羅松濤,孫 林,王立文,陳勇民
(1.北京財貿職業(yè)學院,北京 101101;2.鄭州輕工業(yè)學院計算機與通信工程學院,河南 鄭州 450002;3.北京航空航天大學經濟管理學院,北京 100191;4.深圳 TCL王牌電子有限公司,廣東 深圳518000)
復雜系統(tǒng)是指規(guī)模龐大,結構復雜,具有多樣性、不確定性的系統(tǒng)。近幾年,復雜系統(tǒng)理論以其深邃的哲學內涵和貼近現(xiàn)實的研究視角正在吸引越來越多人的關注。隨著企業(yè)經營環(huán)境和經營任務的日益復雜化,在管理中借鑒復雜系統(tǒng)理論乃至參照復雜系統(tǒng)的運行特點設計企業(yè)經營系統(tǒng),特別是利用神經網(wǎng)絡技術進行企業(yè)輔助決策分析[1],將會成為企業(yè)提高管理效能、改進經營績效的一個熱點。
神經網(wǎng)絡技術如同人類神經系統(tǒng),可以迅速接收到外界的刺激并馬上做出反映。利用神經網(wǎng)絡模型對企業(yè)運營進行前期預報管理和智能型管理,監(jiān)控并自動分析企業(yè)運營的諸多狀態(tài)參數(shù),從而對投資決策提供趨勢管理,可最大限度地提高投資決策的科學性。
神經網(wǎng)絡模型形式多樣,各有其特點和用途,鑒于多層前饋(以下簡稱BP)神經網(wǎng)絡模型理論比較完善,方法比較成熟,可選用三層BP 神經網(wǎng)絡模型[2]。
BP模型神經網(wǎng)絡由三個神經元層次組織,最上層為輸入層,中間為隱含層,最下層為輸出層。各節(jié)點層神經元間相互連接,處于相同層次上的節(jié)點間無連接(見圖1)。對于每個神經元的形式化模型,如圖2所示。在一個神經元樹的突觸處,從其他神經元接收信號經激活后發(fā)送信號。在網(wǎng)絡拓撲結構中,輸入神經元和輸出神經元節(jié)點由問題本身所決定,關鍵在于隱層層數(shù)與隱層神經元節(jié)點的數(shù)目。一般地講,隱節(jié)點數(shù)少了,學習過程不易保證收斂,將導致學習過程失敗;隱節(jié)點數(shù)多了,網(wǎng)絡性能下降,導致學習過程過長。
圖1 BP模型神經網(wǎng)絡
圖2 神經元的形式化模型
其中:Y=f(s)(x);X=∑WiXi+Si- θi。
式中:XI——輸入信息;
Wi——權重值;
Si——對應狀態(tài)數(shù),興奮為1,抵制為
0;
θi——閥值。
對于激活的作用函數(shù)在專門的文獻中均有詳細介紹,一般的方法有下面幾種,它們各有優(yōu)點和優(yōu)化作用的相應領域[3]。
其曲線圖如圖5所示。
圖3
圖4
圖5
神經網(wǎng)絡技術在企業(yè)投資決策中,決定是否投資某個項目時,起決定作用的是通過數(shù)據(jù)預測推算出來的目標利潤。因此,本文方法中選取目標利潤作為輸出層的唯一一個節(jié)點,而把影響目標利潤的主要因素:市場預測銷售量、合理的單位定價、生產成本、風險因素四個變量作為輸入層四個節(jié)點[4]。
2.1 設定網(wǎng)絡學習率、慣性項、學習次數(shù)、誤差精度、網(wǎng)絡層數(shù)、節(jié)點個數(shù)等。
2.2 賦值:輸入層節(jié)點到隱含層節(jié)點間連接權值 Vki,k,i=1,2,…,p
隱含層節(jié)點到輸出層節(jié)點間連接權值ωij,i=1,2,…,p;j=1,2,…,q
隱含層、輸入層節(jié)點閾值 θi、γi,i=1,2,…,p
圖6
2.3 從網(wǎng)絡輸入層節(jié)點輸入學習樣本(Am,Cm)。
2.4 正向學習向前傳播,通過傳播信號在作用函數(shù)y=f(x)的激活下,產生隱層節(jié)點激活值bi,輸出層節(jié)點激活值 ci,輸入層節(jié)點激活值ai,其中
2.5 計算出輸入層節(jié)點誤差信號 dj=Cj(1-Cj)(Cj- ECjm),j=1,2,…,q ,其中 ECjm為第m個學習樣本的輸出層單元目標輸出。2.6逆向學習反向傳播,計算出隱節(jié)點誤差
2.7 調整隱含層節(jié)點到輸出層節(jié)點連接權值Δωij=αbidj,輸入層節(jié)點到隱含層節(jié)點連接權值 Δυki= βakei,及輸入層節(jié)點閾值 Δγi= αdj,隱含層節(jié)點閾值 Δθi= βei,其中 i=1,2,…,p;j=1,2,…,q;k=1,2,…,n 。α 、β 為學習參數(shù),一般在(0.1 ~0.5)間取值。
2.8 判斷學習過程是否繼續(xù),若要繼續(xù)則轉至⑶執(zhí)行,否則執(zhí)行⑼。
2.9 判斷誤差 dj、ej與設定精度是否超限,若超限,則表明學習過程不成功,存儲已得學習權值,結束學習,否則執(zhí)行⑽。
2.10 判斷迭代次數(shù)是否超過設定學習次數(shù),若沒有超過學習次數(shù),則轉至⑶執(zhí)行,若超出學習次數(shù),則執(zhí)行⑾。
2.11 計算誤差均方差
2.12 比較Ed與設定精度 ε,若 Ed> ε,則轉至⑵,否則存儲輸出層節(jié)點激活輸出,學習過程結束[6]。
在學習過程中根據(jù)企業(yè)投資決策的需要,根據(jù)前文分析,一般取輸入層結點4個,輸出層節(jié)點1個,隱含層節(jié)點個數(shù)根據(jù)試算定為7個,學習參數(shù)均設為0.5,學習精度取為0.01,學習次數(shù)設定為100,目標輸出根據(jù)市場預測及采訪調查設為10億。對不同的項目,會有較為準確的決策。
利用神經網(wǎng)絡模型借助計算機對企業(yè)決策進行輔助分析,可有效地規(guī)避決策的風險,提高決策的科學性,促進決策效益的最大化,為企業(yè)實現(xiàn)現(xiàn)代化管理提供了新的手段。
[1]埃弗雷姆·特班.決策支持系統(tǒng)與智能系統(tǒng)[M].北京:機械工業(yè)出版社,2009.
[2]馬銳.人工神經網(wǎng)絡原理[M].北京:機械工業(yè)出版社,2010.
[3]彭放.數(shù)學建模方法[M].北京:科學出版社,2007.
[4]施彥,韓力群.神經網(wǎng)絡設計方法[M].北京:郵電大學出版社,2009.
[5]張雨濃.神經網(wǎng)絡權值[M].廣州:中山大學出版社,2010.
[6]侯媛彬,杜京義.神經網(wǎng)絡[M].西安:西安電子科技大學出版社,2007.