来调整连接权值。
重复此过程，直到收敛于稳态。
1985年，Rumelhart 等人提出了误差反向传递学习算法（即BP 算法），BP 网络是一种具有三层或三层以上的层次结构网络，相邻上、下层之间各神经元实现权连接，即下层的每个神经元与上层的每个神经元都实现权连接，而每层各神经元之间无连接。
换个角度看，BP 算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。
对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。
在BP 算法中，节点的作用的激励函数通常选取S （Sigmoid 函数）型函数。
对于BP 模型的输入层神经元，其输出与输入相同。
隐含层和输出层的神经元的操作规则如下：BP 网络的输入与输出的关系是一个“多输入——多输出”、且为高度非线性的影射关系。
由于一般情况下难以写出其表达式，故这是一个“黑箱”。
增加层数主要可以进一步降低误差，提高精度，但同时使网络复杂化，从而增加了网络权值的训练时间。
误差精度的提高实际上也可以通过增加隐层中的神经元数目来获得，其训练效果也比增加层数更容易观察和调整，所以一般情况下，应先考虑增加隐层的神经元数目。
隐层单元数的选择是一个复杂的问题。
隐层单元数过少不能识别以前没有看见过的样本，容错性差；但隐层单元数过多，又会使学习时间过长，误差也不一定最佳。
通常做法是通过对不同神经元数进行训练对比，然后适当地加上一点余量。
BP 算法的学习过程由正向传播和反向传播组成。
在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。
如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。
对多层网络进行训练时，首先要提供一组训练样本，其中的每个样本由输入样本和理想输出对组成。
样本的实验输出作为期望输出（理想输出），计算得到的网络输出为模型输出（实际输出）。
当网络的所有实际输出与理想输出一致时，表明训练结束。
否则，通过修正权值，使网络的理想输出与实际输出一致。
假设BP 网络每层有N 个处理单元，训练集包含M 个样本对。
对第p 个学习样本(p＝1，2，…，M ，节点j 的输入总和记为netpj ，输出记为Opj ，则：对于每个输入样本p ，网络输出与期望输出(dpj间的误差为：式中dpj 表示对第p 个输入样本输出单元j 的期望输出。
在BP 网络学习过程中，输出层单元与隐单元的误差的计算是不同的。
BP 网络的权值修正公式为：Wji = Wji(t + ηδpjOpj对于输出节点：δpj = f′(netpj(dpj – Opj对于输入节点：δpj = f′(netpj Σδpk Wkj上式中，引入学习速率η，是为了加快网络的收敛速度，但有时可能产生振荡。
通常权值修正公式中还需加一个惯性参数α，从而有：上式中，α为常数项，称为势态因子，它决定上一次的权值对本次权值更新的影响程度。
权值修正是在误差反向传播过程中逐层完成的。
由输出层误差修正各输出层单元的连接权值，再计算相连隐含层单元的误差量，并修正隐含层单元连接权值。
如此继续，整个网络权值更新一次后，我们说网络经过一个学习周期。
重复此过程，当各个训练模式都满足要求时，我们说BP 网络已学习好了。
在网络的学习过程中，权重值是随着迭代的进行而更新的，并且一般是收敛的。
二、BP 网络的学习算法步骤1、初始化网络及学习参数，如设置网络初始权矩阵，学习因子η，势态因子α等；2、提供训练模式，训练网络，直到满足学习要求；3、前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）；4、反向传播过程：计算同一层单元的误差，修正权值和阈值，返回（2）。
网络的学习是通过用给定的训练集训练而实现的。
通常用网络的均方根误差来定量地反映学习的性能。
一般地，当网络的均方根误差值低于0.1时，则表明对给定训练集学习已满足要求了。
BP 神经网络的实质就是依据所提供的样本数据，通过学习和训练，抽取样本所隐含的特征关系，以神经元间连接权值的形式存储专家的知识。
具体地说，BP 算法的基本思想是将每次迭代的误差信号由输出层经隐蔽层至输入层反向传播，调整各个神经元之间的连接权值，如此反复迭代，直到误差达到容许水平，这种调节过程具有自组织、自学习的特点。
基于BP 网络的多指标综合评价神经网络模型的设计如下：BP 网络的结构包括网络层数、输入、输出节点和隐节点的个数、连接方式，其中输入层节点数m ，即评价指标的个数；输出层节点数n 为1，即评价结果；隐含层节点数L=（m*n）1/2。
隐含层的输出函数为sigmoid 变换函数，输入和输出层函数为线性函数。
具体地说，将用于多指标综合评价的评价指标属性值进行归一化处理后作为BP 网络模型的输入，将评价结果作为BP 网络模型的输出，用足够多的样本训练这个网络，使其获取评价专家的经验、知识、主观判断及对指标重要性的倾向。
训练好的BP 网络模型根据待评价对象各指标的属性值，就可得到对评价对象的评价结果，再现评价专家的经验、知识、主观判断及对指标重要性的倾向，实现定性与定量的有效结合，保证评价的客观性和一致性。
三、实例分析现在用人工神经网络对电子行业企业的经济效益进行综合评价为例，讲解人工神经网络的BP 模型。
首先要将描述电子行业企业经济效益综合的基础指标的属性值作为人工神经网络的输入向量，然后用足够多的企业样本向量训练这个网络，使不同的输入向量得到不同的输出值，经过学习后确定相应的内部组权系数，最后根据输入的企业经济效益指标向量，可以得出该企业的经济效益的综合评价结果。
对各指标量化后，并得到综合评价总指标的期望值。
其中权重是由专家评判组反复斟酌而定，如表5-2所示应用上述的基于人工神经网络多指标综合评价方法。
本例的输入层共有7个结点，输出结点1个，隐层结点数选取10。
将表5-2中的数据分为两部分，前15组数据用作学习样本，作为训练神经元连接权值用，学习精度ε=10-4，后10组数据作为检验用。
基于人工神经网络的压力容器初级评定方法
155. 50 1. 60 2. 85 0. 70 0. 60 3. 60 0. 84 0. 84 0. 92 0. 65
260 9 200 2 200 7 250 12 300 20 200 9 200 9 200 1 000 1 000
30. 0 2 100 50. 0 27. 5 550. 0 1 402. 5 25. 0 100. 0 1 600 1 600
i=0
j = 0 ,1 , …, Q - 1
(5)
Q- 1
V k ( n) = f
ρ W kj ( n) U j ( n) - θk ( n)
j=0
k = 0 ,1 , …, P - 1
(6)
式中 X i ( n) , U j ( n) , V k ( n) ———表示输入层 、 隐含层 、输出
k = 0 ,1 , …, P - 1
θk ( n + 1) =θk ( n) +βδk ( n) +η( n)Δθk ( n) θj ( n + 1) =θj ( n) +βδj ( n) +η( n)Δθj ( n)
j = 0 ,1 , …, Q - 1
(7)
i = 0 ,1 , …, N - 1
压力容器正在向大型化 、复杂化 、高参数及严 工况的方向发展 ,越来越多的功率强大 、结构复杂 的系统投入生产运行 ,在役压力容器的安全日益 引起人们的关注 。世界各国纷纷开展压力容器缺 陷评定方法技术研究 ,提出了一些工程评定方法 或规范[1～3 ] 。
由于压力容器安全评定是一个很复杂的非线 性问题 ,而且容器的评定工作也往往是以许多评 定案例的专家经验知识为基础而不断完善的 。鉴 于此 ,开发一种建立在专家经验知识基础上的评 定方法还是有必要的[4 ] 。人工神经网络是近年 来发展起来的一门交叉学科 ,该技术能处理高度 非线性问题 ,具有自学习 、自组织能力 ,本文提出 一种基于人工神经网络的压力容器初级评定方 法。 1 人工神经网络基本原理[ 5]
矿井通风系统安全评价方法及发展趋势（二篇）
矿井通风系统安全评价方法及发展趋势引言由于我国煤炭分布范围广泛，埋藏地形复杂，煤炭生产一直受到瓦斯、水害、火灾、煤尘及顶板等灾害的威胁，虽然采用各种措施抑止事故的发生，百万吨死亡率正逐年下降，但我国目前煤矿安全生产仍面临严峻的挑战，与发达国家的差距很大，事故总量和死亡人数均远高于其他主要产煤国家。
矿井通风是矿井安全工作的基础，是稀释和排除矿井瓦斯与粉尘最有效、最可靠的方法，也是创造良好劳动环境的重要途径，而合理的通风又是抑制煤炭自燃和火灾发展的重要手段。
评价矿井通风系统安全性的目的在于及时发现矿井通风系统中存在的问题和安全隐患，调整和改造系统；优化通风设计，准确编制应急预案，指导通风安全管理。
因此，准确地对矿井通风系统作出科学合理的评价、发现存在的事故隐患并及时处理以抑止事故的发生成为防范的关键。
对矿井通风系统的评价可采用安全检查表和专家打分法。
安全检查表属于定性评价，不能对整个系统的安全性给出确定的结果，专家打分法虽然属于定量评价，但专家各自的权重很难确定，操作起来也较为困难。
该类方法作为安全管理的手段之一是可行的，但是作为对系统危险程度的评价，以各指标的得分值作为评价依据，主观性比较强，多人评价时结论难收敛，评价结果不统一，其结果缺乏说服力。
随着矿业的发展，对矿井通风系统进行安全评价也得到了人们的关注，国内学者对矿井通风系统的评价方法及评价标准作了大量的研究，提出了多种多样的评价方法。
笔者在总结国内研究成果的基础上，介绍常用的矿井通风系统安全评价方法，并对其进行分析和探讨。
1矿井通风系统安全评价方法1.1模糊综合评价模糊综合评价最早是由我国学者汪培庄教授提出的，是指对多个涉及模糊相关因素影响的事物或方案进行总评决策的方法，能很好地解决在生产和生活中存在的大量内涵和外延都不明确的模糊概念，并用定量的方式表达出来，提高定性评价的客观性。
在矿井通风系统安全评价中常常采用模糊综合评价。
模糊综合评价方法对多因素、多层次的较复杂问题进行模型的建立和评价，实现指标定性和定量有效结合，解决判断的模糊性和不确定性，克服传统数学方法中“惟一解”的弊端，方法简单、容易掌握，适应性广。
灰色聚类法和人工神经网络在水质综合评价中的比较
金 分 割 的 隐合 层 节 点 优 化 算 法 建 立 了人 工 神 经 网 络 模 型 ， 将 两种 水质 综合评 价方 法进行 了比较 ， 结 果 表 明： 改进 的灰 色 聚 类 法 计 算 量较 大 ， 主观性较 强， 评 价 结 果 稳 定 。Ｂ Ｐ人 工神 经 网络 进 行 水 质 综 合 评 价 具 有
法、 灰 色 理 论 法 和 人 工 神 经 网络 法 等 。考 虑 到 在 环 境 质
２ ． ３ 灰 类 的 标 准 化 处 理 为 了使 原 始 白 化 数 与 灰 类 之 间 比 较 分 析 ， 仍用 Ｃ
进 行 灰 类 的无 量 纲 化 处 理 ， 具体如下 ：
ｒ 一 ｉ 一 １， ２， … ； 一 １， ２， … ｈ； （ ２ ）
类 法采 用 直 线 型 白化 函 数 ， 使得 某些数 值权 重为 零 ， 这 是 明显 不合 理 的０ ］ ， 本 文 采 用 改 进 的灰 色 聚 类 法 进 行 计 算。
对应 ， 更 全 面 地 体 现 了 因子 的 影 响作 用 。对 于 第 ｉ
个 指 标 第 个 灰 类 可 以用 白化 函 数 曲线 或 关 系 式 表 达 （ 图１ ） 。各 个 指 标 的 白化 值 分 别 对 个 灰 类 的 亲 疏 关
２ ０ １ ４ 年３ 月
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｇ ｒ ｅ ｅ ｎ￣ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
缘 色科 技
第 ３期
灰色聚类 法和人工 神经 网络在水质综合评价
人工神经网络评价方法
输出
o
f
(net)
1
1 en
et
f (net) o(1o)
net=0时，o取值0.5，net落在(-0.6,0.6)之间，o的变化率较大， 收敛比较快，应把net控制在这个范围内。
人工神经网络评价方法
25
网络的拓扑结构
输入向量、输出向量的维数及隐藏层层数，隐藏 层神经元数由问题决定。 多数情况下，BP网络选用二级网络
对每一个神经元来说都会接受一组输入信号，每 个输入信号都对应一个权，所有输入的加权和决定该 神经元的激活状态。
设：Ｘ＝（ｘ1，x2，．．．，xn） W=(w1，ｗ２，．．．，ｗｎ)
输入向量 联接权向量
neti=∑xiwi 网络输入
net=XW
人工神经网络评价方法
8
激活函数
希望人工神经元有一个更一般的变换函数，用来 执行该神经元所获得的网络输入的变换，这就是 激活函数。
调整W(h); h=h-1
E=E/2.0
人工神经网络评价方法
30
三、算法的改进
for h=1 to M do
初始化W(h);
初始化精度控制参数ε
E= ε+1
While E> ε do
E=0; 对S中的每一个样本(Xp, Yp):
计算出Xp对应得的实际输出 Op; 计算出Ep; E=E+Ep; 对所有i,j,：计算
人工神经网络评价方法
16
分层结构
单级横向反馈网 多极网
层次划分 非线性激活函数
循环网
人工神经网络评价方法
17
六、人工神经网络的训练
训练：将由样本向量构成的样本集合输 入到人工神经网络的过程中，按照一定 方式调整神经元之间的联接权，使得网 络在接受输入时可以给出适当的输出。
人工神经网络评价法.
人工神经网络评价法第一节思想和原理在当今社会,面临许许多多的选择或决策问题。
人们通过分析各种影响因素，建立相应的数学模型，通过求解最优解来得到最佳方案.由于数学模型有较强的条件限制，导致得出的最佳方案与现实有较大误差。
只有重新对各种因素进行分析，重新建立模型，这样存在许多重复的工作，而且以前的一些经验性的知识不能得到充分利用。
为了解决这些问题，人们提出模拟人脑的神经网络工作原理，建立能够“学习"的模型,并能将经验性知识积累和充分利用，从而使求出的最佳解与实际值之间的误差最小化。
通常把这种解决问题的方法称之为人工神经网络（Artificial Neural Network）。
人工神经网络主要是由大量与自然神经细胞类似的人工神经元互联而成的网络。
各种实验与研究表明：人类的大脑中存在着由巨量神经元细胞结合而成的神经网络，而且神经元之间以某种形式相互联系。
人工神经网络的工作原理大致模拟人脑的工作原理,它主要根据所提供的数据，通过学习和训练,找出输入与输出之间的内在联系,从而求取问题的解。
人工神经网络反映了人脑功能的基本特性,但并不是生物神经系统的逼真描述,只是一定层次和程度上的模仿和简化。
强调大量神经元之间的协同作用和通过学习的方法解决问题是人工神经网络的重要特征。
人工神经网络是模仿生物神经网络功能的一种经验模型,首先根据输入的信息建立神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，并不断进行修正,使输出结果与实际值之间差距不断缩小。
人工神经网络通过样本的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系，它能够把问题的特征反映在神经元之间相互联系的权值中，所以，把实际问题特征参数输入后，神经网络输出端就能给出解决问题的结果。
神经网络的特点是，神经网络将信息或知识分布储存在大量的神经元或整个系统中.它具有全息联想的特征，具有高速运算的能力，具有很强的适应能力，具有自学习、自组织的潜力。
基于人工神经网络的研究生课程评价模型
基于人工神经网络的研究生课程评价模型在研究生网上课程评价系统收集的大量数据基础上,构建了一种基于人工神经网络的多指标课程评价模型,并将网上调查的结果以连接权的方式赋予该评价模型进行训练。
通过实际评价数据的验证,该模型能够准确地按照实际评价的过程进行工作。
标签：评价模型;人工神经网络;课程评价一引言目前,我国高等教育面临着培养大批创新人才和为国家自主创新做出更大贡献两大任务,对研究生教育已经从注重培养数量转变为注重培养质量。
研究生的课程教学过程,是研究生培养质量控制中一个重要环节,因此对于研究生课程教学质量的评估,也成为提高培养质量的重要课题之一。
然而,对研究生课程教学质量进行评价,是一项复杂的系统工程。
在课程评价中涉及的因素较多,在评价中通常采用的问卷调查,由于指标和权重的确定带有很大的主观性,调查对象的反馈也存在部分无效信息或噪聲数据,因此并不能完全客观地反映课程教学水平的高低。
随着研究生培养工作的不断发展,在课程调查方面已经积累了大量原始数据。
通过数据挖掘技术,利用已经存在的大量研究生培养和课程调查数据,将其转换成有用的信息和知识,建立一个完善的研究生课程评价体系和课程评价模型,能够为课程评价提供高效客观的结论,并以此为参考,不断提高研究生的课程教学质量和培养质量。
本文试图在构建研究生课程评价体系的基础上,基于数据挖掘技术,通过数据分析和机器学习,提出一种基于人工神经网络的多指标综合评价模型。
该评价模型不仅可以模拟调查者对课程进行评价,而且还具有很强的容错能力,非常适合大规模的评价系统。
人工神经网络(Artificial Neural Network,简称ANN)是近年发展起来的一门处理复杂系统的理论,其特有的信息处理能力和独到的解算能力在很多方面都呈现出广阔的应用前景。
ANN主要解决数据挖掘的分类和回归任务,它基于并行处理的机制,从结构上对人类的思维过程进行模拟,从而能实现人类思维的某些功能,如学习、逻辑推想、联想记忆和自组织等[1]。
人工神经网络在金融风险评估中的应用研究
人工神经网络在金融风险评估中的应用研究随着金融市场的日益复杂和金融交易的不断发展，风险成为了金融领域中必须重视和解决的问题之一。
而风险评估便成为了管理者和投资者一个非常重要的工作。
传统的风险评估方法往往需要大量时间和人力，对大量数据进行分析并进行维度提取，而同时这些数据量巨大，难以处理和计算。
因此，在这个时候，人工神经网络（Artificial Neural Network，ANN）的提出与发展，为金融风险评估提供了一种新的有效的解决方案。
一、人工神经网络人工神经网络是一种模仿人类神经系统的非线性信息处理模型。
它由许多人工神经元（Artificial Neuron）组成，每个神经元接收多个输入，对于输入进行“加权”求和，再通过激活函数转换成输出。
每个神经元可以继续输出到其他神经元，形成复杂的神经网络结构。
神经网络可以学习到数据集中的规律并在之后的新数据预测中使用。
因此，神经网络在分类、回归、识别等方面有广泛的应用。
二、金融风险评估金融风险评估是对资产风险和市场风险进行量化和评价，是金融管理者和投资者必须面对和解决的问题。
传统的方法通常需要大量的时间和人力资源，需要一些基本的假设和经验规则，难以处理大量的数据以及不完善的金融模型。
因此，近年来，探索新的有效的金融风险评估方法成为了一个研究热点。
三、人工神经网络在金融风险评估中的应用人工神经网络是一种非常适合解决非线性、复杂、大数据量的问题的方法，因此在金融领域中的应用也越来越广泛。
在金融风险评估中，人工神经网络可以扫描金融市场的数据，快速准确地发现并分析相关的风险因素，从而提供有用的信息和预测模型。
接下来，我们将从市场风险和信用风险两个方面介绍人工神经网络在金融风险评估中的应用。
3.1市场风险市场风险是市场经济中经常发生的一种风险，它主要包含了市场价格波动导致的风险和市场行为变化造成的风险。
这种风险对于投资者和金融机构来说非常重要，所以对市场风险的评估和预测也是非常必要的。
神经网络评价方法
v0 v0
分段线性函数
1, v 1 f v v, 1 v 1 1, v 1
非线性函数
单极S型函数 双极S型函数
神经网络的结构及工作方式
x1 y1 y2
· · · · · ·
x1
y1 y2
· · · · · ·
x2
x2
xn a) x1
神经网络的学习
1
学习 方式
有导师学习-有监督学习
2 3
无导师学习-无监督学习
再励学习
神经网络的学习
学习算法：学习算法是指针对学习问题的明 确规则，不同的学习算法对神经元的权值调 整的表达式是不同的。 算法分类
Hebb学习算法 学习算法 随机学习算法 竞争学习算法
神经网络的学习
分 析 、计算 评价 值
综合 评价
决 策
关联矩阵法（原理性方法） 层次分析法（评价要素多层次分布） 模糊综合评判法（多评价主体）
层次分析法（AHP）
主观赋权评价法
模糊综合评判法（FCE）
多指标评价方法
灰色关联度法(GRA)
客观赋权评价法
理想点法（TOPSIS） 主成分分析法（PCA）
评价的原则与步骤
缺点
（1）最严重的问题是没能力来解释自己的推理过程和推 理依据。 （2）不能向用户提出必要的询问，而且当数据不充分的 时候，神经网络就无法进行工作。 （3）把一切问题的特征都变为数字，把一切推理都变为 数值计算，其结果势必是丢失信息。 （4）理论和学习算法还有待于进一步完善和提高。 （5）RBF 神经网络用于非线性系统建模需要解决的关键 问题是样本数据的选择。在实际工业过程中, 系统的信息 往往只能从系统运行的操作数据中分析得到, 因此如何从 系统运行的操作数据中提取系统运行状况信息, 以降低网 络对训练样本的依赖, 在实际应用中具有重要的价值。隐 层基函数的中心是在输入样本集中选取的, 这在许多情况 下难以反映出系统真正的输入输出关系, 并且初始中心点 数太多; 另外优选过程会出现数据病态现象。
基于人工神经网络的化工安全评价
基于人工神经网络的化工安全评价摘要：安全评价是安全生产组织、管理工作中的重要组成部分，由于安全评价的对象受多因素影响，其最终状态和作用因素之间表现为非线性关系。
而小波神经网络可以利用基于小波函数的神经元节点之间的阈值和节点间的连接权值事先输入和输出非线性映射，在处理非线性复杂问题上具有独特优势。
因此，本文基于小波神经网络的动态评价模型，构建化工安全评价，在安全生产管理上具有一定的指导意义与现实作用。
关键词：人工神经网络化工安全评价化工生产具有易燃、易爆、易挥发、易中毒、有腐蚀性等特点，因而较其他工业生产部门有更大的危险性，安全评价工作是安全生产和安全管理的重要环节，安全评价方法的选择是安全评价工作的关键，直接关系到评价的深度和准确度，影响评价的效果。
小波神经网络具有自适应、自组织、自学习的功能和非线性问题的处理能力，可以通过小波神经网络对化工企业安全评价中的评价指标体系进行建模分析与评判。
通过MATLAB工具能够方便快速准确地建立小波神经网络，不需要繁琐工作，这让化工安全评价具有了较强的实用价值与现实意义。
本文根据某大型炼油化工有限公司的主要生产工段提供的安全状态原始指标数据，在对整个企业进行安全评价的数据整理和分析基础之上，进行安全评价网络结构、相应参数以及网络训练过程参数的设计，对网络性能进行综合测试，以达到适应石化企业安全评价的目的。
根据对某大型炼油化工有限公司提供的原油脱盆脱水工段、减压蒸馏工段、催化裂化_T一段、催化重整工段、加氢裂化工段、延迟焦化工段、炼厂气加工工段的生产装备因素指标安全原始数据进行分析和整理，得出20个实例样本，其中15个样本用来完成对神经网络的训练，5个样本用来结果验证。
原始数据的训练结果期望目标值与评价结果的输出如下表（安全评价输出结果等级划分对照表）：一，安全评价系统神经网络结构的确定人工神经网络的拓扑结构是由网络的层数、各层的节点数以及节点之间的连接方式组成的。
第五讲-人工神经网络评价方法ppt课件
net=XW
输入向量 联接权向量
.
6
激活函数
希望人工神经元有一个更一般的变换函数，用来执行 该神经元所获得的网络输入的变换，这就是激活函数。
o=f(net) 几种典型的激活函数：
.
7
几种典型的激活函数
1.线性函数： f(n)etkne ct
2.非线性斜面函数：
3.阶跃函数：
第k-1层
第k层
.
25
隐藏层权的调整
p 1 k fk 1 (np ) e w ( p 1 p 1 k w p 22 k . .w .pm m )k v h po p 1 k ( 1 o p 1 k )w ( p 11 k w p 22 k . .w .pm m )o k p 2 k
处理单元的输出信号可以是任何需要的数学模型，每个处 理单元中进行的操作必须是完全局部的。也就是说，它必 须仅仅依赖于经过输入连接到达处理单元的所有输入信号 的当前值和存储在处理单元局部内存中的值。
.
3
人工神经网络的八个要素
一组处理单元 处理单元的激活状态 输出函数 联接模式 传递规则 激活规则 学习规则 样本集合
.
4
模型图
w1i
w2i …
wni
Neti=∑xjwji
ai=Fi(ai,neti)
oi=f(ai)
.
5
人工神经元
基本构成
对每一个神经元来说都会接受一组输入信号，每个输入信 号都对应一个权，所有输入的加权和决定该神经元的激活 状态。
设：Ｘ＝（ｘ1，x2，．．．，xn） W=(w1，ｗ２，．．．，ｗｎ)
f (net ) k net
net≥θ -θ <net< θ