人工神经网络评价方法ppt课件

,单击此处编辑母版标题样式,*,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,单击此处编辑母版文本样式,二级,三级,四级,五级,*,系统综合评价课程演示片,人工神经网络评价方法,1,本节课包括以下内容,1.人工神经网络基础知识,2.,BP,网络及,BP,算法,3.实例演示,2,一、人工神经网络的概念,人工神经网络是一个,并行、分布处理结构,，,它由处理单元及连接的无向信号通道互联而成。这些处理单元具有局部内存，并可以完成局部操作。每一个处理单元有一个单一的输出联接，这个输出可以根据需要被分成希望个数的许多并行联接，且这些并行联接的输出相同的信号及相应的处理单元的信号，,信号的大小不因分支的多少而变化。,处理单元的,输出信号可以是任何需要的数学模型,，,每个处理单元中进行的操作必须是完全局部的,。也就是说，它必须仅仅依赖于经过输入连接到达处理单元的所有输入信号的当前值和存储在处理单元局部内存中的值。,3,人工神经网络的八个要素,一组处理单元,处理单元的激活状态,输出函数,联接模式,传递规则,激活规则,学习规则,样本集合,4,PPD模型图,w1i,w2i,wni,Neti=xjwji,ai=Fi(ai,neti),oi=f(ai),5,二、生物神经网络,构成,信号处理过程,基本特征,6,神经元及其联接；,神经元之间的联接强度决定信号传递强度；,神经元之间的联接强度是可以随训练改变；,信号可以起刺激作用，也可以起抑制作用；,一个神经元接受的信号的累积效果决定其状态；,每个神经元可以有一个阈值；,7,三、人工神经元,基本构成,对每一个神经元来说都会接受一组输入信号，每个输入信号都对应一个权，所有输入的加权和决定该神经元的激活状态。,设：,（,1,，,x,2,，,x,n,）输入向量,W,=(w,1,，,，,),联接权向量,ne,t,i,=,x,i,w,i,网络输入,net=,XW,8,激活函数,希望人工神经元有一个更一般的变换函数，用来执行该神经元所获得的网络输入的变换，这就是激活函数。,o=f(net),几种典型的激活函数：,9,几种典型的激活函数,1.,线性函数：,2.,非线性斜面函数：,net,-,net,net,10,几种典型的激活函数,4.S,型函数,其中，当,a=0,，,b=1,时为函数最简单形式，饱和值为：,0,，,1,11,四、联接模式,层内联接：,本层内的神经元到本层内的神经元的联接，用来加强和完成层内神经元的竞争。,循环联接：,神经元到自身的联接,层间联接：,不同层间中的神经元的联接，实现信号的传递,12,反馈方式中达到平衡的过程,层间联接包括前馈信号和反馈信号,反馈方式中达到平衡的过程,13,五、分层结构,单级网,简单单级网：,下面以简单单级网为例，说明神经网络的分层结构，其余形式据此可理解。,网络输入向量：,（,1,，,x,2,，,x,n,）,网络输出向量：,O,（,o,1,，,o,2,，,o,n,）,输入层的神经元不对信号做任何处理，只起到扇出作用,14,简单单级网的网络图,x1,x2,xn,.,输入层,输出层,o1,o2,on,15,简单单级网,权矩阵：,W=(,w,ij,),输出层第,j,个元素的网络输入为,net,j,net,j,=x,1,w,1j,+x,2,w,2j,+.+,x,n,w,nj,NET=(net,1,net,2,.,net,m,),NET=XW,O=F(NET),16,分层结构,单级横向反馈网,多极网,层次划分,非线性激活函数,循环网,17,六、人工神经网络的训练,训练：将由样本向量构成的样本集合输入到人工神经网络的过程中，按照一定方式调整神经元之间的联接权，使得网络在接受输入时可以给出适当的输出。,18,无导师学习,不需要目标，训练集中只含有输入向量，训练算法致力于修改权矩阵，使网络对相似输入可以给出相似的输出,。,19,有导师学习,在训练中，要求用户在给出输入向量的同时，给出对应的输出向量，二者构成一个训练对。,主要步骤：,从样本集合中取一个样本,(Ai,Bi),计算出实际输出,O,求,D=Bi-O,根据,D,调整权矩阵,W,每个样本重复这个过程，直到误差不超过规定范围,20,Delta规则,21,七、异或问题,异或运算,x=y,其他,22,一、基本概念,BP,算法：,在于利用输出层的误差来估计输出层的直接前导层的误差，再用这一误差估计更前一层的误差，这就形成了将输出端表现出的误差沿着与输入信号传送的方向逐级向网络的输入端传递的过程。,BP,网络：,使用,BP,算法进行学习的多级非循环网络。,23,利用BP网络进行评价的优点,它主要根据所提供的数据,通过学习和训练,找出输入与输出之间的内在联系,从而求取问题的解。而不是依据对问题的经验知识和规则,因而具有自适应功能,这对于弱化权重确定中人为的因素是十分有益的。,能够处理那些有噪声或不完全的数据,具有泛化功能和很强的容错能力。,由于实际综合评估往往是非常复杂的,各个因素之间互相影响,呈现出复杂的非线性关系,人工神经网络为处理这类非线性问题提供了强有力的工具,24,二、基本BP算法,神经元,激活函数,网络输入：,net,j,=x,1,w,1,+x,2,w,2,+.+,x,n,w,n,输出,net=0,时，,o,取值,0.5,，,net,落在,(-0.6,0.6),之间，,o,的变化率较大，收敛比较快，应把,net,控制在这个范围内。,25,网络的拓扑结构,输入向量、输出向量的维数及隐藏层层数，隐藏层神经元数由问题决定。,多数情况下，,BP,网络选用二级网络,训练过程,向前传播阶段,:,从样本集中取一个样本,(,Xp,Yp,),将,Xp,输入网络；计算相应的实际输出,Op,向后传播阶段：计算实际输出与相应的理想输出的差；按最小化误差的方式调整权矩阵,26,误差传播分析,输出层权的调整,27,隐藏层权的调整,wp1,1k,wp2,2k,wpm,mk,ANq,第,k,层,第,k-1,层,第,k-2,层,ANh,ANp,vhp,pk-1,28,隐藏层权的调整,29,基本BP算法,for h=1 to M do,初始化,W,(h),;,初始化精度控制参数,E=,+1,While E,do,E=0;,对,S,中的每一个样本,(,X,p,Y,p,):,计算出,X,p,对应得的实际输出,O,p,;,计算出,E,p,;,E=E+,E,p,;,调整,W,(M),;,h=M-1;,while h,0 do,调整,W,(h),;,h=h-1,E=E/2.0,30,三、算法的改进,for h=1 to M do,初始化,W,(h),;,初始化精度控制参数,E=,+1,While E,do,E=0;,对,S,中的每一个样本,(,X,p,Y,p,):,计算出,X,p,对应得的实际输出,O,p,;,计算出,E,p,;,E=E+,E,p,;,对所有,i,j,：计算,对所有,i,j,：,h=M-1;,while h,0 do,对所有,i,j,：,对所有,i,j,：,h=h-1,对所有,i,j,h,E=E/2.0,31,四、BP学习算法程序框图,基本思路：按照,Delta,规则，对各层权进行调整，从而使精度要求满足,Ep,其中，,Ep,满足公式：,BP,学习算法程序框图,32,几个问题的讨论,收敛速度问题,局部极小点问题,网络瘫痪问题,稳定性问题,步长问题,33,基于神经网络的企业效绩综合评价,建立系统的评价指标体系：然后才能采用适当的方法进行评价。根据评价的全面性和可比性原则,企业效绩主要从财务效益状况、资产营运状况、偿债能力状况以及发展能力状况,4,个方面来全面综合考核企业绩效,评价值和综合评价得分的获得方法：参照财政部颁布的大型普通机械制造业各指标的最优和较差标准值。各评价指标的标准值的计算：,34,指标体系的构成,财务效益状况,净资产收益率,总资产收益率,资本保值增值率,成本费用利润率,资产运营状况,总资产周转率,流动资产周转率,存货周转率,应收账款周转率,偿债能力状况,资产负债率,产权比率,速动比率,现金流动负债比率,发展能力状况,销售增长率,资本积累率,总资产增长率,固定资产成新率,35,36,利用BP网络进行计算,换算为评价值,用上述公式将实际值换算为评价值和评价得分,使用,MadLap,计算,37,评价结果分析,应用网络通过对本企业历史数据的训练,利用训练好的网络可以简便有效地评价企业当期各个方面的评价值,进而得出企业整体效绩大小。在实际操作中,通过评价标准大小的选取,比如选择行业优秀值,可以进行同类企业的横向比较,看出在市场竞争中企业的整体优劣状况和效绩排名。,38,谢谢诸位！,39,生物神经元,40,网络的拓扑结构,41,此课件下载可自行编辑修改，此课件供参考！,部分内容来源于网络，如有侵权请与我联系删除！感谢你的观看！,