BP神经网络法及其模型（魏立）.doc

BP神经网络法及其模型一、BP神经网络法神经网络15是模仿生物脑的处理特性，对生理上真实的人脑神经网络的结构和功能及基本特征进行理论抽象、简化和模拟而构成的一种信息系统，拥有巨大的平行处理、快速修补信息及依经验来辨认结构与处理能力。由于没有传统统计方法在构建模型时的诸多假设限制，因此具有非线性映射、自适应学习和较强容错性的特点，可以对应多变的企业运作环境BP神经网络的学习由四个过程组成：学习模式由输入层经过中间层向输出层的“模式顺传播”过程，网络的预期输出与实际输出之差的误差信号由输出层经过中间层向输入层逐层修正连接权的“误差逆传播”过程，由“模式顺传播”与“模式逆传播”的反复交替形成的“记忆训练”过程，网络趋于收敛，即网络的全局误差趋向极小值的“学习熟练”过程。训练好的BP神经网络可以简便有效地对企业当期经营绩效做项目后评价，也可以对企业经营绩效仿真预测。在实际操作中，确定评价标准，选取行业优秀值，可以进行同类企业的横向比较分析，掌握企业在行业内的经营现状。神经网络方法避免了评价过程中人为确定标准值和权重的主观性因素影响，借助于神经网络的自学习、自适应能力和容错性强等特点，建立更为客观的企业绩效综合评价体系，评价结果更加客观准确，为经营决策提供了重要的参考依据。BP神经网络绩效评价方法的优点有：(1)使用BP神经网络企业基本面综合评价的效果良好，不但克服了由人工评价所带来的人为因素及模糊随机性的影响，保证了评价结果的客观性、准确性，而且具有较强的动态性，随着时间的推进和参与样本的增加，可以进一步的学习和动态跟踪；(2)根据BP神经网络可建立企业财务预测模型，为包括广大投资者和债权人及其他利益相关者预测公司财务状况提供科学的决策手段和可靠的依据，同时也为上市公司加强企业内部管理，及时摆脱财务危机提供了参考依据；(3)其所使用的非线性函数更贴近于复杂的非线性动态经济系统，摆脱了古典经济学赖以生存的线形分析工具，能够更为准确的综合反映企业的信息，故比传统方法更具适用性。鉴于神经网络的非线性特点，它将会成为准确刻画证券市场这样一个复杂的非线性系统的重要工具，其较高的预测能力也将发挥极大优势，故神经网络在证券市场、乃至经济领域的应用必将有更为广阔的空间。BP神经网络也有一定的局限性：其常采用的BP算法是一种梯度下降法，它通过不断修正各神经元之间的连接权值，实现全局最优，但由于误差曲面的复杂性，容易使网络陷入局部极小点。另外误差是通过输出层反向传播的，隐含层越多，反向传播误差在靠近输入层时就愈不可靠，这样在一定程度上影响了学习效率，容易出现收敛速度慢的情况，从而使极个别样本的评价结果出现了偏离。二、BP神经网络的模型神经网络是在对人脑思维方式研究的基础上，用数学方法将其简化并抽象模拟反映人脑基本功能的一种并行处理连接网络。一个神经网络由多个互连的神经元组成，神经元是神经网络的基本处理单元。一种简化的神经元是一多输入、单输出的非线性元件，其输入输出关系可描述为其中：是从其他细胞传来的输入信号；为阈值；表示从细胞 到细胞的连接权值；()称为传递函数。神经网络模型的传递函数常采用同一非线性映射，每个神经元都对一外界刺激产生兴奋，网络特性仅仅通过细胞间权值的变化加以表征，因而需要较多的隐层及隐层神经元，导致了学习算法收敛慢、易陷于局部极小等固有缺点。神经网络在目前已有几十种不同的模型。人们按不同的角度对神经网络进行分类，通常可按以下5个原则进行神经网络的归类：(1)按照网络的结构区分，有前馈网络、反馈网络和自组织网络；(2)按照学习方式区分，有有教师学习网络和无教师学习网络；(3)按照网络性能区分，有连续型网络和离散型网络，随机型网络和确定型网络；(4)按照突触性质区分，有一阶线性关联网络和高阶非线性关联网络；(5)按对生物神经系统的层次模拟区分，有神经元层次模型、组合式模型、网络层次模型、神经系统层次模型和智能型模型。通常，人们较多地考虑神经网络的互连结构，包括4种典型结构(如图3.2所示)，分别是：(1)前馈网络。神经元分层排列，组成输入层、隐含层和输出层，每层只能够接受前一层神经元的输入；(2)反馈网络。在输入层到输出层存在反馈；(3)相互结合型网络。相互结合网络属于网络结构，任意两个神经元之间可能有连接；(4)混合型网络。层次型网络和网状结构网络的一种结合。目前，有代表性的神经网络模型有：(1)BP网络。它是一种多层前馈网络，采用最小均方差的学习方式，是使用最广泛的网络，可用于语言综合、语言识别、自适应控制等。缺点是仅为有导师训练，训练时间长，易于陷入局部极小。图3.2 神经网络的4种典型拓扑结构(2)RBF网络。它是一类非常有效的多层前馈网络，其神经元基函数具有仅在微小局部范围内才产生有效的非零响应的局部特性，因而可以在学习过程中获得高速化。缺点是由于高斯函数的特性，该网络难以学习映射的高频部分。(3)BAM双向联想记忆网。它是由相同神经元构成的双向联想式单层网络，具有学习功能。缺点是存储度低且需要编码。(4)Hopfield网络。它是最典型的反馈网络模型，是目前人们研究得最多的模型之一。Hopfield网络是由相同的神经元构成的单层网络，并且不具学习功能的自联想网络，它需要对称连接。这个网络可以完成制约优化和联想记忆等功能。(5)SOM自组织特征映射模型。这种模型可以在一维或二维的处理单元阵列上形成输入信号的分布拓扑图。(6)ART自适应共振理论网络。它也是一种自组织网络模型，是一种无教师学习网络。它能够较好地协调适应性、稳定性和复杂性的要求。在ART网络中，通常需要两个功能互补的子系统相互作用。这两个子系统称注意子系统和取向子系统。ART网络主要用于模式识别，它不足之处是在于对转换、失真和规模变化较敏感。(7)CMAC小脑神经网络。这是根据小脑的生物模型提出的一种神经元网络模型，它是一种联想网络，对每一输出只有少部分神经元与之相关，其最大特点就是它的联想具有局部泛化能力，并有学习速度快、无局部极小点等性质。(8)量子神经网络。它是在量子计算机或量子器件的基础上构造神经网络，充分利用量子计算超高速、超并行、指数级容量的特点，来改进神经网络的结构和性能。