ＢＰ神經(jīng)網(wǎng)絡(luò)在Ｃ２Ｃ電子零售商競爭力測(cè)量中的應(yīng)用

[摘要] 本文通過分析BP神經(jīng)網(wǎng)絡(luò)在競爭力測(cè)量中的優(yōu)勢(shì)，介紹通過GUI界面構(gòu)建競爭力測(cè)量模型、訓(xùn)練模型、仿真模型、應(yīng)用模型的方法，證明了BP神經(jīng)網(wǎng)絡(luò)在競爭力測(cè)量中的可行性，指出了在使用中應(yīng)注意的事項(xiàng)。

[關(guān)鍵詞] BP神經(jīng)網(wǎng)絡(luò) 模型構(gòu)建 模型訓(xùn)練 模型仿真

一、BP神經(jīng)網(wǎng)絡(luò)在測(cè)量競爭力中的優(yōu)勢(shì)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱ANN）系統(tǒng)是借鑒于人腦和神經(jīng)系統(tǒng)存儲(chǔ)和處理信息的某些特征抽象出來的一種人工智能化的數(shù)字模型，具有并行分布的信息處理結(jié)構(gòu)，通過對(duì)非線性函數(shù)的復(fù)合來逼近輸入輸出之間的映射關(guān)系。人工神經(jīng)網(wǎng)絡(luò)具有許多優(yōu)秀的特性，最擅長對(duì)近似的、不確定的、甚至矛盾相關(guān)的知識(shí)環(huán)境中進(jìn)行決策，可以解決人為的權(quán)重設(shè)計(jì)和相關(guān)系數(shù)的計(jì)算。神經(jīng)網(wǎng)絡(luò)通過對(duì)樣本的學(xué)習(xí)可以確定穩(wěn)定的人工神經(jīng)網(wǎng)絡(luò)模型，以該模型對(duì)C2C電子零售商競爭力進(jìn)行動(dòng)態(tài)評(píng)價(jià)和排序，計(jì)算誤差小，從而可以保證評(píng)價(jià)結(jié)果的客觀性。

人工神經(jīng)網(wǎng)絡(luò)本身包含非常多的網(wǎng)絡(luò)模型，如BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、 Hamming 網(wǎng)絡(luò)、Grossberg網(wǎng)絡(luò)和競爭網(wǎng)絡(luò)等，由于BP網(wǎng)絡(luò)可以任意精度逼近任意連續(xù)函數(shù)，所以在已有的競爭力評(píng)價(jià)研究文獻(xiàn)中，使用BP(Back Propagation Network)網(wǎng)絡(luò)的居多。如高曉宏、郭軍、吳曉偉（2004）建立了時(shí)序BP網(wǎng)絡(luò)和因果BP網(wǎng)絡(luò)，根據(jù)企業(yè)競爭力的指標(biāo)體系預(yù)測(cè)了企業(yè)的競爭力；李煜華等（2006）通過BP網(wǎng)絡(luò)對(duì)老工業(yè)基地的核心競爭力進(jìn)行了評(píng)價(jià)；陳紅轉(zhuǎn)（2003）等通過BP網(wǎng)絡(luò)對(duì)銀行競爭力進(jìn)行了評(píng)價(jià)。這些研究說明用BP網(wǎng)絡(luò)方法評(píng)價(jià)競爭力具有可行性。

BP網(wǎng)絡(luò)可以通過以下具體過程實(shí)現(xiàn):

1.建立網(wǎng)絡(luò)模型，初始化網(wǎng)絡(luò)及字習(xí)參數(shù)；BP網(wǎng)絡(luò)的建立需要借助MATLAB軟件實(shí)現(xiàn)。通常有兩種方法：

編程法：net=newff (PR，[S1，S2……Sn]，{Tf1 Tf2 Tf3……Tfn}，BTF，BLF，PF)

其中net中存放所建立的網(wǎng)絡(luò)屬性和網(wǎng)絡(luò)參數(shù)，四個(gè)輸入變量分別為:

PR輸入向量的取值范圍；

Si 第i層的神經(jīng)元個(gè)數(shù)，總共N層；

Tfi第i層的傳遞函數(shù)，缺省值為“tansig”；

BTFBP網(wǎng)絡(luò)訓(xùn)練函數(shù)，缺省值為“trainlm”；

BLFBP網(wǎng)絡(luò)權(quán)值和闕值學(xué)習(xí)函數(shù)，缺省值為“l(fā)earngdm”；

PF 性能函數(shù)，缺省值為“mse”。

GUI法：在matlab 命令窗口中輸入命令nntool， 就會(huì)彈出人工神經(jīng)網(wǎng)絡(luò)的構(gòu)建訓(xùn)練仿真窗口。

本文使用第二種方法創(chuàng)建BP網(wǎng)絡(luò)。

2.提供訓(xùn)練模式

選實(shí)例作學(xué)習(xí)訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求；常使用的訓(xùn)練函數(shù)有批梯度下降訓(xùn)練函數(shù)（traingd，traingdm）、自適應(yīng)修改學(xué)習(xí)率算法（traingda，traingdx）、有彈回的算法（trainrp）及共軛梯度算法（traincgf，traincgp）等。

3.前向傳播過程

對(duì)給定訓(xùn)練模式輸入，計(jì)算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若誤差不能滿足精度要求，則誤差反向傳播，否則轉(zhuǎn)到2；

4.反向傳播過程

BP算法是一個(gè)很有效的算法，它把一組樣本的輸入、輸出問題變成一個(gè)非線性優(yōu)化問題，并使用了優(yōu)化問題中最普遍的梯度下降法，用迭代運(yùn)算求解權(quán)相應(yīng)于學(xué)習(xí)記憶問題，加入隱節(jié)點(diǎn)使優(yōu)化問題的可調(diào)參數(shù)增加，從而可以得到更精確的解。

二、BP網(wǎng)絡(luò)在C2C電子零售商競爭力評(píng)價(jià)中的應(yīng)用

本文選取包含20個(gè)測(cè)量指標(biāo)的C2C電子零售商競爭力評(píng)價(jià)指標(biāo)體系及調(diào)查數(shù)據(jù)（趙麗，2008）來說明BP網(wǎng)絡(luò)在競爭力測(cè)量方面的使用方法。

在設(shè)計(jì)BP網(wǎng)絡(luò)之前，首先應(yīng)該準(zhǔn)備好數(shù)據(jù)。Matlab7.0與Excel2003相通，所以將調(diào)查數(shù)據(jù)導(dǎo)進(jìn)Matlab7.0中，命名為“data”。然后，將其中的10個(gè)C2C電子零售商競爭力指標(biāo)數(shù)據(jù)作為訓(xùn)練輸入數(shù)據(jù)，設(shè)為“traindata”;將專家對(duì)這10個(gè)C2C電子零售商競爭力的評(píng)價(jià)結(jié)果作為目標(biāo)輸出量，設(shè)為“targets”；評(píng)價(jià)值越大，表明此電子零售商越有競爭力，由此構(gòu)成10個(gè)訓(xùn)練樣本對(duì)；將剩余的6個(gè)C2C電子零售商競爭力指標(biāo)測(cè)量數(shù)據(jù)作為仿真數(shù)據(jù)，設(shè)為“simulatedata”。數(shù)據(jù)準(zhǔn)備完畢，即可構(gòu)建網(wǎng)絡(luò)。

1.構(gòu)建網(wǎng)絡(luò)

網(wǎng)絡(luò)的輸入、輸出神經(jīng)元的數(shù)量是由問題外部描述定義的。所以，如果有4個(gè)外部變量作為網(wǎng)絡(luò)輸入，那么網(wǎng)絡(luò)就有4個(gè)輸入。同樣，如果網(wǎng)絡(luò)有7個(gè)輸出，那么網(wǎng)絡(luò)的輸出層就應(yīng)該有7個(gè)神經(jīng)元：最后，輸出信號(hào)所期望的特征有助于選擇輸出層的傳輸函數(shù)。研究已表明，兩層網(wǎng)絡(luò)在其隱層中使用s形傳輸函數(shù)，在輸出層中使用線性傳輸函數(shù)，就幾乎可以以任意精度逼近任何感興趣的函數(shù)，只要隱層中有足夠的單元可用(見[Host89])。

根據(jù)論文研究實(shí)際，設(shè)計(jì)BP網(wǎng)絡(luò)評(píng)價(jià)模型如下:

A輸入層:根據(jù)C2C電子零售商競爭力評(píng)價(jià)指標(biāo)體系，將最低層指標(biāo)數(shù)作為輸入層神經(jīng)元數(shù)，在本文中為20；

B隱含層:隱含層神經(jīng)元數(shù)的選取關(guān)系到整個(gè)BP網(wǎng)絡(luò)的精確度和學(xué)習(xí)效率，在本文中結(jié)合理論分析和經(jīng)驗(yàn)選取隱含層神經(jīng)元數(shù)為10；

C輸出層:對(duì)C2C電子零售商競爭力的評(píng)價(jià)是一個(gè)從定性到定量然后再到定性的過程，通過BP網(wǎng)絡(luò)模型將定性轉(zhuǎn)化為定量輸出，然后綜合評(píng)價(jià)集和輸出結(jié)果，對(duì)C2C電子零售商競爭力作出定性評(píng)價(jià)。因此，將輸出層神經(jīng)元設(shè)置為1個(gè)。

所以，本研究的BP網(wǎng)絡(luò)結(jié)構(gòu)是具有20-10-1結(jié)構(gòu)的二層網(wǎng)絡(luò)，在matlab7.0中構(gòu)建。命名為bpnetwork，選擇網(wǎng)絡(luò)類型為Feed-forward backprop，輸入數(shù)據(jù)范圍根據(jù)訓(xùn)練樣本中的輸入數(shù)據(jù)確定，訓(xùn)練函數(shù)選擇TRAINLM，自適應(yīng)學(xué)習(xí)函數(shù)選擇LEARNGDM，效果函數(shù)選擇MSE，層數(shù)為2，第一層的神經(jīng)元有10個(gè)，傳輸函數(shù)為TANSIG，第二層的神經(jīng)元個(gè)數(shù)為1，傳輸函數(shù)為TANSIG。構(gòu)建好的C2C電子零售商競爭力評(píng)價(jià)BP模型如圖1所示：

圖1 C2C電子零售商競爭力評(píng)價(jià)BP模型

2.訓(xùn)練網(wǎng)絡(luò)

點(diǎn)擊Train菜單，在Training Info中選擇輸入數(shù)據(jù)traindata，選擇目標(biāo)輸出數(shù)據(jù)targets，其它默認(rèn)；在Training Parameters中設(shè)最大訓(xùn)練步數(shù)epochs為50； goal為0.00001; show為25。其它參數(shù)time、min_grad、max_fail等均為缺省值。點(diǎn)擊Train Network，出現(xiàn)訓(xùn)練效果圖，如圖2所示：

圖2 模型訓(xùn)練效果圖

圖2中藍(lán)色曲線表示訓(xùn)練路徑圖，黑色直線表示預(yù)定誤差值。在第15步時(shí)，兩線相交，網(wǎng)絡(luò)誤差平方和MSE達(dá)到了誤差目標(biāo)goal =0.00001的要求，網(wǎng)絡(luò)模型訓(xùn)練結(jié)束，說明網(wǎng)絡(luò)已初步符合要求。同時(shí)，MATLAB還提供了函數(shù)postreg用于對(duì)網(wǎng)絡(luò)訓(xùn)練結(jié)果的進(jìn)一步分析。函數(shù)postreg利用了線性回歸的方法分析了網(wǎng)絡(luò)輸出和目標(biāo)數(shù)出的關(guān)系，即網(wǎng)絡(luò)輸出變化對(duì)于目標(biāo)輸出變化的變化率，從而評(píng)估了網(wǎng)絡(luò)的訓(xùn)練效果。將網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)導(dǎo)出后，在Matlab7.0的命令窗口中輸入命令：

[m，b，r]=postreg(bpnetwork_outputs，targetdata)

按Enter鍵，就會(huì)返回三個(gè)值，m和b分別表示最優(yōu)回歸直線的斜率和y軸截距，當(dāng)m=1且b=0時(shí)，網(wǎng)絡(luò)輸出與目標(biāo)輸出完全相同，此時(shí)的網(wǎng)絡(luò)具有最優(yōu)性能；r表示網(wǎng)絡(luò)輸出與目標(biāo)輸出的相關(guān)系數(shù)，它越接近于1，表示網(wǎng)絡(luò)輸出與目標(biāo)輸出越接近，網(wǎng)絡(luò)性能越好。通過圖3可知，m接近于1，b幾乎為0，r等于1，這說明此網(wǎng)絡(luò)的性能非常好。

圖3 模型訓(xùn)練效果參數(shù)

圖4繪出了函數(shù)postreg顯示的圖形，橫坐標(biāo)為目標(biāo)輸出，縱坐標(biāo)為網(wǎng)絡(luò)輸出，“○”表示數(shù)據(jù)，理想回歸直線（網(wǎng)絡(luò)輸出等于目標(biāo)輸出時(shí)的直線）由實(shí)線表示，最優(yōu)回歸直線由虛線表示。從圖可以看到虛線和實(shí)現(xiàn)幾乎重合，說明網(wǎng)絡(luò)具有非常好的性能，可以用這一網(wǎng)絡(luò)去判斷其它C2C電子零售商的競爭力了。

圖4 模型回歸直線圖

3.網(wǎng)絡(luò)仿真

將剩下的6個(gè)C2C電子零售商（“C1”、“C2”、“C3”、“C4”、“C5”、“C6”）競爭力指數(shù)的各項(xiàng)數(shù)據(jù)作為仿真數(shù)據(jù)，命名為simulatedata，作為輸入數(shù)據(jù)添加到Inputs中。點(diǎn)擊simulate，如圖5所示:

圖5 模型仿真

在Inputs下拉框中選擇simulatedata， outputs默認(rèn)為bpnetwork_outputs，其他默認(rèn)，點(diǎn)擊Simulates Network，在Network Data Manager窗口的Outputs中就會(huì)出現(xiàn)輸出結(jié)果值，在Errors中就會(huì)出現(xiàn)誤差值。

打開輸出結(jié)果參數(shù)，得其值如圖6所示。根據(jù)輸入數(shù)據(jù)與調(diào)查對(duì)象的對(duì)應(yīng)關(guān)系，“C1”的競爭力為0.94224，“C2”的競爭力為0.74897，“C3”的競爭力為0.62101，“C4”的競爭力0.055052， “C5”的為0.56066， “C6”的為0.23556。根據(jù)訓(xùn)練設(shè)置，值越大說明競爭力越強(qiáng)。所以，在這6個(gè)C2C電子零售商中，競爭力最強(qiáng)的是“C1”，其次是“C2”和“C3”，然后依次是“C6” “C7”，最差的是“C4”。

圖6 模型模擬結(jié)果

三、結(jié)論

本文通過比較競爭力綜合評(píng)價(jià)方法和人工神經(jīng)網(wǎng)絡(luò)方法，指出了人工神經(jīng)網(wǎng)絡(luò)在評(píng)價(jià)競爭力應(yīng)用上的優(yōu)勢(shì)，并通過文獻(xiàn)發(fā)現(xiàn)使用BP網(wǎng)絡(luò)具有可行性；在介紹了BP網(wǎng)絡(luò)的基本原理之后，借助Matlab7.0軟件構(gòu)建了評(píng)價(jià)C2C電子零售商競爭力的二層BP網(wǎng)絡(luò)，通過訓(xùn)練，使網(wǎng)絡(luò)達(dá)到了良好的性能，并仿真得到了6個(gè)C2C電子零售商的綜合競爭力，這再次說明了應(yīng)用BP網(wǎng)絡(luò)評(píng)價(jià)C2C電子零售商的競爭力具有可行性，具有較強(qiáng)的應(yīng)用推廣性。但是，在使用BP網(wǎng)絡(luò)評(píng)價(jià)競爭力時(shí)應(yīng)選擇可靠的指標(biāo)體系和權(quán)威的數(shù)據(jù)對(duì)來訓(xùn)練網(wǎng)絡(luò)，否則計(jì)算結(jié)果會(huì)不準(zhǔn)確。

參考文獻(xiàn):

[1]李煜華胡運(yùn)權(quán)胡瑤瑛:基于BP 神經(jīng)網(wǎng)絡(luò)的老工業(yè)基地企業(yè)核心競爭力的綜合評(píng)價(jià).商業(yè)研究，2006，05

[2]高小紅郭軍:基于BP人工神經(jīng)網(wǎng)絡(luò)的企業(yè)競爭力預(yù)測(cè)模型.中國礦業(yè)，2004，08

[3]吳曉偉徐福緣:基于神經(jīng)網(wǎng)絡(luò)的企業(yè)競爭力綜合評(píng)價(jià)方法.工業(yè)技術(shù)經(jīng)濟(jì)，2004，04

[4]陳紅轉(zhuǎn)王飛等:基于BP網(wǎng)絡(luò)的銀行競爭力綜合評(píng)價(jià).山東科技大學(xué)學(xué)報(bào)，2003，12

[5]聞新周露李翔張寶偉著:Matlab神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用.科學(xué)出版社，2003，07

[6]（美）哈根等著戴葵等譯:神經(jīng)網(wǎng)路設(shè)計(jì).機(jī)械工業(yè)出版社，2002，09

[7]趙麗:C2C電子零售商競爭力研究.中南財(cái)經(jīng)政法大學(xué)碩士學(xué)位論文，2008

注：“本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文?！?/p>