時間：2023-10-05 10:38:53
序論：在您撰寫神經網絡基本原理時，參考他人的優秀作品可以開闊視野，小編為您整理的7篇范文，希望這些建議能夠激發您的創作熱情，引導您走向新的創作高度。
關鍵詞：BP神經網絡；數字識別；特征提取
中圖分類號：TP183 文獻標識碼：A 文章編號：1009-3044（2013）14-3362-04
1 概述
數字識別在車輛牌照識別、銀行支票識別和郵政儲蓄票據識別等領域有著廣泛的應用，因而成為研究人員近年來研究的一個焦點[1]。而人腦神經系統模型的建立為人工神經網絡的產生提供了理論模型依據， 使其具有模擬人腦部分形象思維的能力[2]，因而使其成為人工智能技術的重要組成部分和常用方法。人工神經網絡由簡單信息處理單元相互連接組成，通過簡單處理單元間的相互作用來實現對其所接收信息的處理。而隨著人工神經網絡技術的快速發展，其為解決模式識別鄰域的相關問題提供了新的解決思路和方法，其突出的優點在于它具有對接收信息可進行并行分布式處理能力和自我學習反饋能力，因而吸引了眾多研究人員對其進行廣泛和深入的研究。而誤差反向傳播網絡（Back-Propagation），即BP神經網絡，是一種典型的人工神經網絡，它具有人工神經網絡的所有優點，因而在眾多技術鄰域有著廣泛的應用[3]。該文首先對BP神經網絡的基本原理進行了詳細介紹，在分析了其基本原理的基礎上，針對數字識別問題，設計了一種利用BP神經網絡技術進行數字識別的方法。經實驗表明，該方法合理可行，且其識別效果正確有效。
2 相關原理與知識
由于本文針對數字識別問題，利用BP神經網絡技術對其進行方法設計和實現，首先必須了解BP神經網絡的基本原理，即了解其具體構成形式、模型分類和其功能特點。其次，在了解了BP神經網絡基本原理的基礎上，進一步了解其所處理數據的特點和組成形式，并根據處理數據的特點和其數據結構設計相應的數字識別方法。下面分別對它們進行詳細的介紹。
2.1 BP神經網絡基本原理
BP神經網絡算法由數據信息流的前向計算，即正向信息流的正向傳遞，誤差信息的反向回饋兩個部分組成。當信息流進行正向傳遞時，其傳遞方向為從輸入層到隱層再到輸出層的順序，器每層神經元所處的狀態只會影響下一層神經元的狀態。若在最后的輸出層沒有得到理想的輸出信息，則應立即進入誤差信息的反向回饋過程[6]。最終經過這兩個過程的相互交替運行，同時在權向量空間使用誤差函數梯度下降策略，動態迭代搜索得到一組權向量，使得該BP神經網絡的誤差函數值達到最小，從而完成對信息提取和記憶過程[7]。
2.2 BMP二值圖像文件數據結構
由于本文處理的數據源為BMP二值圖像，則必須了解其數據結構，才能對其進行進一步的識別方法設計。由數字圖像處理基礎知識可知，常見BMP二值圖像文件的數據結構由以下三部分組成：（1）位圖文件頭，其包含了BMP二值圖像的文件類型、文件大小和位圖數據起始位置等信息；（2）位圖信息頭，它包含了BMP二值圖像的位圖寬度和高度、像素位數、壓縮類型、位圖分辨率和顏色定義等信息；（3）位圖數據體，其記錄了位圖數據每一個像素點的像素值，記錄順序在掃描行內是從左到右，掃描行之間是從下到上。因此，根據BMP二值圖像數據結構信息，讀出所需要的圖像數據，并對這些圖像數據做進一步的處理。在本文給定的訓練圖像中，圖像數據大小為80個字節，而圖像數據體距離其文件頭的偏移量為62個字節。但為了減少數據處理數量，該文在進行實驗時直接使用位圖數據體中的數據，沒有通過讀出位圖文件頭來得到位圖數據體中的數據。
3 數字識別具體設計方法
由上文可知，該文使用數據源為圖像大小為20*20的BMP二值圖像，由于是對位圖數據體的數據直接進行操作，因此省去了對圖像其他數據結構數據的繁雜處理過程，將問題的核心轉向BP神經網絡的設計方法步驟。
4 實驗結果
圖4所示為BP神經網絡訓練及測試結果圖。該文選擇10個訓練樣本，通過實驗結果可以看出，由這10個訓練樣本訓練出來的BP神經網絡對于訓練樣本中的圖像數值識別率達100%，訓練時間也比較短，其迭代次數大概為700次左右。對于一些含有噪聲的圖片，只要噪聲系數小于0.85個字符，其數字識別率可達96%。
5 結束語
針對二值圖像數字識別問題，該文在對BP神經網絡的基礎理論進行分析后，設計了一種基于BP神經網絡的數字識別方法，并通過實驗驗證了該BP神經網絡用于數字識別的可行性和有效性。而對于BP神經網絡存在的收斂速度慢、易陷入局部最優和學習、記憶具有不穩定性等問題，還有待于對其進行一步研究。
參考文獻：
[1] 韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.
[2] 呂俊，張興華.幾種快速BP算法的比較研究[J].現代電子技術，2003，24（167）：96-99.
[3] 陸瓊瑜，童學鋒.BP算法改進的研究[J].計算機工程與設計，2007（10）：96-97.
[4] Sven Behnke，Marcus Pfister.A Study on the Combination of Classifiers for Handwritten Digit Recognition，2004.
[5] 馬耀名，黃敏.基于BP神經網絡的數字識別研究[J].信息技術，2007（4）：87-88.
[6] Hasan soltanzadeh.Mohammad Rahmati.Recogniton of Persian Handwritten Digits Using Image Profiles of Multiple Orientations[J].Pattern Recognition Leaers，2004（15）.
[7] 吳成東，劉文涵.基于粗網格神經網絡的車牌字符識別方法[J].沈陽建筑大學報，2007，23（4）：694-695.
【關鍵詞】BP神經網絡；預測；誤差
1.引言
許多金融學家和計量學家對發達國家成熟市場的波動性進行了廣泛的研究，但是在對股市的預測上，由于人們在知識、能力、經驗上存在著較大的差異，加之問題本身又具有很大的隨機性和高度的非線性，即使是一些金融專家、炒股高手對出現的同一復雜行情進行分析，往往也會得出不同的結論。此外，傳統方法還要事先知道各種參數，以及這些參數在什么情況下應作怎樣的修正。這都給預測股市帶來一定的困難。
基于以上股市預測的困難性，本文提出了人工神經網絡的預測方法。隨著計算機、人工智能尤其是專家系統的發展，人工神經網絡技術逐漸成熟并開始應用于各個領域。人工神經網絡（ANN，簡稱神經網絡）作為一種由大量簡單神經元廣泛相互聯接而成的非線性映射或自適應動力系統，恰好能有效解決股市預測處理中常見的困難，因此它很快在股市預測分析與處理領域得到了廣泛的應用。
2.BP神經網絡介紹
2.1 BP 網絡算法的基本原理
2.1.1 標準的BP 網絡算法的基本原理
BP(Back Propagation)網絡是反向傳播的多層前饋式網絡，是目前使用最為廣泛的一種人工神經網絡。它的核心是BP算法，一種對于多基本子系統構成的大系統進行微商計算的嚴格而有效的方法，采用最小均方差學習方式。BP 神經網絡的原理說到底就是給它一些輸入變量，然后就有一個輸出，輸出值的情況與實際的情況進行比較，差多少，然后再進行網絡的內部調整，屬于有導師的學習規則，使得網絡輸出與實際逼近。
神經網絡能學習和存貯大量的輸入―輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。人工神經網絡由非線性函數組成，而由一系列不同權重的線性過濾器組合而成：
2.1.2 BP網絡算法的優化
由于常用的BP算法主要缺點為收斂速度慢，局部極值，難以確定隱含層和隱含層的個數，使得在實際應用中BP算法很難應用，因此，出現了許多改進算法。BP算法的改進主要有兩種途徑，一種是采用啟發式學習方法；另一種則是采用更有效的優化算法，本文采用了動量法和學習率自適應調整的策略，從而提高了學習速度并增加了算法的可靠性。動量法降低了網絡對于誤差曲面局部極值的敏感性，有效地抑制了網絡陷于局部極小。
2.2 BP神經網絡的模型識別及步驟
模式通常指對事物的一種定量描述或結構描述，“識別”是指對客觀事物按其物理特征進行分類。模式識別的基本原理就是從待識別對象和理想標本之間若干特征的相似性推斷它們之間總體的相似性。BP神經網絡模式識別過程分為訓練階段和模式分類階段，分為初始化、數據與處理、網絡訓練以及模式分類四個步驟。以下利用實證分析來進行著四個步驟。
3.實例分析
下面以上證的某股600個交易日的股票價格收盤指數作為原始樣本數據，對上述神經網絡模型進行求解，預測20天的收盤價，與實際收盤價進行比較，并求出其誤差：
式中，表示第日的實際收盤指數，表示第日的預測值，表示誤差。主要按照如下幾部分來處理：（1）準備600個數據的時間序列，進行歸一化。BP神經網絡中每個神經元的輸出值由傳遞函數Sigmoid函數來計算，其輸出值的范圍是（0，1）；（2）留出最后20個數據，作為預測檢驗使用；（3）繪制圖像，包括實際值和預測值，能量函數；（4）分析實際和預測兩曲線的趨勢。
采用I-J-K學習模型，該模型是輸入層I個神經元，隱層J 個神經元，輸出層K個神經元。利用BP神經網絡模型訓練500次、800次、1000次的輸出值和期望值以及能量函數（或者叫誤差函數）E，結果見圖1到圖3。
通過上面的圖示，可以看到用BP神經網絡預測的效果比較明顯，這說明該模型適用于短期預測嗎，股市的波動在很多地區都是非常劇烈的，各種因素的綜合作用也使得長期股指的變動具有極大的不確定性，使得預測變得很困難。而BP網絡的算法原理和自學習的特點使其能夠充分挖掘出隱含在樣本數據中的規律性，實現從輸入空間到輸出空間的非線性映射，對樣本數據進行精確的擬合。從而BP神經網絡的方法對于股市上的一些很難看出規律的數據列的預測而言，無疑是一個比較精確的預測方法。
4.結論
本文介紹了股市的特點以及股市預測的困難性，提出了利用BP神經網絡的方法來解決股市預測問題。文章介紹了BP神經網絡算法的基本原理，BP神經網絡算法的優化，BP神經網絡模型識別及步驟，最后后以上海證券交易所每日股票價格收盤指數為分析對象，把原理應用于實際，利用BP神經網絡對股票價格收盤指數進行了短期預測，并計算出預測值和實際值的誤差。通過實驗發現該模型收斂速度快，預測精度非常高，對預測短周期內股指波動具有較強的適用性。
參考文獻
[1]高琴.人工神經網絡在股市預測模型中的應用[J].微電子學與計算機,2007年第24卷第11期.
[2]周翠紅,路邁西.線性回歸與人工神經網絡預測煤炭發熱量[J].煤炭科學技術,第37卷第12期.
[3]尹慶雙,奉瑩.人工神經網絡在第三產業就業分析中的應用[J].人口與經濟,2009年第6期.
[4]鄒文安,劉寶,姜波,楊春生.基于Excel 技術平臺人工神經網絡BP模型及應用[J].水文,第30卷第1期.
[5]康進,劉敬偉.非參數回歸估計與人工神經網絡方法的預測效果比較[J].統計與決策,2009年第23 期.
[6]楊本昭,田耕.基于人工神經網絡的客戶價值分類研究[J].科技管理研究,2007年第12期.
關鍵詞：建筑電氣設備故障；模糊理論與神經網絡；設備故障診斷專家系統
中圖分類號：TP207 文獻標識碼：A DOI：10.11974/nyyjs.20160132074
隨著當今社會經濟的不斷發展，人們對生活品質的追求越來越高，電氣設備變得多樣化和先進化，不同區域間聯系更加緊密，而在給人們的生活帶來便利的同時，簡單的人工故障診斷方法已經無法滿足結構日益復雜、功能日益完善的電氣系統，建立電氣設備控制系統智能故障診斷專家系統已經成為目前能滿足社會需求的選擇。近年來，模糊理論被廣泛的應用于建立故障診斷神經網絡，將模糊系統與神經網絡技術結合而形成的故障診斷技術也正在發展和應用。
1 建筑電氣設備常見故障類型及危害
1.1 電氣設備常見故障類型
1.1.1 電源故障
1.1.2 線路故障
1.1.3 元器件故障
1.1.4 防雷接地處理故障
1.2 電氣設備故障危害
電氣設備的運行需要很多電器元件的相互配合，產生故障通常是因為電能或控制信息在傳遞、分配、轉換過程中失去控制。斷路、短路、異常接地、漏電、電氣設備或電器元件損壞、電子設備受電磁干擾而發生錯誤動作、控制系統元件的偶然失效都屬于電氣設備故障[1]，而這些故障也很有可能造成大范圍的人員傷亡以及造成嚴重的財產損失，一旦發生，也會造成其他相關領域不同程度的癱瘓。由此可見，電氣設備出現故障的概率較高，危害范圍也比較大。
2 神經網絡與模糊理論
神經網絡是一種模仿動物神經網絡行為的特征，進行分布式并行信息處理的算法數學模型[2]。這個模型可以根據不同系統自己的特征來選擇處理不同信息的方式，在很多不同領域都有比較廣泛的應用，當然，它本身也有一些缺陷，比如它不能求解不確定性問題、不能處理符號性信息等，因此，它需要結合其它相關理論和方法來彌補自身的不足，以便更好地解決特定領域中的問題。
模糊理論是指用到了模糊集合的基本概念或連續隸屬度函數的理論[3]。模糊控制是一種基于規則的控制，它可以直接采用語言型控制規則，在設計過程中不需要建立被控對象的精確數學模型，控制原理和策略通俗易懂，便于人們接受與理解，控制效果好，具有一定的智能水平，應用起來很方便，適用于對那些數學模型難以獲取、動態特性不易掌握或變化非常顯著的對象。模糊控制器是一種比較容易控制、掌握起來比較理想的非線性控制器，具有一定的適應能力和強健性。
將模糊系統與神經網絡技術相結合而形成的模糊神經網絡可以作為對電氣設備進行故障診斷的模型，這一技術的提出為電氣設備故障的診斷帶來發展和進步，模糊理論被廣泛的應用于建立故障診斷神經網絡，這2種理論的結合將會給故障診斷研究提供解決思路，值得推廣應用[4]。
3 建立電氣設備故障診斷系統
由于電氣設備故障機理的復雜性，系統在實際運用過程中，可能會發生隨機故障模式，故障征兆信息的正確與否直接關系到故障診斷的正確性，因此利用現有的電氣設備系統控制平臺，對電氣設備控制系統的信號進行實時采集和及時與PC 機進行通信，建立電氣設備控制系統故障診斷系統便顯得特別重要。
3.1 BP神經網絡模型
BP（Back Propagation）模型是一種最常用的人工神經網絡模型，它的基本原理為利用誤差反向傳播算法，從而得到多層前向神經網絡模型。在故障診斷方面使用BP模型在一定條件下能夠加強工作效率，使得故障診斷問題變得更加直觀。利用模糊理論與神經網絡相結合的模糊神經網絡解決建筑電氣設備故障的診斷，是一種智能化控制的手段，也將逐漸發展成為未來的趨勢[5]。其模型原理圖如圖1。
要建立模糊神經網絡系統，要根據相關理論或實際工作中的經驗，將故障現象和故障原因相對應，作為系統的學習樣本。按照輸入與輸出相對應的關系輸入學習樣本，系統經過內部的算法不斷提高精度，當精度達到設定的要求時，模糊神經網絡系統的學習過程結束。此時，將測試樣本的輸入數據放入系統輸入端，如果輸出數據與測試樣本基本相同，那么模糊神經網絡系統建立成功。
在模糊神經網絡系統的實際使用時，必然會遇到輸入數據與樣本不同的狀況。根據內部算法，系統將會找到與學習樣本最相似的一組數據作為參考，自主得到輸出數據。與此同時，如果系統自主算出的結果得到采納，那么這組數據將會做為新的樣本存入數據庫，成為參考數據。
3.2 BP學習算法
目前，BP算法是應用很廣泛、完善性比較高的神經網絡訓練算法，方便、容易實現、計算量小、并行性強是這個方法領先其他算法的優勢。BP算法的基本原理[6]為先求解誤差函數的最小值，根據梯度下降法，按誤差對權值做負反饋。
BP算法需要依次根據輸入對輸出進行矯正，也就是對每組數據都要計算比對。然而，全局誤差的梯度下降算法，要求連接權和閾值的矯正是在批量進行學習樣本的輸入之后再進行的，所以要修改各個連接權值。利用梯度下降法來修改各個連接權值，以便達到近似全局誤差的算法效果。全局誤差梯度下降算法流程如圖2所示。
4 結 語
電氣設備的故障診斷已經成為值得重視的問題，為保證運行系統能夠正常運行，因此需要建立起更加科學完善的電氣設備管理系統，逐漸減少電氣設備運行出現故障的可能性，保障電力系統的穩定能力，本文簡單介紹將模糊理論與神經網絡結合，更好的解決電氣設備故障問題，結合傳感器檢測技術、自動控制技術、通信與網絡技術等方法，建立電氣設備控制故障診斷系統，希望可以早日應用到生活中的建筑電氣設備故障診斷中去。
參考文獻
[1]電氣設備及控制電路常見故障分析[EB]. 電工學習網.
[2]田景文.人工神經網絡算法研究與應用[M]. 北京理工大學出版社，2006.
[3]諸靜.模糊控制原理與應用[M].機械工業出版社，1995.
[4]龍祥，錢志博.模糊理論在設備故障診斷神經網絡中的典型應用[J].廣東工業大學學報，2006.
[5]陳流豪.神經網絡BP算法研究綜述[J].電腦知識與技術，2010.
【關鍵詞】BP神經網絡；函數逼近
1.緒論
人工神經網絡（artificial neural network，ANN）是模仿生物神經網絡功能的一種經驗模型。生物神經元受到傳入的刺激，其反應又從輸出端傳到相聯的其它神經元，輸入和輸出之間的變換關系一般是非線性的。
1.1 BP神經網絡定義
BP （Back Propagation）神經網絡是一種神經網絡學習算法。相鄰層之間各神經元進行全連接，而每層各神經元之間無連接，網絡按有教師示教的方式進行學習，當一對學習模式提供給網絡后，各神經元獲得網絡的輸入響應產生連接權值（Weight）。此過程反復交替進行，直至網絡的全局誤差趨向給定的極小值，即完成學習的過程。
1.2 BP神經網絡模型及其基本原理
網絡的輸入層模擬的是神經系統中的感覺神經元，它接收輸入樣本信號。輸入信號經輸入層輸入， 通過隱含層的復雜計算由輸出層輸出，輸出信號與期望輸出相比較，若有誤差，再將誤差信號反向由輸出層通過隱含層處理后向輸入層傳播。在這個過程中，誤差通過梯度下降算法，分攤給各層的所有單元，從而獲得各單元的誤差信號，以此誤差信號為依據修正各單元權值，網絡權值因此被重新分布。此過程完成后， 輸入信號再次由輸入層輸入網絡，重復上述過程。這種信號正向傳播與誤差反向傳播的各層權值調整過程周而復始地進行著，直到網絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數為止。權值不斷調整的過程就是網絡的學習訓練過程。
2.BP網絡在函數逼近中的應用
2.1 基于BP神經網絡逼近函數
步驟1：假設頻率參數k=1，繪制要逼近的非線性函數的曲線。
步驟2：網絡的建立
應用newff（）函數建立BP網絡結構。隱層神經元數目n可以改變，暫設為n=3，輸出層有一個神經元。選擇隱層和輸出層神經元傳遞函數分別為tansig函數和purelin函數，網絡訓練的算法采用Levenberg Marquardt算法trainlm。
同時繪制網絡輸出曲線，并與原函數相比較，結果如圖3.3所示。
其中 “――” 代表要逼近的非線性函數曲線；
“……” 代表未經訓練的函數曲線；
因為使用newff（ ）函數建立函數網絡時，權值和閾值的初始化是隨機的，所以網絡輸出結構很差，根本達不到函數逼近的目的，每次運行的結果也有時不同。
步驟3：網絡訓練
應用train（）函數對網絡進行訓練之前，需要預先設置網絡訓練參數。訓練后得到的誤差變化過程如圖2.1所示。
步驟4： 網絡測試
對于訓練好的網絡進行仿真：
其中 “――” 代表要逼近的非線性函數曲線；
“” 代表未經訓練的函數曲線；
“” 代表經過訓練的函數曲線；
從圖中可以看出，得到的曲線和原始的非線性函數曲線很接近。這說明經過訓練后，BP網絡對非線性函數的逼近效果比較好。
3.結束語
神經網絡在近幾年的不斷發展，在人工智能、自動控制、計算機科學、信息處理、機器人、模式識別等眾多方面都取得了不錯的成績，給人們帶來了很多應用上的方便，和一些解決問題的方法，期待神經網絡可以應在在更多的領域，為人類做出更大的貢獻。
參考文獻：
[1] 劉煥海，汪禹.《計算機光盤軟件與應用》. 北京： 高等教育出版社，2011.10：15-30.
（一）BrainCell
神經網絡基本原理本文主要應用了BrainCell神經網絡軟件來實現B2B電子商務供應鏈協同績效評價模型的計算與分析。BrainCell神經網絡采用誤差反向傳播學習算法，算法從兩個方面（信號的前向傳播和誤差的反向傳播）反復進行迭代學習。其基本原理是輸入層各神經元在接收外接的信息后，傳遞給隱含層的神經元，根據減少目標輸出與實際輸出誤差的方向，從輸入層經過隱含層逐層修正各連接的權值，直到將誤差調整到能夠接受的程度，這不僅是各層權值不斷修正的過程，也是學習訓練神經網絡的過程，若學習樣本的計算輸出提前達到預期的結果，則訓練過程結束，否則將學習到預先設定的學習次數為止，最后由輸出層輸出信息處理的結果，如上圖所示。
（二）BrainCell神經網絡實現步驟
1.網絡層數的確定根據Kolmogrov理論可知，含有一個隱含層的三層神經網絡可以以任意精度逼近一個從輸入到輸出的映射關系。因此，在BrainCell神經網絡中采用含有單隱層的三層神經網絡。2.網絡節點的確定輸入層節點的多少與評價指標個數是相對應的。因此，根據構建好的B2B電子商務供應鏈協同績效評價指標體系，可以將一級指標與二級指標進行合并，作為輸入層的節點數，其指標數如表1所示，因此輸入層節點數為19個。輸出層節點則為1個，在此以B2B電子商務供應鏈協同績效等級結果作為輸出值。3.網絡訓練本文采用的訓練函數為trainscg，將網絡訓練的精度設置為10-4并初始化權值和閾值后，從15個樣本中選取12個作為訓練樣本進行批處理訓練，開啟網絡進行學習訓練。其具體步驟如下。假設訓練樣例是形式（a，b），其中a為輸入向量，b為輸出值。N為輸入節點數，M為輸出層節點數。從單位i到單位j的輸入表示aij，單位i到單位j的權值表示Wij。（1）創建具有N個輸入單位，M個輸出單位的BrainCell神經網絡。（2）用隨機數（0或1）初始化某些數字變量網絡權值Wij。（3）對于第k個訓練樣例（a，b），把輸入跟著網絡前向傳播，并計算網絡中每個單元x的輸出Qx，使誤差沿著反向傳播。（4）對于每個輸出單元u，計算它的誤差項。（5）對于每個隱含單元h，計算它的誤差項。（6）利用誤差項更新調整每個網絡權值。（7）重復（3）到（6），直到完成指定的迭代次數或者是其誤差值達到可接受的范圍。4.網絡檢驗將剩下的3個驗證樣本數據輸入到訓練好的網絡中，將其訓練結果與實際結果相比較，檢驗BrainCell神經網絡得到的輸入與輸出間的關系是否正確，從而反映出該績效評價體系的準確性和可靠性。
二、實證研究與分析
（一）確定績效評價等級
由于各個企業供應鏈自身發展的情況不同，各具特點，其形式、結構各異，因此如何劃分績效評價等級，如何更好地反映績效評價等級至關重要。本文以績效考核成績最好為1，最低為0為臨界值，由高到低劃分5個等級，并通過績效等級系數來體現，見表2所示。
（二）指標數據獲取和處理
本文以天貓商城中某珠寶飾品有限責任公司為例，該公司有比較穩定的供應商，且與多家企業都有長期合作關系。根據公司的實際管理情況，整理出該公司供應鏈協同管理的績效指標評價體系研究的基礎數據，應用BrainCell軟件對這些基本數據進行計算。為使各指標在整個系統中具有可比性，本文利用效應系數將指標在閉區間[0，1]上進行同趨勢化無量綱化和定性指標定量化處理。結果表明，該公司的供應鏈整體績效基本良好，其績效評價等級系數主要都集中在[0.5,0.8]這部分區間內，與該公司所處供應鏈實際情況相符。該公司運作情況基本令人滿意。
三、結語及展望
根據物流金融的運作特點，可將其風險來源歸納為來自融資企業、抵押物以及第三方物流企業三大方面。借鑒Altman，Haldeman和Narayanan（1977）提出的第二代“ZETA計分模型”中企業信用評價指標體系[3]，將來自融資企業的風險細化為中小企業營運能力w1、盈利能力w2、償債能力w3、及信用記錄w4四大方面的十個具體指標，分別為w11持續經營、w12資產回報率、w13存貨周轉率、w21連續盈利、w22稅后利潤率、w23銷售利潤率、w31穩定存貨、w32資產負債率、w33速凍比率、w41履約率。我國現階段的物流金融業務主要集中于基于權利質押以及基于存貨質押兩種，因此質押物本身的質量也直接關系其風險大小。指標包括：所有權w51、市場性質w61、保險率w71三方面。作為重要參與方的物流企業為實現其對質押物的有效監管，企業規模w81及企業信譽w91也即成為影響物流金融風險的重要指標。
2基于BP神經網絡和證據理論的評價方法
2.1BP神經網絡的基本原理
BP神經網絡，是由Rumelhart和McCelland等人（1986）提出的。其基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層通過隱含層傳向輸出層。若輸出層的實際輸出與期望輸出不符，則轉入誤差的反向傳播階段，并將誤差分攤給各層的所有單元。正向傳播與誤差反向傳播周而復始，一直到網絡輸出的誤差減少到可接受的程度，或預先設定的次數為止。
2.2證據理論的基本原理
①定義1：設為一個互斥又可窮舉的元素的集合，稱作識別框架，基本信任分配函數m是一個集合2到[0，1]的映射，A表現識別框架的任一子集，記作A哿，式中：m（A）稱為時間A的基本信任分配函數，它表示證據對A的信任程度。②Dempter合成法則：假定識別框架下的兩個證據E1和E2,其相應的基本信任函數為m1和m2，焦元分別為Ai和Bj，則m（A）=m1（A）茌m2（A）2.3信用風險評估算法為了保證神經網絡的收斂和穩定性，本論文中將15個指標分為四組，建立4個神經網絡NN1，NN2，NN3和NN4。神經網絡的輸出設計為（0.1，0.1，0.9）T、（0.1，0.9，0.1）T、（0.9，0.1，0.1）T，表示的信用風險級別分別為高風險、中度風險、低風險，記為A1，A2，A3。將輸出歸一化，得到向量（a′i1，a′i2，a′i3）T，記作V′i。令mi（Ai）=a′il，i∈{1，2，3，4}，l∈{1，2，3}，表示由NNi得到的對信用風險級別Ai的基本信任度，即針對事件Ai的證據。之后，再將4個證據利用DS證據理論融合。就可以對信用風險進行評估，最初最終決策。
3應用實例
本次數據采集共發出問卷200份，收回135份，有效問卷92份。將前91組數據分別訓練神經網絡。再將余下1個樣本輸入訓練好的神經網絡，歸一化處理輸出結果即得該證據對該命題的基本概率分配，而后利用DS證據理論將其融合得到最終優化結果。
4結論
摘要：工程造價估算是招標投標中的重要一環，探尋一套快速、簡捷、實用的工程造價估算方法已經成為建筑行業的迫切需要。為了建設工程造價估算技術的發展及文聯面臨的問題，提出在建設工程造價估算技術系統中應用人工神經網絡技術來提高估算精確度，并且給出系統的設計模型。
關鍵詞：人工神經網絡；工程造價；造價估算
人工神經網絡（ArtificialNeuralNetworks，簡寫為ANNs）也簡稱為神經網絡（NNs）或稱作連接模型（ConnectionistModel），它是一種模范動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入－輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果，這種學習分析的過程被稱為“訓練”。
一、神經網絡的建立
雖然人們還并不完全清楚生物神經網絡是如何進行工作的，但還是幻想能否構造一些“人工神經元”，然后將這些神經元以某種特定的方式連接起來，模擬“人腦”的某些功能。
在1943年，心理學家W. McCulloch和數學家W. Pitts合作，從數理邏輯的角度，提出了神經元和神經網絡最早的數學模型（MP模型），是神經網絡研究的開端，更為后面的研究發展奠定了基礎。經歷了半個多世紀，神經網絡度過了萌芽期、第一次期、反思低潮期、第二次期、再認識與應用研究期五個階段。目前，神經網絡已成為涉及多種學科和領域的一門新興的前沿交叉學科。
神經元分為分層網絡和相互連接型網絡。所謂分層網絡，就是一個網絡模型中的所有神經元按功能分層，一般分為輸入層、中間層（隱含層）、輸出層，各層按順序連接，隔層之間均采用的是全互連接，但對于同一單元間，不互相連接。分層網絡可細分為簡單前向網絡、反饋前向網絡和層內互相連接的網絡。人工神經網絡結構是一種多層的網絡結構，一個典型的前向網絡。
某個神經元 j 的輸入―輸出關系為
其中，θj為閥值，ωji為連接權，f(•)為變換函數，也稱活化函數(activation function)
對于人工神經網絡模型，我們只可能在某種程度上去描述我們所了解的情況。同樣，人工神經網絡也只可能是在某種程度上對真實的神經網絡的一種模擬和逼近。
二、在工程造價中的運用
成都市工程造價計價模式后選取了基礎類型、結構類型、工期、層數、建址、層高、內裝修、門窗、單位造價等10個影響工程造價和工程量的特征作為模型的輸入。考慮到各個工程中門和窗數量差別很大為提高估算的精度我們把門數量和窗數量作為輸入，其數量在工程施工圖紙上很容易查得，不需作復雜的計算。對于其他文字性表達的工程特征需轉變成數字后作為網絡的輸入。
很明顯的看出，測試樣本總體誤差率比較小，平均誤差為283%，基本滿足估算要求，隨著工程資料的不斷積累，選取有代表性的數據作為樣本，誤差將不斷縮小。
意義：
通過這次研究，我們了解了人工神經網絡的基本原理，即通過誤差反向傳播建立多層前饋網絡的學習收斂過程,該過程主要包括三個層次,即輸入層、隱含層和輸出層。在訓練中通過計算輸出值與期望值之間的誤差,來求解輸出層單元的一般化誤差,再將誤差進行反向傳播,求出隱含層。并了解了基于人工神經網絡之上的建設項目的投資估算模型，了解了平滑指數法、類比系數法、模糊數學估算法的基本原理與其自身的優勢與不足，也讓我們更深刻地認識到，人工神經網絡，作為90年代逐漸被運用的人工智能技術之一，能像一個經驗深厚的造價師，根據工程類型、特征及其相關情況,結合數據和經驗,準確的估算出其造價。我們也通過計算驗證了模型的可行性。對于我們從事建筑造價的大學生來說，是一次難能可貴的研究機會，能夠較深層次的了解行業中的專業知識。隨著中國改革開放和市場經濟的不斷深入，中國建筑企業在面臨很好的機遇的同時，也面臨著嚴峻的考驗。現在的市場競爭機制已表現得越來越明顯，他要求我們提高效率，盡快拿出自己招投標方案，但是傳統的預算方法以及現行的計算軟件都必須花費較長的時間才能計算出結果，而且計算的結果準確度還不是很高。怎樣解決這個問題，成了建筑界的熱門話題。同時作為建設方的業主，他們同樣對快速預算很感興趣。因為確定工程造價是建設工作中十分重要的一環，在不同階段有著不同的方法。如建設前期的工程造價估算、初步設計階段編制概算、施工圖設計階段編制預算，特別是建設前的估算是我們工作的重點，因為它是我們進行成本控制的起點。對于建設單位而言，它們不僅能在進行設計招標之前大致確定該工程的造價，而且還能在工程施工招標前定出合理的標底。可見快速預算有其很現實的發展研究背景。近幾年許多學者都在這方面努力探索，并取得了很好成果。 神經網絡和模糊數學的快速發展應用為工程快速預算提供了很好的思路。我們通過查閱資料了解了模糊數學和神經網絡的結合原理，認識了基于模糊神經網絡和工程預算原理的工程快速估價的模型，并通過住宅建筑估價模型的建立，說明模型的實現方法且驗證其實用性。這次研究對于行業經驗不足的我們十分寶貴，我們通過書籍等資料更加全方位的了解了我們未來所講從事的行業的知識，為我們以后的工作做了良好的鋪墊，積累了寶貴財富，我們將在了解這些專業知識之后熟練地運用，以更好地促進行業的發展。（西華大學；四川；成都；610039）
參考文獻：
① 汪應洛、楊耀紅，工程項目管理中的人工神經網絡方法及其應用［J］.中國工程科學.2004,6(7):26-33.
② 袁曾仁，人工背景：神經網絡及其應用［M］清華大學出版社，1991
