利用神经网络模型进行企业辅助决策的探讨

2013-08-16罗松涛王立文陈勇民

吉林林业科技 2013年4期

罗松涛，孙林，王立文，陈勇民

(1.北京财贸职业学院，北京 101101;2.郑州轻工业学院计算机与通信工程学院，河南郑州 450002;3.北京航空航天大学经济管理学院，北京 100191;4.深圳 TCL王牌电子有限公司，广东深圳518000)

复杂系统是指规模庞大，结构复杂，具有多样性、不确定性的系统。近几年，复杂系统理论以其深邃的哲学内涵和贴近现实的研究视角正在吸引越来越多人的关注。随着企业经营环境和经营任务的日益复杂化，在管理中借鉴复杂系统理论乃至参照复杂系统的运行特点设计企业经营系统，特别是利用神经网络技术进行企业辅助决策分析［1］，将会成为企业提高管理效能、改进经营绩效的一个热点。

1 神经网络模型

神经网络技术如同人类神经系统，可以迅速接收到外界的刺激并马上做出反映。利用神经网络模型对企业运营进行前期预报管理和智能型管理，监控并自动分析企业运营的诸多状态参数，从而对投资决策提供趋势管理，可最大限度地提高投资决策的科学性。

神经网络模型形式多样，各有其特点和用途，鉴于多层前馈(以下简称BP)神经网络模型理论比较完善，方法比较成熟，可选用三层BP 神经网络模型［2］。

BP模型神经网络由三个神经元层次组织，最上层为输入层，中间为隐含层，最下层为输出层。各节点层神经元间相互连接，处于相同层次上的节点间无连接(见图1)。对于每个神经元的形式化模型，如图2所示。在一个神经元树的突触处，从其他神经元接收信号经激活后发送信号。在网络拓扑结构中，输入神经元和输出神经元节点由问题本身所决定，关键在于隐层层数与隐层神经元节点的数目。一般地讲，隐节点数少了，学习过程不易保证收敛，将导致学习过程失败;隐节点数多了，网络性能下降，导致学习过程过长。

图1 BP模型神经网络

图2 神经元的形式化模型

其中:Y=f(s)(x);X=∑WiXi+Si－ θi。

式中:XI——输入信息;

Wi——权重值;

Si——对应状态数，兴奋为1，抵制为

θi——阀值。

对于激活的作用函数在专门的文献中均有详细介绍，一般的方法有下面几种，它们各有优点和优化作用的相应领域［3］。

其曲线图如图5所示。

图3

图4

图5

神经网络技术在企业投资决策中，决定是否投资某个项目时，起决定作用的是通过数据预测推算出来的目标利润。因此，本文方法中选取目标利润作为输出层的唯一一个节点，而把影响目标利润的主要因素:市场预测销售量、合理的单位定价、生产成本、风险因素四个变量作为输入层四个节点［4］。

2 BP神经网络的学习算法［5］

2.1 设定网络学习率、惯性项、学习次数、误差精度、网络层数、节点个数等。

2.2 赋值:输入层节点到隐含层节点间连接权值 Vki，k，i=1，2，…，p

隐含层节点到输出层节点间连接权值ωij，i=1，2，…，p;j=1，2，…，q

隐含层、输入层节点阈值 θi、γi，i=1，2，…，p

图6

2.3 从网络输入层节点输入学习样本(Am，Cm)。

2.4 正向学习向前传播，通过传播信号在作用函数y=f(x)的激活下，产生隐层节点激活值bi，输出层节点激活值 ci，输入层节点激活值ai，其中

2.5 计算出输入层节点误差信号 dj=Cj(1－Cj)(Cj－ ECjm)，j=1，2，…，q ，其中 ECjm为第m个学习样本的输出层单元目标输出。2.6逆向学习反向传播，计算出隐节点误差

2.7 调整隐含层节点到输出层节点连接权值Δωij=αbidj，输入层节点到隐含层节点连接权值 Δυki= βakei，及输入层节点阈值 Δγi= αdj，隐含层节点阈值 Δθi= βei，其中 i=1，2，…，p;j=1，2，…，q;k=1，2，…，n 。α 、β 为学习参数，一般在(0.1 ～0.5)间取值。

2.8 判断学习过程是否继续，若要继续则转至⑶执行，否则执行⑼。

2.9 判断误差 dj、ej与设定精度是否超限，若超限，则表明学习过程不成功，存储已得学习权值，结束学习，否则执行⑽。

2.10 判断迭代次数是否超过设定学习次数，若没有超过学习次数，则转至⑶执行，若超出学习次数，则执行⑾。

2.11 计算误差均方差