基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)在東豐縣開發(fā)區(qū)企業(yè)管理上的應(yīng)用

馬立艷 陳桂芬

摘要：為提高基層企業(yè)管理效率，根據(jù)吉林省東豐縣開發(fā)區(qū)2015年企業(yè)調(diào)查數(shù)據(jù)，使用粗糙集與RBF神經(jīng)網(wǎng)絡(luò)算法結(jié)合算法對企業(yè)工業(yè)生產(chǎn)總值、用電量、用工量等3個(gè)主要影響因素進(jìn)行分析，并根據(jù)各參數(shù)之間差異劃分企業(yè)等級。研究結(jié)果表明：根據(jù)算法對數(shù)據(jù)分類結(jié)果，該結(jié)果與東豐縣開發(fā)區(qū)企業(yè)分級情況比較接近，說明基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法， 是一種在企業(yè)綠色發(fā)展分級方面有效的評價(jià)方法;通過2種算法之間的可視化圖形對比，得出粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法較 BP神經(jīng)網(wǎng)絡(luò)算法分類效果更加明顯; 因而，基于 粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法對東豐縣開發(fā)區(qū)進(jìn)行企業(yè)劃分準(zhǔn)確性強(qiáng)、效率高、易于推廣，為東豐縣開發(fā)區(qū)關(guān)于企業(yè)管理工作起到技術(shù)指導(dǎo)作用。

關(guān)鍵詞：東豐縣開發(fā)區(qū);綠色發(fā)展;BP神經(jīng)網(wǎng)絡(luò);RBF神經(jīng)網(wǎng)絡(luò);粗糙集

中圖分類號(hào)：S-3文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.19754/j.nyyjs.20190615002

引言

企業(yè)是開發(fā)區(qū)生存與發(fā)展的重要基礎(chǔ)，企業(yè)的綠色發(fā)展是開發(fā)區(qū)健康發(fā)展的重要保障，確保開發(fā)區(qū)可持續(xù)發(fā)展的核心基礎(chǔ)保障，經(jīng)濟(jì)發(fā)展、綠色發(fā)展、科技發(fā)展成為開發(fā)區(qū)企業(yè)發(fā)展的3個(gè)重要因素[15]。以往對于企業(yè)的評估中，企業(yè)經(jīng)濟(jì)發(fā)展作為評估企業(yè)的重中之重，然后系統(tǒng)分析企業(yè)經(jīng)濟(jì)總值、納稅值等情況[16]，根據(jù)單一的經(jīng)濟(jì)數(shù)據(jù)決定企業(yè)在園區(qū)內(nèi)的幫扶力度和去留等工作，然而企業(yè)的規(guī)模、發(fā)展都不是均一的，是隨著社會(huì)因素的總體影響的，使用單一的幫扶企業(yè)政策既不能滿足多數(shù)企業(yè)的需求，甚至?xí)垢吣芎?、高污染的企業(yè)在開發(fā)區(qū)中密集出現(xiàn)。于是，各地開發(fā)區(qū)紛紛提出了綠色企業(yè)，根據(jù)企業(yè)多種變量來確定最適合區(qū)內(nèi)發(fā)展的企業(yè)，目標(biāo)是在降低能耗、提高科技的前提下，企業(yè)經(jīng)濟(jì)展情況最佳。

隨著科技在開發(fā)區(qū)管理中應(yīng)用的不斷進(jìn)步，為有效提高開發(fā)區(qū)管理能力，數(shù)據(jù)挖掘被廣泛應(yīng)用到企業(yè)管理中，神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)挖掘算法最廣泛使用的分類方法之一，已經(jīng)在模式識(shí)別、智能機(jī)器人、預(yù)測評估、經(jīng)濟(jì)等領(lǐng)域廣泛的領(lǐng)域解決了實(shí)際問題，其適用于非線性數(shù)據(jù)的處理，其主要功能有自學(xué)習(xí)、聯(lián)想儲(chǔ)存、高速尋找優(yōu)化解等，典型算法有：BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等。本研究根據(jù)東豐縣開發(fā)區(qū)企業(yè)的多樣性和差異性，利用數(shù)據(jù)挖掘中的BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)，對研究區(qū)域的人員投入、經(jīng)濟(jì)產(chǎn)出、能源消耗3種主要影響開發(fā)區(qū)進(jìn)行了分別研究，分析研究結(jié)果，為開發(fā)區(qū)企業(yè)綠色發(fā)展情況劃分起到指導(dǎo)作用。

1關(guān)鍵技術(shù)及算法介紹

1943年神經(jīng)網(wǎng)絡(luò)初期模型MP被提出，獨(dú)立神經(jīng)元能夠?qū)崿F(xiàn)執(zhí)行邏輯功能。

W.S.McCulloch和W.Pitts建立MP模型，實(shí)現(xiàn)了單獨(dú)神經(jīng)元能執(zhí)行相關(guān)邏輯功能。直到1986年，神經(jīng)網(wǎng)絡(luò)逐步發(fā)展成為BP算法， BP神經(jīng)網(wǎng)絡(luò)能夠解決實(shí)際問題。1988年，Broomhead和Lowe用徑向基函數(shù)（Radial basis function， RBF）提出分層網(wǎng)絡(luò)的設(shè)計(jì)方法[5]。

BP神經(jīng)網(wǎng)絡(luò)是一種多層的前向型神經(jīng)網(wǎng)絡(luò)，被稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)，在BP神經(jīng)網(wǎng)絡(luò)中，信號(hào)是前向傳播的，而誤差是反向傳播的，BP網(wǎng)絡(luò)通常由有一個(gè)至多個(gè)隱層以及一個(gè)輸出層構(gòu)成，能夠?qū)哂杏邢扌詡€(gè)不連續(xù)點(diǎn)的函數(shù)進(jìn)行逼近。人工神經(jīng)網(wǎng)絡(luò)常用來解決非線性分類問題，它通過對訓(xùn)練樣本的學(xué)習(xí)，自動(dòng)提取合理的的規(guī)則，對測試樣本具有良好的預(yù)測能力。但是，BP神經(jīng)網(wǎng)絡(luò)算法也存在局限性，對輸入樣本的預(yù)處理功能不強(qiáng)，易在局部極值點(diǎn)滯留，導(dǎo)致網(wǎng)絡(luò)收斂遲緩、或過早收斂等情況出現(xiàn)[6]。

BP神經(jīng)網(wǎng)絡(luò)的性能指標(biāo)為下：如公式1（節(jié)點(diǎn)之間權(quán)值為w，節(jié)點(diǎn)的閾值為b，輸出層節(jié)點(diǎn)數(shù)目為n，輸出層結(jié)果為d）：

E（w，b）=∑n-1j=0（dj-yj）2（1）

RBF神經(jīng)網(wǎng)絡(luò)同時(shí)前饋型神經(jīng)網(wǎng)絡(luò)。它以任意精度逼近任意的非線性函數(shù)，且具有全網(wǎng)絡(luò)逼近能力[2]，其性能極其優(yōu)良。它的網(wǎng)絡(luò)和模糊邏輯能夠?qū)崿F(xiàn)合作，真正提高算法的泛化能力。RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)可表示為：如公式2

f（x）=∑n-1j=0（dj-yj）2（2）

RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)存在以下區(qū)別：RBF在泛化能力上高于BP神經(jīng)網(wǎng)絡(luò)，在同精度的情況下，BP結(jié)構(gòu)更簡單[3，13];RBF神經(jīng)網(wǎng)絡(luò)精度高于BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)以完全接近真實(shí)程度，隨著訓(xùn)練樣本增多的前提下，其隱藏層增多，且明顯神經(jīng)元高于BP神經(jīng)網(wǎng)絡(luò)，使得網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，復(fù)雜程度也增大，運(yùn)算量也隨之增加;RBF神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)完全逼近能力，且收斂速度快;結(jié)構(gòu)不同，RBF神經(jīng)網(wǎng)絡(luò)通過不停調(diào)整全職直接逼近最小誤差，BP神經(jīng)網(wǎng)絡(luò)是通過梯度下降來接近預(yù)期目標(biāo);RBF具有最逼近性能和全域最優(yōu)特性，訓(xùn)練速度較快，BP神經(jīng)網(wǎng)絡(luò)速度較慢，學(xué)習(xí)速度基本是固定的，需要較長的訓(xùn)練時(shí)間;局限性不同，BP神經(jīng)網(wǎng)絡(luò)在計(jì)算過程中容易產(chǎn)生極小值現(xiàn)象，RBF會(huì)完全逼近真實(shí)值，不會(huì)陷入局部極小值[4，11]。

粗糙集理論能夠?qū)Σ淮_定、不完整的數(shù)據(jù)進(jìn)行有效處理的一種數(shù)學(xué)方法[8，9]。它建立在分類的基礎(chǔ)之上，對精確、不確定的數(shù)據(jù)處理比較客觀，在處理過程中，無需前期驗(yàn)算信息，僅需要提供戶數(shù)據(jù)集合[10]。針對該理論對原始數(shù)據(jù)中不確定、不完整的能力，使得其與處理不確定問題的理論形成互補(bǔ)[1]。

2粗糙集RBF神經(jīng)網(wǎng)絡(luò)在企業(yè)分級上的應(yīng)用2.1實(shí)驗(yàn)數(shù)據(jù)來源

實(shí)驗(yàn)數(shù)據(jù)來自吉林省東豐縣經(jīng)濟(jì)開發(fā)區(qū)，該區(qū)成立于2005年11月。經(jīng)過多年的發(fā)展，現(xiàn)已形成了以中小企業(yè)創(chuàng)業(yè)孵化基地、以梅花鹿特色產(chǎn)業(yè)、鑫達(dá)冶金鑄造產(chǎn)業(yè)、低碳產(chǎn)業(yè)孵化為特色的“三園一基地”的模式，開發(fā)區(qū)建筑面積為4.34km2，總面積約為13.41km2，共設(shè)置可租借使用廠房8棟24500m2，目前，開發(fā)區(qū)區(qū)內(nèi)企業(yè)達(dá)到220戶，其中工業(yè)企業(yè)82戶。收集整理該開發(fā)區(qū)2016年部分企業(yè)的生產(chǎn)總值、能耗情況、用工情況等數(shù)據(jù)（表 1），為建立企業(yè)綠色發(fā)展評價(jià)模型工作提供基礎(chǔ)數(shù)據(jù)。

2.2結(jié)果與分析

企業(yè)綠色發(fā)展?fàn)顩r企業(yè)人員、企業(yè)用電總量、企業(yè)生產(chǎn)等因素的影響，部分影響因素?zé)o法通過直觀數(shù)據(jù)得到。生產(chǎn)總值等于0時(shí)說明企業(yè)可能已經(jīng)停工或搬遷，企業(yè)發(fā)展情況受生產(chǎn)總值的直接影響容易產(chǎn)生異常，為了使得數(shù)據(jù)更加準(zhǔn)確剔除生產(chǎn)總值為0的數(shù)據(jù)。

針對東豐縣開發(fā)區(qū)企業(yè)狀況數(shù)據(jù)，對企業(yè)數(shù)據(jù)中的企業(yè)人員、企業(yè)用電總量、企業(yè)生產(chǎn)總值3個(gè)指標(biāo)分別進(jìn)行歸一化處理。對開發(fā)區(qū)管理系統(tǒng)中的生產(chǎn)總值、用電量、用工情況分?jǐn)傊羻挝皇褂猛恋孛娣e，利用粗糙集理論進(jìn)行處理，并實(shí)現(xiàn)數(shù)據(jù)的歸一化。由多年工作在基層開發(fā)區(qū)工作人員根據(jù)工作、研究經(jīng)驗(yàn)分析總結(jié)，得出該基層開發(fā)區(qū)在單位土地面積的工業(yè)生產(chǎn)總值、用電量、用人工量權(quán)重，因?yàn)橐陨蠈傩灾g依賴度較高，所以去除任一屬性，分類情況都需要重新確定，在綜合考慮屬性之間的重要度，得到工業(yè)生產(chǎn)總值、用電量、用人工量的綜合屬性值為0.55、0.25、0.2。

根據(jù)前期對數(shù)據(jù)的處理，利用最終權(quán)重對RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分析，借助數(shù)據(jù)歸一化處理更能有效的處理開發(fā)區(qū)管理數(shù)據(jù)?？紤]開發(fā)區(qū)企業(yè)綠色發(fā)展情況將將開發(fā)區(qū)企業(yè)綠色發(fā)展等級劃分為4個(gè)等級，用S代表企業(yè)綠色發(fā)展等級區(qū)間，其中一類企業(yè)得分為<0.8，二類企業(yè)得分為≥0.8、<1.5，三類企業(yè)得分為≥1.5、<3.5，四類企業(yè)得分為≥3.5。 在上述基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)算法和粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法對東豐縣開發(fā)區(qū)2015年企業(yè)綠色發(fā)展情況情況數(shù)據(jù)進(jìn)行對比分析。

從表2可知，BP神經(jīng)網(wǎng)絡(luò)所得分類結(jié)果中一類企業(yè)1個(gè)，二類企業(yè)4個(gè)，三類企業(yè)11個(gè)，四類企業(yè)6個(gè)。粗糙集RBF神經(jīng)網(wǎng)絡(luò)所得分類結(jié)果為一類企業(yè)3個(gè)，二類企業(yè)3個(gè)，三類企業(yè)9個(gè)，四類企業(yè)7個(gè)。兩種算法均無孤立點(diǎn)現(xiàn)象出現(xiàn)。

從表3可以看出2015年粗糙集RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)分類精度是95.45%、86.3%，從結(jié)果可以看出粗糙集RBF對屬性數(shù)據(jù)能得到精準(zhǔn)劃分，無孤立點(diǎn)現(xiàn)象出現(xiàn)，分類誤差率底，對開發(fā)區(qū)企業(yè)綠色發(fā)展情況分級具有實(shí)用價(jià)值。

可視化的圖形模式分析。通過粗糙集RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)對分類結(jié)果分別以可視化圖形模式進(jìn)行對比分析。對比結(jié)果如圖2所示，從圖2可以明顯看出：2種分類結(jié)果于專家給定數(shù)據(jù)吻合度較高，粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法分類效果較BP神經(jīng)網(wǎng)絡(luò)算法明顯，尤其是在分級內(nèi)的吻合度更高一些，RBF神經(jīng)網(wǎng)絡(luò)分類與專家給出的實(shí)際情況相符，說明粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法更能夠高效、精準(zhǔn)的進(jìn)行企業(yè)綠色發(fā)展等級的劃分。

3結(jié)果與討論

本文分別通過運(yùn)用BP神經(jīng)網(wǎng)絡(luò)和粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法，對東豐縣的企業(yè)綠色發(fā)展數(shù)據(jù)進(jìn)行等級劃分，在綜合考慮了影響企業(yè)分級的各類數(shù)據(jù)權(quán)重問題，驗(yàn)證了神經(jīng)網(wǎng)絡(luò)算法在開發(fā)區(qū)企業(yè)綠色評價(jià)上的可行性。經(jīng)過對比分析可以看出，粗糙集 RBF神經(jīng)網(wǎng)絡(luò)算法能較好地實(shí)現(xiàn)企業(yè)綠色發(fā)展的評價(jià)。

提出改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)，將粗糙集與RBF進(jìn)行有效結(jié)合，兩者的結(jié)合能夠具有互補(bǔ)性，數(shù)據(jù)結(jié)構(gòu)在具有完整性的同時(shí)提高精度。

基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法屬性權(quán)值因子的提取和確定，通過對各屬性權(quán)重的綜合測定，確定該基層開發(fā)區(qū)企業(yè)發(fā)展管理數(shù)據(jù)工業(yè)生產(chǎn)總值、用電量、用人工量的綜合權(quán)重為0.55、0.25、0.2。

將改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)算法與BP神經(jīng)網(wǎng)絡(luò)算法運(yùn)用在2015年開發(fā)區(qū)企業(yè)發(fā)展管理數(shù)據(jù)進(jìn)行對比分析，RBF神經(jīng)網(wǎng)絡(luò)算法能較好的實(shí)現(xiàn)企業(yè)管理數(shù)據(jù)的分析，其中粗糙集RBF神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)在15a數(shù)據(jù)的準(zhǔn)確率分別為95.45%、86.3%，結(jié)合可視化的圖形模式對比分析結(jié)果更加明顯。

上述分析結(jié)果表明，對企業(yè)綠色發(fā)展情況的劃分使得開發(fā)區(qū)發(fā)展趨于向上，對區(qū)域經(jīng)濟(jì)、生態(tài)效能的提高具有長久的現(xiàn)實(shí)意義。本實(shí)驗(yàn)在企業(yè)數(shù)據(jù)應(yīng)用上僅選擇1a數(shù)據(jù)，其結(jié)果只說明了算法的應(yīng)用性，本文將要繼續(xù)通過更多的實(shí)驗(yàn)結(jié)果進(jìn)行驗(yàn)證。

參考文獻(xiàn)

[1] 賈晨光，陳桂芬.基于粗糙集C4.5算法的應(yīng)用[J].中國農(nóng)機(jī)化學(xué)報(bào)，2016，37（7）：149-153.

[2] 朱玉榮，呂建新.基于RBF神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷[J].農(nóng)機(jī)化研究，2012（5）：212-215.

[3] 王啟. 人工神經(jīng)網(wǎng)絡(luò)在函數(shù)逼近中的應(yīng)用研究[J]. 電腦開發(fā)與應(yīng)用， 2012， 25（7）：85-86.

[4] 孫紅輝， 張清華， 宋賢征. 基于RBF神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷[J]. 小型內(nèi)燃機(jī)與車輛技術(shù)， 2009， 38（1）：70-72.

[5] 王晶晶. 一種改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)算法的研究[J]. 華中師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2016， 50（3）：349-352.

[6] 吳潔， 曲暢， 王華. 基于BP神經(jīng)網(wǎng)絡(luò)的腦卒中患者分類方法研究[J]. 無線互聯(lián)科技， 2016（24）：140-142.

[7] 馬斌， 張麗艷. 一種基于徑向基神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率直接預(yù)測方法[J]. 電力系統(tǒng)保護(hù)與控制， 2015， 43（19）：78-82.

[8] 楊玉琴， 陳桂芬， 郭宏亮. 大數(shù)據(jù)處理技術(shù)在土壤肥力評價(jià)中的研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2016， 37（4）：233-236.

[9] 蔡麗霞， 陳桂芬. 基于數(shù)據(jù)挖掘算法土壤肥力狀況的分析研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2014， 35（3）：252-255.

[10] 于合龍， 劉杰， 馬麗. 基于 Web 的設(shè)施農(nóng)業(yè)物聯(lián)網(wǎng)遠(yuǎn)程智能控制系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2014， 35（2）：240-245.

[11] 陳軍令. 基于徑向基神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警研究[D]. 中南大學(xué)， 2013.

[12] 吳浩亮， 孟令啟， 王建勛. 基于RBF神經(jīng)網(wǎng)絡(luò)的中厚板軋制寬展模型[J]. 機(jī)械設(shè)計(jì)， 2010， 27（4）：21-24.

[13] 胡勁松， 楊世錫. EMD方法基于徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測的數(shù)據(jù)延拓與應(yīng)用[J]. 機(jī)械強(qiáng)度， 2007， 29（6）：894-899.

[14] 曾慶謙. 基于神經(jīng)網(wǎng)絡(luò)的船舶運(yùn)動(dòng)姿態(tài)建模預(yù)報(bào)[D]. 哈爾濱工程大學(xué)， 2008.

[15] 鄒鵬. 基于數(shù)據(jù)倉庫的遼寧省中小企業(yè)產(chǎn)業(yè)集群戰(zhàn)略設(shè)計(jì)[D]. 沈陽理工大學(xué).

[16] 諸克軍. 經(jīng)濟(jì)管理中軟計(jì)算的理論與方法[M]. 華中科技大學(xué)出版社， 2009.

作者簡介：馬立艷（1987-），女，研究方向：人工智能與計(jì)算機(jī)農(nóng)業(yè)應(yīng)用;陳桂芬（1956-），女，教授，研究方向：人工智能與數(shù)據(jù)挖掘、精準(zhǔn)農(nóng)業(yè)。