基于極限學(xué)習(xí)機(jī)的出口食品加工企業(yè)檢驗(yàn)檢疫信用評(píng)價(jià)研究

徐勝林等

摘 要： 為全面有效地掌握及整合企業(yè)信用信息，國家質(zhì)檢總局建立了一套進(jìn)出口企業(yè)信用管理系統(tǒng)，制定了企業(yè)信用管理辦法及評(píng)價(jià)標(biāo)準(zhǔn)。文章在分析出口食品加工企業(yè)檢驗(yàn)檢疫信用評(píng)價(jià)指標(biāo)體系的基礎(chǔ)上，建立了一種基于極限學(xué)習(xí)機(jī)的檢驗(yàn)檢疫信用評(píng)價(jià)模型。實(shí)驗(yàn)結(jié)果證明，該模型可有效預(yù)測(cè)企業(yè)信用等級(jí)，僅需預(yù)先確定隱含層神經(jīng)元數(shù)目而無需設(shè)置其他參數(shù)，減少了人為干擾因素，可為檢驗(yàn)檢疫信用評(píng)價(jià)管理提供參考。

關(guān)鍵詞： 極限學(xué)習(xí)機(jī)； 檢驗(yàn)檢疫信用評(píng)價(jià)； 出口食品加工企業(yè)； 評(píng)價(jià)模型

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2015）05-04-03

Abstract： To control the credit of enterprises comprehensively and effectively， a credit management information system for imports and exports enterprises was constructed by the General Administration of Quality Supervision， Inspection and Quarantine of the Peoples Republic of China （AQSIQ）. Meanwhile， the regularization and evaluation criterion for the credit of enterprises were built. In this paper， a rating model for the inspection and quarantine credit of export food processing enterprises is proposed based on the Extreme Learning Machine （ELM）. The experimental results prove that the model could effectively predict the credit of enterprises. Only the number of neuron in the hidden layer needs to be set manually. Therefore， the artificial factors are decreased. The model could provide a scientific reference for rating the inspection and quarantine credit.

Key words： extreme learning machine； inspection and quarantine credit； export food processing enterprise； rating model

0 引言

建設(shè)社會(huì)信用體系，是完善我國社會(huì)主義市場(chǎng)經(jīng)濟(jì)體制的客觀需要，是整頓和規(guī)范市場(chǎng)經(jīng)濟(jì)秩序的治本之策，是促進(jìn)社會(huì)經(jīng)濟(jì)健康協(xié)調(diào)可持續(xù)發(fā)展的先決條件，也是與國際慣例接軌、加強(qiáng)進(jìn)出口產(chǎn)品質(zhì)量安全監(jiān)管、提高中國企業(yè)和產(chǎn)品的國際形象與市場(chǎng)競(jìng)爭(zhēng)力的必經(jīng)之路。

質(zhì)檢系統(tǒng)進(jìn)出口企業(yè)檢驗(yàn)檢疫信用體系是中國社會(huì)信用體系建設(shè)的重要組成部分。通過建立和完善進(jìn)出口企業(yè)檢驗(yàn)檢疫信用體系，以檢驗(yàn)檢疫信用等級(jí)評(píng)定為基礎(chǔ)，實(shí)施進(jìn)出口企業(yè)分類管理。對(duì)信用等級(jí)較高的企業(yè)，減少抽檢和口岸查驗(yàn)比例；而對(duì)信用等級(jí)較低的企業(yè)，則加大抽檢和查驗(yàn)比例，從而實(shí)現(xiàn)在嚴(yán)密監(jiān)管的基礎(chǔ)上提高工作效率。

為全面、有效的掌握及整合企業(yè)信用信息，質(zhì)檢總局建設(shè)了進(jìn)出口企業(yè)信用管理系統(tǒng)，同時(shí)制定了企業(yè)信用管理辦法及評(píng)分標(biāo)準(zhǔn)。通過對(duì)進(jìn)出口企業(yè)檢驗(yàn)檢疫信用等級(jí)實(shí)施規(guī)范化、定量化、科學(xué)化的考核，改變以人的主觀判斷來確定企業(yè)信用等級(jí)的方式，促進(jìn)進(jìn)出口企業(yè)信用意識(shí)和產(chǎn)品質(zhì)量的提高，同時(shí)提高一線檢驗(yàn)檢疫工作效率。

傳統(tǒng)的信用等級(jí)評(píng)價(jià)方法是根據(jù)與檢驗(yàn)檢疫相關(guān)的信用指標(biāo)設(shè)定評(píng)定標(biāo)準(zhǔn)，然后建立專家系統(tǒng)進(jìn)行主觀或者客觀的綜合評(píng)價(jià)。這種方式存在兩個(gè)問題：一是不同指標(biāo)的一致性問題，信用指標(biāo)既包括定量指標(biāo)也包括定性指標(biāo)，不同評(píng)價(jià)指標(biāo)沒有一致的客觀因子分析；二是不同指標(biāo)的權(quán)重選擇問題，不同信用指標(biāo)在最終評(píng)級(jí)中所占的權(quán)重完全由人為設(shè)定，不具備客觀性。

近年來，為準(zhǔn)確、客觀、科學(xué)的進(jìn)行企業(yè)信用評(píng)價(jià)，國內(nèi)外很多學(xué)者做了大量研究工作，提出了人工神經(jīng)網(wǎng)絡(luò)法[1]、支持向量機(jī)法[3]等。這些方法存在計(jì)算復(fù)雜、參數(shù)設(shè)置較多、預(yù)測(cè)時(shí)間長等問題。本文使用極限學(xué)習(xí)機(jī)（ELM，Extreme Learning Machine）以出口食品加工企業(yè)為例，對(duì)企業(yè)檢驗(yàn)檢疫信用等級(jí)進(jìn)行評(píng)價(jià)。ELM是一種前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法[2]，它隨機(jī)產(chǎn)生輸入層與隱含層間的連接權(quán)重及隱含層神經(jīng)元閾值，且在訓(xùn)練過程中無需調(diào)整參數(shù)，只需設(shè)置隱含層神經(jīng)元個(gè)數(shù)即可獲得最優(yōu)解。與傳統(tǒng)訓(xùn)練方法相比，ELM速度快、參數(shù)少、泛化性能好[5]。

1 極限學(xué)習(xí)機(jī)

給定X={（xi，ti）|xi∈Rn，ti∈Rn，i=1，2，…，N}作為樣本集，其中xi為n×1維向量，ti為m×1維向量。包含K個(gè)隱含層節(jié)點(diǎn)、激勵(lì)函數(shù)為g（x）的ELM為：

其中：wi=（wi1，wi2，…，wid）T表示輸入層和隱含層第i個(gè)神經(jīng)元之間的權(quán)重，βi=（βi1，βi2，…，βim）T表示第i個(gè)神經(jīng)元和輸出值間的權(quán)重，oj是對(duì)應(yīng)第j個(gè)輸入數(shù)據(jù)的目標(biāo)值。ELM的目標(biāo)為，即存在βi，wj和bj滿足：

H為神經(jīng)網(wǎng)絡(luò)的隱含層輸出矩陣，H的第i列為對(duì)應(yīng)輸入x1，x2，…，xN的第i個(gè)隱含層神經(jīng)元輸出。黃[2]在前期研究中證明，ELM中無須調(diào)整權(quán)重和偏離值，僅須在算法開始執(zhí)行時(shí)任意給定一個(gè)輸入值。因此輸出權(quán)重可計(jì)算為最小均方誤差結(jié)果：

其中：為H的Moore-Penrose廣義逆矩陣。因此，最小訓(xùn)練誤差計(jì)算為：

ELM利用公式⑹，可以通過快速學(xué)習(xí)得到具有很好泛化性能的預(yù)測(cè)結(jié)果。針對(duì)本文的問題，企業(yè)信用評(píng)價(jià)指標(biāo)的輸入、輸出值之間不滿足線性關(guān)系，因此選擇單極性函數(shù)作為激勵(lì)函數(shù)：

g（x）=1/（1+e-x） ⑺

2 出口食品加工企業(yè)檢驗(yàn)檢疫信用指標(biāo)體系構(gòu)建

出口食品加工企業(yè)的信用指標(biāo)體系由企業(yè)衛(wèi)生注冊(cè)年限、出口檢驗(yàn)檢疫批次不合格率等12項(xiàng)評(píng)價(jià)要素組成[4]，其中包括數(shù)字型數(shù)據(jù)和離散型數(shù)據(jù)，指標(biāo)及相應(yīng)權(quán)重見表1。

根據(jù)各項(xiàng)指標(biāo)的得分，加權(quán)后可計(jì)算得到綜合評(píng)分。

3 數(shù)據(jù)處理方法

利用ELM進(jìn)行檢驗(yàn)檢疫信用評(píng)價(jià)，首先要根據(jù)指標(biāo)體系中要素的要求收集數(shù)據(jù)。目前，出口食品加工企業(yè)檢驗(yàn)檢疫數(shù)據(jù)主要來源于已有業(yè)務(wù)系統(tǒng)數(shù)據(jù)導(dǎo)入和人工錄入兩種方式。得到初始數(shù)據(jù)后需要對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換處理，包括將非數(shù)字值轉(zhuǎn)換為數(shù)字值、歸一化處理等。

歸一化處理是將所有數(shù)字歸一化到[0，1]區(qū)間內(nèi)，取消不同來源的數(shù)據(jù)間量級(jí)的差別，提高ELM預(yù)測(cè)的準(zhǔn)確性。本文采用最大最小法對(duì)信用評(píng)價(jià)指標(biāo)進(jìn)行歸一化處理：

其中xk表示評(píng)價(jià)指標(biāo)數(shù)據(jù)，xmax和xmin表示所有指標(biāo)的上下限。

4 實(shí)驗(yàn)結(jié)果及分析

本文選取10家出口食品加工企業(yè)的檢驗(yàn)檢疫信用數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，ELM算法中隱含層神經(jīng)元數(shù)目定為30。根據(jù)第3節(jié)中數(shù)據(jù)處理方法，對(duì)選取的指標(biāo)數(shù)據(jù)進(jìn)行數(shù)字轉(zhuǎn)化及歸一化處理，處理結(jié)果見表2。

本文首先使用表2中前9家公司的數(shù)據(jù)構(gòu)建訓(xùn)練集，第10家公司的數(shù)據(jù)作為測(cè)試集。圖1中給出對(duì)12項(xiàng)評(píng)價(jià)指標(biāo)分別預(yù)測(cè)的結(jié)果。表3中給出企業(yè)信用評(píng)價(jià)的預(yù)測(cè)結(jié)果。

接下來，我們使用表2中前8家公司的數(shù)據(jù)構(gòu)建訓(xùn)練集，第9、10家公司的數(shù)據(jù)作為測(cè)試集。圖2（a）和圖2（b）分別給出對(duì)這兩家公司12項(xiàng)評(píng)價(jià)指標(biāo)分別預(yù)測(cè)的結(jié)果。表4中為這兩家企業(yè)信用評(píng)價(jià)的預(yù)測(cè)結(jié)果?？梢钥闯觯捎谑褂玫挠?xùn)練樣本數(shù)比上一組實(shí)驗(yàn)少，預(yù)測(cè)誤差比上一組實(shí)驗(yàn)稍大。

5 結(jié)束語

本文使用ELM構(gòu)建了出口食品加工企業(yè)檢驗(yàn)檢疫信用評(píng)價(jià)模型，實(shí)現(xiàn)對(duì)企業(yè)信用歷史數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)。通過設(shè)置隱含層神經(jīng)元個(gè)數(shù)，自動(dòng)調(diào)整模型中的連接權(quán)重，確定輸入、輸出之間的內(nèi)在聯(lián)系，使模型具備預(yù)測(cè)能力。

通過使用ELM，改變了以人的主觀判斷來確定企業(yè)信用等級(jí)的方式，弱化了人為因素對(duì)預(yù)測(cè)結(jié)果的影響，提高了評(píng)價(jià)結(jié)果的準(zhǔn)確性、科學(xué)性。同時(shí)，與傳統(tǒng)訓(xùn)練方法相比，ELM速度快、參數(shù)少，能夠大大提高模型的訓(xùn)練速度，使模型更具有實(shí)際應(yīng)用的意義。

參考文獻(xiàn)：

[1] 王曉燕，嚴(yán)茂根.基于人工神經(jīng)網(wǎng)絡(luò)的出口食品加工企業(yè)檢驗(yàn)檢疫信用評(píng)價(jià)[J].計(jì)算機(jī)應(yīng)用與軟件，2010.27（5）：191-193

[2] G.Huang， Q.Zhu， C.Siew. Extreme learning machines： theory and applications[J]. Neurocomputing，2006.70（1-3）： 489-501

[3] 陳華.基于數(shù)據(jù)挖掘技術(shù)的企業(yè)信用評(píng)估研究[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2007.28（7）：192-194

[4] 孫穎杰，廖魯興，鄭華.出口食品加工企業(yè)檢驗(yàn)檢疫信用評(píng)價(jià)探討[J].檢驗(yàn)檢疫科學(xué)，2006.16（6）：47-50

[5] 黃宴委，吳登國，李竣.基于極限學(xué)習(xí)機(jī)的結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)恢復(fù)[J].計(jì)算機(jī)工程，2011.37（16）：241-243