利用神經網(wǎng)絡模型進行企業(yè)輔助決策的探討

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。

1 神經網(wǎng)絡模型

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 BP神經網(wǎng)絡的學習算法［5］

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。

3 結語

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.