神经网络量化综述篇1
（山西农业大学资源环境学院，山西太谷030801）
摘要：改革开放以来，中国的城镇化进程快速推进，在城镇化快速发展的同时，也产生了诸多问题，城镇化质量状况逐渐受到高度重视。为探清中国城镇化质量状况，通过构建指标体系，应用Bp神经网络方法，对中国31个省级行政区（包括直辖市和自治区）的城镇化质量状况进行了差异研究和分析，并提出了具有针对性和可行性的建议。
关键词：Bp神经网络；城镇化质量；指标体系；建议；中国
中图分类号：F291．1文献标识码：a文章编号：0439－8114（2015）01－0229-06
Doi：10．14088／j．cnki．issn0439－8114．2015．01．060
QualityDifferenceofUrbanizationinChinabasedonBpneuralnetwork
LiUXue，SUntai－sen
（Collegeofresourcesandenvironment，ShanxiagriculturalUniversity，taigu030801，Shanxi，China）
abstract：Sincethereformandopeningup，urbanizationhasbeenproceedingrapidlyinChina．Someproblemsgeneratedduringthisperiodandtheurbanizationqualityattractedgreatattention．toclarifytheurbanizationqualityinChina，theindexsystemwasbuilt，Bpneuralnetworkwasusedtostudytheurbanizationqualityin31provincial－leveladministrativeregionsinChina，andsuggestionswereputforward．
Keywords：Bpneuralnetwork；urbanizationquality；indexsystem；suggestion；China
收稿日期：2014－03－18
作者简介：刘学（1989-），男，河北秦皇岛人，在读硕士研究生，研究方向为土地利用与规划，（电话）18234487364（电子信箱）1456214165＠qq．com；
通信作者，孙泰森，教授，主要从事土地利用与规划研究，（电子信箱）suntaisen＠163．com。
当前，在国家着力推进和实施城镇化战略的社会背景条件下，中国城镇化进程明显加快，到2011年末我国大陆总人口134735万人，城镇人口69079万人，城镇人口占总人口的比重达51．27％，城镇化发展势头强劲，我国社会形态正在发生重大变化。然而，在城镇化快速发展的背景下，我国的城镇化进程中也出现了很多问题，主要表现在：城镇规模结构不尽合理，城镇对外辐射能力还比较弱；城镇宏观区域和内部空间布局等问题致使城镇盲目外扩，出现“城中村”等现象；城镇向农村转嫁环境污染，农村向城镇提供有害食品等生态环境问题；城乡差距不断加大，农民失地问题严重，基本公共服务未能实现均等化等一系列问题［1］。由此，为了探清我国城镇化质量状况，本研究从经济发展质量、环境质量、居民生活水平、公共交通水平、市政公用设施水平、城乡统筹水平6个方面，选取36个指标对我国31个省级行政区（包括直辖市和自治区，下同）的城镇化发展质量状况进行了差异研究，并根据研究结果，提出了具有针对性和可行性的建议。
1城镇化质量的内涵
关于城镇化质量的内涵，国内外学者给予了多种界定。其中，Sorokin等［2］侧重于认为城镇化质量是指人行为方式和价值观的转变状况。Schnore［3］认为城镇化质量是对一个社会整体的生活质量和价值观的综合水平的反映。朱洪祥［4］认为城镇化作为一个系统，它的质量应包括四个最基本的内涵：推动城镇化系统发展的“动力因子”、认识城镇化系统差异的“公平因子”、度量城镇化系统水平的“质量因子”以及测度对资源能源消耗和生态环境影响的“集约因子”。何平等［1］认为城镇化质量是指城镇化发展的综合水平，同时还包括其发展的集约性、公平性（均等化）和可持续性。魏后凯等［5］认为城镇化质量是指在城镇化进程中与城镇化数量相对的反映城镇化优劣程度的一个综合概念，特指城镇化各组成要素的发展质量、协调程度和推进效率。由上述各种对城镇化质量内涵的界定可知，上述几种内涵界定的本质基本相同，综合比较上述几种界定，笔者认为，魏后凯等［5］在《中国城镇化质量综合评价报告》中对城镇化质量的界定更具有权威性和代表性。由此，基于城镇化质量的内涵，在城镇化质量评价研究中，不仅要考虑城市发展质量，还要考虑城乡协调程度；不仅要考虑城镇化带来的文明成果，还要考虑为此付出的社会、经济、环境等方面的代价。
2城镇化质量研究的必要性
2．1开展城镇化质量研究，提高城镇化质量是现阶段城镇化进程中的新主题
中央经济工作会议上提出，要积极稳妥推进城镇化，着力提高城镇化质量。要围绕提高城镇化质量因势利导，趋利避害，积极引导城镇化健康发展。要把有序推进农业转移人口市民化作为重要任务抓实抓好。要把生态文明理念和原则全面融入城镇化全过程，走集约、智能、绿色、低碳的新型城镇化道路。由此可以看出，提高城镇化质量是新型城镇化道路的必然要求。因此，开展城镇化质量研究已成为相关学者的神圣使命和历史责任。
2．2开展城镇化质量研究是转变传统理念的标志
多年以来，城镇化率一直是衡量各地城镇化水平的惟一标准；很多时候，不断上升的城镇化率被直接视为不断提高的城镇化水平。人口城镇化是城镇化的核心，但并不是城镇化的全部，城镇化是一个综合的概念，它包括人口城镇化、土地城镇化、经济产业结构城镇化以及生活质量的城镇化。在城镇化进程中，单纯地以人口城镇化状况来衡量各地城镇化水平，会导致各地盲目、热衷追求城镇化率，而忽略了城镇化的实质，可能会带来一系列的问题，因为城镇化率并不是越高越好，城镇化速度亦非越快越好。城镇化的速度要与经济发展阶段、工业化程度、资源环境承载力、吸纳人口就业能力等相适应，否则会带来很多社会问题。因此，将城镇化质量作为评判各地城镇化水平的重要指标，开展城镇化质量研究是转变传统理念的标志，具有科学性和必要性。
2．3开展城镇化质量研究是解决城镇化进程中各类问题的需要
我国在城镇化战略推进过程中，遇到了多方面的问题。例如：大量农业转移人口难以融入城市社会，市民化进程滞后；土地城镇化快于人口城镇化；城镇规模结构不合理；“城市病”问题日益突出；体制机制不健全等。鉴于此，开展城镇化质量研究，查清各地在城镇化进程中所面临的突出问题，才能有针对性地采取措施来解决问题，引领各地城镇化健康发展，提高城镇化发展的综合水平。
3中国城镇化质量差异研究
3．1评价指标体系的构建
城镇化质量是一个综合的概念，是受多因素影响的系统工程，需要建立一套系统的指标体系来对其进行评价。构建指标体系时，要遵循相关性、主导性和可操作性原则，结合国内外相关研究成果［1，6，7］，本研究从经济发展质量、环境质量、居民生活水平、公共交通水平、市政公用设施水平、城乡统筹水平6个方面，选取36个指标来构建评价指标体系，对我国31个省级行政区的城镇化质量状况进行差异研究。城镇化质量评价指标体系见表1。
3．2评价方法的选取
本研究选用Bp神经网络方法对31个省级行政区的城镇化质量进行综合评价，Bp神经网络方法的计算过程通过软件matlab7．0来协助实现。
3．3Bp神经网络方法的实现过程
Bp神经网络是1986年由Rumelhart和mcCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。Bp神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。Bp神经网络模型拓扑结构包括输入层、隐含层和输出层。Bp神经网络具有良好的容错性，对于一个大规模的网络来说，个别节点和连接的损坏不会影响整体的结果；它具有很强的学习能力，网络可在学习过程中不断完善自己；它的结构简单明了，训练方法物理概念清楚，通用性较强［8］。我国城镇化质量评价的Bp神经网络模型是以Bp神经网络为平台，以城镇化质量评价指标体系为核心的城镇化质量评价模型。建立我国城镇化质量评价模型包括评价模型网络结构的确定，评价模型激活函数和训练函数的选取，评价模型网络配置参数的设置，原始数据的归一化，归一化后数据的分等量化，网络训练并用训练好的模型进行仿真6个步骤。
3．3．1评价模型网络结构的确定一个Bp神经网络包括输入层、隐含层和输出层。网络结构的确定主要指输入层神经元个数、隐含层神经元个数和输出层神经元个数的确定。我国城镇化质量评价的Bp神经网络模型的输入层神经元个数由城镇化质量评价指标体系所包含的指标个数来确定，输入层神经元个数本质上就是反映城镇化质量的因子个数，因而评价模型确定的输入层神经元个数为36。评价模型的输出层神经元个数则由输出目标决定，模型期望输出的是我国31个省级行政区的城镇化质量综合值，因此，确定输出层神经元个数为1。评价模型的隐含层神经元个数的确定影响网络的学习精度，一般而言，Bp神经网络隐含层神经元个数越多，学习精度就越高，但是该网络推广（即将网络应用于未经学习的输入量）的能力也会越差，所以如果确定的隐含层神经元个数过多，就会影响学习速度与推广能力。通过参考相关书籍和文献，对于三层Bp神经网络，隐含层神经元个数可由以下公式确定：，式中，j表示最终确定的隐含层神经元个数，m表示输入层神经元个数，n表示输出层神经元个数，a是取值在1～10的常数［8］。由此可以确定隐含层神经元个数的取值范围为7～16，对隐含层神经元个数分别取上述10个值进行模拟学习训练，发现当隐含层神经元个数取12时最合适。综上所述，我国城镇化质量评价的Bp神经网络模型的拓扑结构如图1所示。
3．3．2评价模型激活函数和训练函数的选取激活函数的选择是构建神经网络过程中的重要环节，即输入层、隐含层和输出层所需采用的传递函数，对于Bp神经网络而言，常用的激活函数有3种：S形函数（Log－sigmoid）、双极S形函数（tan－sigmoid）和线性函数（Liner）。S形函数和双极S形函数属于非线性函数，S形函数和双极S形函数主要区别在于函数的值域，S形函数值域是（0，1），而双极S形函数值域是（－1，1）。Bp算法要求激活函数要可导，而S形函数和双极S形函数都是可导的，所以适合用在Bp神经网络中。激活函数无论对于识别率或收敛速度都有显著的影响，在逼近高次曲线时，非线性函数的精度要比线性函数的精度高得多，因此输入层和隐含层多采用非线性函数；由于为了保持输出的范围，使得输出的结果分布在划定的范围内，所以，输出函数采用线性函数。综上所述，确定输入层和隐含层采用S形函数，输出层采用线性函数。
常用的训练函数有梯度下降Bp训练函数（traingd）和梯度下降自适应学习率训练函数（traingdx）。梯度下降Bp训练函数的收敛速度慢，而相比之下，梯度下降自适应学习率训练函数的收敛速度较快，所以，评价模型的训练函数采用梯度下降自适应学习率训练函数。
3．3．3评价模型网络配置参数的设置评价模型网络配置参数的设置包括学习速率、神经网络训练的目标误差、最大迭代次数和显示中间结果的周期4个方面的设置。学习速率参数设定时，不能选择太大，否则会出现算法不收敛，导致系统不稳定；也不能太小，否则会使训练时间过长。在一般情况下，倾向于选取较慢的学习速率，以保证系统的稳定性，学习速率的范围一般在0．01～0．80，本评价模型的学习速率选为0．05。目标误差是模型运算结果与输入期望之间的差值。在网络误差大于目标误差时，网络会调整各层权值及其阈值，重新进行训练，直到网络误差小于设定的目标误差为止，本评价模型的目标误差选为0．001。最大迭代次数的设定是保证网络在设定的最大次数内进行训练，使得目标误差达到设定值，本评价模型的最大迭代次数选为1000，显示中间结果的周期选为50。
3．3．4原始数据的归一化处理采用Sigmoid激励函数的Bp神经网络的输入必须在［0，1］之间，才能达到较高的精度，否则网络的性能会很差。同时为了消除各特征分量幅度差异的影响，防止小数值信息被大数值信息淹没，有必要对各评价指标进行归一化处理。归一化处理的公式如下：
正向指标：
3．3．5归一化后数据的分等量化我国城镇化质量评价的Bp神经网络模型最终输出的是31个省级行政区的城镇化质量综合值，对于输出的定量数据，模型选择某一定量数据所落入的区间为标准来分等评价。我国城镇化质量评价的Bp神经网络模型将最终输出的31个省级行政区的城镇化质量综合值分为6个等级，城镇化质量综合值分等情况见表2。
同时，经上述归一化处理后的城镇化质量评价各项指标在作为学习样本输入时也要进行分等，这样才能与城镇化质量综合值等级区间配伍，被Bp神经网络所接受。归一化处理后的城镇化质量评价各项指标的分等量化方法为：首先，计算出归一化后各项指标的平均值来作为三等和四等的分界值。其次，采用公式：
ai＝ai－1＋i×0．2×（1－a1）／i＋1（2≤i≤3）
计算出一等和二等、二等和三等的分界值。最后，采用公式：ai＝ai－1－i×ai－1×（1－a1）／i＋1（2≤i≤3）计算出四等和五等、五等和六等的分界值［9］。至此，城镇化质量评价的学习样本与输出期望值均予以确定，具体见表3。
3．3．6网络训练并仿真综上所述，在matlab7．0中输入相关命令进行网络训练，当网络训练次数达到95次时，其训练误差小于0．001，达到所期望的精度要求，并停止训练。输入命令使用网络进行仿真，得到城镇化质量实际输出的分界值分别为5．0172、3．9915、2．9791、2．0221、0．9896，与期望分界值相当接近。
3．4省域城镇化质量综合值的确定与分等
利用已经建立好的Bp神经网络，对表2中31个省级行政区归一化后的指标值均进行仿真，得到31个省级行政区城镇化质量的综合值，见表4。
按上述等级划分标准，对31个省级行政区的城镇化质量进行等级划分，等级划分结果见表5。
3．5评价结果分析
1）北京市的城镇化质量最高。北京市在影响城镇化质量的经济发展质量、环境质量、居民生活水平、公共交通水平、市政公用设施水平、城乡统筹水平6个方面均表现较好，城镇化质量最高。
2）上海市、天津市、广东省和海南省4个省级行政区的城镇化质量较高。上海市除城乡统筹水平外，其他5个方面均表现较好，在城乡统筹水平方面，上海市要注重增加对农村的投资，不断缩小与城镇投资的差距；天津市除公共交通水平和城乡统筹水平外，其他4个方面均表现较好，天津市公共交通整体水平较低，今后应该注重提高，同时，天津市的城镇固定资产投资与农村的比值最高，今后要更加注重增加对农村的投资；广东省各个方面的表现均较好；海南省同样应注重提高公共交通水平，同时，海南省的污水处理率和工业烟尘去除率较低，今后应该采取相应措施加以改善。
3）内蒙古、青海、广西、云南、宁夏、贵州6个省级行政区的城镇化质量较低。其在影响城镇化质量的6个方面均表现相对较差，今后要着重提高区域经济发展质量，与此同时，青海省还应注重改善环境质量和公共交通水平，广西还应注重提高居民生活水平和改善公共交通水平，云南省还应注重提高居民生活水平，宁夏还应注重改善公共交通水平，贵州省除环境质量外，其他方面都应该注重提高。
4）西藏和甘肃的城镇化质量最低，各方面均表现很差，城镇化建设方面依然任重道远。
5）总体看来，我国城镇化质量表现出比较显著的地区特征，东部地区的城镇化质量显著高于东北、中部和西部地区，这与我国各地区经济发展水平基本相符，即经济发展水平高的地区往往城镇化质量也较高，经济发展相对落后的地区城镇化质量也较低。
4对策与建议
基于城镇化质量的评价结果及分析，结合现阶段我国城镇化进程所遇到的问题，为提高我国城镇化质量，现提出以下建议。
4．1坚持以经济建设为中心，提高经济发展质量是提高城镇化质量的根本手段
依据评价结果可以看出，经济发展水平高的地区往往城镇化质量也较高，经济发展落后的地区城镇化质量也较低，由此可见，经济发展水平对城镇化质量起决定性作用。经济建设是兴国之要，是解决我国所有问题的关键，经济持续健康发展是开展各方面工作的物质基础，而提高经济发展质量是现阶段经济建设的核心任务，这也就要求各省级行政区要有效地实施经济结构的战略性调整，全面推进科技进步和创新，将保障和改善民生作为经济发展的最高目标，大力提倡建设资源节约型、环境友好型社会，如此才能不断提高区域城镇化质量。
4．2科学制定城镇化发展战略规划，为城镇化发展指明方向
城镇化要有科学的规划，各省级行政区要在国家城镇化战略的指导下，结合区域城镇化发展规律，科学、合理地制定长远的城镇化发展规划。区域城镇化发展规划要与本地区的经济社会发展规划、主体功能区规划、土地利用总体规划、生态环境保护规划、人口发展规划等相衔接，要把教育、医疗、文化、社会保障等配置好，做到公共服务的均等化。产业发展所需的基础设施、公共服务配套得好，就能创造更多的就业机会，吸引更多的人才。产业集聚和人口集聚有机结合的城镇化，质量会比较高，最终将促进经济社会的发展。
4．3打破城乡二元体制障碍，促进城乡一体化发展
城乡二元经济结构是我国在经济结构上存在的突出矛盾，也是我国相对贫困和落后的重要原因，打破城乡二元体制障碍，促进城乡一体化发展是提高我国城镇化质量的重要措施。由此，各省级行政区需要不断推进土地、户籍、财税、行政管理等各方面体制机制改革，为城镇化健康有序发展提供保障。比如：要创新农业人口有序转移机制，努力实现基本公共服务和社会保障全覆盖；创新农业转移人口承包土地和宅基地流转机制，积极破解城乡二元结构和城镇内部二元结构；创新资金多元筹措机制，尽量满足农村转移人口市民化的资金需要。
参考文献：
［1］何平，倪苹．中国城镇化质量研究［J］．统计研究，2013，30（6）：11－18．
［2］SoRoKinpa，ZimmeRmanCC．principlesofRural－UrbanSociology［m］．newYork：HenryHolt，1929．
［3］SCHnoReLF．Urbanizationandeconomicdevelopment：thedemographiccontribution［J］．americanJournalofeconomicsandSociology，1964，23（1）：37－48．
［4］朱洪祥．山东省城镇化发展质量测度研究［J］．城市发展研究，2007，14（5）：37－44．
［5］魏后凯，王业强，苏红键，等．中国城镇化质量综合评价报告［J］．经济研究参考，2013（31）：3－32．
［6］陈明，张云峰．城镇化发展质量的评价指标体系研究［J］．城市理论前沿，2013（2）：16－24．
［7］郝华勇．基于主成分分析的我国省域城镇化质量差异研究［J］．青岛行政学院学报，2011（5）：27－30．
［8］谭术魁，游和远．基于Bp神经网络的湖北省城市土地可持续利用评价［J］．科技进步与对策，2006（10）：147－150．
神经网络量化综述篇2
开展矿产资源综合区划功能分区研究，对进行差别化管理政策的制定、空间分区管理有理论和实践意义。在分析矿产资源综合区划影响因素的基础上，构建以资源条件、开发基础、生态条件、区域经济潜能为准则层的矿产资源综合区划二级区划的指标体系和分区体系。分析和讨论了矿产资源综合区划二级区划分区方法，并采用Bp神经网络方法对甘肃省矿产资源综合区划二级区划进行分类研究，将甘肃省划分为重点发展、一般发展、限制发展和禁止发展4类功能区。结果表明，Bp神经网络分类结果符合实际，是对传统区划方法的重要补充。
关键词：
综合区划；矿产资源；Bp神经网络；功能分区
区划是从区域角度观察和研究地域综合体，探讨区域单元的形成发展、分异组合、划分合并和相互联系，是对过程和类型综合研究的概括和总结[1]。综合区划是人与环境系统研究对可持续发展的重大理论贡献[2]，是当前地域系统研究和全球环境变化人文因素研究的热点[3,4]，不同部门综合区划研究也取得很多理论成果[5-9]。第三轮矿产资源规划编制要求开展矿产资源基础、开发条件、生态约束、区域发展需求等各因素整合起来的矿产资源综合区划研究，为分区规划、分类指导矿产资源勘查、开发利用与保护，为矿产资源规划编制提供理论依据。杨博等[10,11]已对矿产资源综合区划的概念内涵、区划体系、划分方法等作了大量研究，提出了较重要的理论成果。候华丽等[12]将矿产资源综合区划体系划分为两级，一级为地域分区，二级为功能分区。并认为二级区划指标体系应包含矿产资源基础条件、矿产资源开发条件、生态条件、地区经济发展水平等综合性指标。本文拟探讨矿产资源综合区划二级区划指标体系、分区方法，并以县区为基本单位，采用Bp神经网络方法开展甘肃省矿产资源综合区划二级区划功能分区研究，为丰富和拓展区划的方法和途径，并为矿产资源综合区划分区研究和矿产资源规划提供理论依据和实证参考。
1矿产资源综合区划二级区划指标体系与分区体系
1.1矿产资源综合区划二级区划指标体系
综合考虑矿产资源勘查、开发利用与保护全过程，可以发现其受到资源因素、环境因素、社会因素、经济因素等四个方面的影响。基于这些影响因素，在遵循全面性与可操作性、数据可获得性与可对比性、系统性和导向性等原则基础上，构建矿产资源综合区划二级区划指标体系，从而实现区域划分。其中目标层为矿产资源合理开发与区划可持续发展，准则层包括矿产资源条件、开发基础、生态条件和区域经济潜能等四个方面。准则层又由若干指标组成（表1）。
1.2矿产资源综合区划二级区划分区体系
依据矿产资源综合区划的定义，以及矿产资源综合区划指标体系，按照区划的目标和功能，划分矿产资源综合区划二级区划体系。根据矿产资源综合区划影响因素指标分析，可以知道矿产资源基础为综合区划核心要素，其他如开发条件、区域经济发展水平等因素是综合区划的重要影响因素，而生态条件矿产资源综合区划约束性因素。因此，本文认为矿产资源综合区划二级区区划应该包含重点发展、禁止开发、限制发展、一般发展等四种类型区，其中一般发展区为其他三类发展区的补充，不单独划分。因此，矿产资源综合区划二级区可划分为：矿产资源重点发展区、生态保护区（禁止开发区）、限制发展区和一般发展区。
2基于Bp神经网络的矿产资源综合区划功能分区
2.1矿产资源综合区划二级区划分区方法
矿产资源综合区划受自然、社会、环境、经济的综合影响，影响因子多，难以提取主要因子，同时不同因子之间又存在一定相关性，且每个因子贡献率也不同，导致矿产资源综合区划难以划分。现有比较常见的区划分析方法有：主导标志法、相关分析法、专家集成定性分析法、最终分类评价矩阵分类法[13]，逐步归并模型定量法等[14]。朱传耿等[15]采用最终分类评价矩阵分类法对地域主体功能区划进行实证研究，取得良好的成果，是目前常用的地域功能识别和划分方法方法。刘玉邦[16]等运用主成分与聚类分析方法进行农业水资源高效利用综合分区，这种方法可以避免人为的主观确定因子的权值，同时可以消除不同因子之间的相关性干扰，但此方法也易受影响[17]，导致聚类中心偏移。神经网络方法在区域划分中取得了很好地效果[18-23]，但表1矿产资源综合区划指标体系目标层准则层指标层具体指标矿产资源合理开发与区划可持续发展资源条件基础地质调查工作覆盖率查明资源储量大中型矿产地年度开采总量大中型矿山数量基础地质调查工作覆盖率基础储量资源量大型矿产地中型矿产地年度开采总量大型矿山数量中型矿山数量开发基础可利用土地资源可利用水资源交通优势度适宜建设用地率可利用水资源潜力交通密度交通干线交通枢纽生态条件生态重要性生态脆弱性生物多样性保护重要性水源涵养重要性土壤保持重要性防风固沙重要性地质灾害危险性矿山地质环境影响性水土流失易发性森林覆盖率区域经济潜能工业化阶段矿业所占比重三次产业产值结构人均GDp矿业经济占GDp比重目前应用神经网络进行库上次资源综合区划分区的案例还未见报道。本文拟选取产资源条件、开发基础、生态条件和区域经济潜能等指标层和指标因子，运用Bp神经网络方法，进行矿产资源综合区划二级区划分区划分，目的在于探索实践定量途径在区划划分中的应用，拓展区划的方法和途径。
2.2Bp神经网络及其理论基础
2.2.1神经网络的分类
神经网络理论的研究工作始于上世纪中页，mcmulloch和pitts首先提出神经元的形式化模型[24]，并进行逻辑函数运算，开启了人工神经网络的理论研究。经过多年的发展，人工神经网络的理论和应用研究在数学和工程学方面取得了丰硕的成果，产生出了诸如向前神经网络、反馈神经网络、随机神经网络及自组织神经网络等30多种不同类型、结构的神经网络等，这些模型又大致分为三类：前向神经网络（以Bp网络为典型代表），反馈神经网络（以Hopfidld网络为典型代表）以及自组织神经网络（以SoFm网络为典型代表）。从系统角度来看，Bp最适合解决分类问题，因为分类问题可视为分析计算静态的非线性映射f，Bp这种前向网络通过非线性处理能力可较好的逼近映射f。
2.2.2Bp神经网络模型的理论分析
Bp神经网络是基于Bp算法的多层前馈网络，其网络结构简单，算法成熟，具有自学习和自适应等优点。Bp算法通过输入、输出数据样本集，根据误差反向传递的原理，对网络进行训练，其学习过程包括信息的正向传播过程以及误差的反向传播这两个过程，对其反复训练，连续不断地在相对误差函数梯度下降的方向上，对网络权值和偏差的变化进行计算，逐渐逼近目标。典型的Bp神经网络由一个输入层、至少一个隐含层和一个输出层组成[25]（图1）。Bp神经网络模拟预测过程由以下四个阶段组成：（1）模式顺传播过程；（2）误差逆传播过程；（3）记忆训练过程；（4）学习收敛过程。最终形成模拟预测结果。
2.3Bp神经网络聚类步骤
2.3.1Bp神经网络构成
指标因子输入。在输入层输入指标因子，本文将12个指标层因子列为指标因子，即基础地质调查工作覆盖率、查明资源储量、大中型矿产地、年度开采总量、大中型矿山数量、可利用土地资源、可利用水资源、交通优势度、生态重要性、生态脆弱性、工业化阶段、矿业所占比重等。隐含层。进行Bp网络建模时，隐层数的确定至关重要。隐层数没有强制的规定，隐层数越多，模型识别训练样本的差异性越好，但计算机运行的中间过程越复杂，耗时越多，对于检验样本误差可能会增大。所以一般原则是：隐层数小于训练样本数的前提下，达到精度要求时的隐层数越少越好，本文将隐含层也设为12层。输出层。输出层根据研究目的而确定，笔者以农用地的土地适宜性为输出层。在Bp网络结构中，每层都是用数值来刻画，而农用地适宜性只是一个概念性的模型，因此笔者将概念模型用数值进行刻画。根据矿产资源综合区划二级区划分区体系，综合矿产资源不同功能分区，即开发强度、限制性强度和生态保护能力的高低，将二级区划开发适宜性分为4等，4为高度适宜，3为较适宜，2为一般适宜，1为不适宜。
2.3.2训练样品的选取
根据甘肃省实际，结合专家的知识经验，确定14个市州的12个指标层形成的二级区划开发适宜性指标作为训练样本，即给定14个市州二级区划开发适宜性评分，作为实际建模选择的样本。
2.4研究实例
2.4.1数据分析与处理
本研究以甘肃省为对象展开实证分析，以县区为基本单位进行数据收集和处理，主要针对二级区划指标层指标逐一收集，数据资源主要来源于《甘肃统计年鉴2013年》、《2013年甘肃省国土资源公报》等。主要针对指标层数据进行逐一分析说明：基础地质调查工作覆盖率：引用2013年甘肃省已完成的1：5万矿产远景调查图幅和面积，并与相关县域国土面积相比，得出各县的基础地质调查工作覆盖率；各县查明资源储量、大中型矿产地、年度开采总量、大中型矿山数量引用2013年矿产资源储量年报数据；可利用土地资源引用2008年土地总体利用规划数据；可利用水资源引用2013年甘肃统计年鉴数据；各县区交通优势度采用金凤君[26]等计算方法，依据甘肃省2013年铁路、公路网地理图属性数据计算得到；各县区生态重要性和生态脆弱性指标数据来源于甘肃省生态功能区划；各县区工业化阶段和矿业所占比重来源于2013年甘肃统计年鉴数据。矿产资源综合区划指标体系包括4项准则层，12项评价指标及项基础指标，每项指标都有不同的量纲单位，若要对指标进行Bp神经网络分析时，就必须要消除量纲的影响，进行无量纲化处理[27]。
2.4.2Bp神经网络计算
在matlab平台下，首先录入训练样本，即14个市州的指标数据进行网络训练，进而录入其他各县的各类指标数据，使用newff函数创建级联前向神经网络，输入层和输出层的神经元采用tansig传递函数，隐含层与输出层采用purelin函数，训练算法为trainlm。采取的训练精度设置为0.001。计算结果如图2所示。
2.4.3结果分析
从图2可得，Bp神经网络分类结果的空间聚集性较高，基本反映了甘肃省矿产资源分布的区域特征。Bp神经网络输出结果为4类区域。第一类为矿产资源重点发展区，第二类为矿产资源一般发展区，第三类为矿产资源限制发展区，第四类为生态保护区（禁止开发区）。每一类发展区都包括若干县区，每类发展区与所保护的县区都有很强的相关性，如重点发展区包含：金川区、平川区、崇信县、华亭县等4个县区，这些县都是矿产资源储量丰富，矿产资源开发强度高，矿业产值高的地区；限制发展区大都为矿产资源储量较为匮乏，或者开发基础条件较差，不适宜大规模进行矿产资源开发的地区；生态保护区（禁止开发区）如卓尼县、舟曲县、碌曲县、肃南县等，大都位于自然保护区，不适宜进行矿产资源开发。
3讨论
基于Bp神经网络开展的矿产资源综合区划二级区划分区，你搞过预测结果和验证分析，结果表明模型的建立与选择是符合实际的，且有以下优点：（1）能够快速把握区域的分异特点，进行大范围的区划工作；（2）Bp网络模型可以避免聚类分析的噪音影响带来的评价误差；（3）与专家经验集成的区划方法相比，Bp神经网络方法更加客观。但也有需要完善的地方，如典型样本（训练样本）的选择上，有一定的主观性；只进行了一种神经网络方法的分类研究，研究论证不够全面等等。但总体上，基于Bp神经网络进行的矿产资源综合区划二级区划分具有划分层次明显、区域分割清晰、客观性强等优点，是对传统区划方法的重要补充。在未来的工作中，应该加强对因子选择、典型样本选取方法研究，同时要运用多种神经网络方法开展分区研究，通过对不同方法的对比分析，总结出最优区划方案。
参考文献：
[1]郑度，葛全胜，张雪芹，等.中国区划工作的回顾与展望[J].地理研究，2005，24（3）：330-344.
[2]刘燕华，葛全胜，张雪芹.关于中国全球环境变化人文因素研究发展方向的思考[J].地球科学进展，2004，19（6）：889-895.
[3]吴绍洪.综合区划的初步设想[J].地理研究，1998，17（4）：367-374.
[4]刘燕华，郑度，葛全胜，等.关于开展中国综合区划研究若干问题的认识[J].地理研究，2005，24（3）：321-329.
[5]杨勤业，郑度，吴绍洪，等.20世纪50年代以来中国综合自然地理研究进展[J].地理研究，2005，24（6）：89-91．
[6]毛汉英，方创琳.我国新一轮国土规划编制的基本构想[J].地理研究，2002，21（3）：267-275
[7]陈守煜，李亚伟.基于模糊迭代聚类的水资源分区研究[J].辽宁工程技术大学学报，2004，23（6）：848-851.
[8]冯红燕，谭永忠，王庆日.中国土地利用分区研究综述[J].中国土地科学，2010，24（8）：71-76.
[9]金贵，王占岐，姚小薇，等.国土空间分区的概念与方法探讨[J].中国土地科学，2013，27（5）：48-53.
[10]杨博，吕新彪，魏彦芳.矿产资源综合区划的概念与方法探讨[J].国土与自然资源研究，2015（3）：50-53.
[11]杨博，吕新彪，魏彦芳.省级尺度矿产资源综合区划方法与应用[J].国土与自然资源研究，2015（6）：19-22.
[12]侯华丽，吴尚昆，张玉韩，周璞.对我国开展矿产资源综合区划相关问题的思考[J].国土资源科技管理，2015（03）：78-83.
[13]陈雯，段学军，陈江龙，等.空间开发功能区划的方法[J].地理学报，2004，59（增刊）：53-58.
[14]黄桂芝，董平，吴霜.可持续发展理论基本模式新探及数学模型研究[J].太原理工大学学报，2005，36（1）：103-106.
[15]朱传耿，仇方道，马晓冬，等.地域主体功能区划理论与方法的初步研究[J].地理科学，2007，27（2）：136-141.
[16]刘玉邦，梁川.基于主成分和模糊C-均值聚类算法的农业水资源高效利用综合分区[J].水文，2011，31（5）：57-63.
[17]秦福高，孙悦娟.聚类与关联规则挖掘进行结合的研究[J].电脑知识与技术，2011，7（14）：3418-3419.
[18]黄娇，高阳，赵志强，等.基于GiS与SoFm网络的中国综合自然区划[J].地理研究，2011，30（9）：1648-1659.
[19]刘娅，朱文博，韩雅，等.基于SoFm神经网络的京津冀地区水源涵养功能分区[J].环境科学研究，2015，28（3）：369-376.
[20]王江思，马传明，王文梅.基于SpSS和GiS的Bp神经网络农用地适宜性评价[J].地质科技情报，2013，32（2）：138-143.
[21]黄亚捷，叶回春，张世文.基于自组织特征映射神经网络的中国耕地生产力分区[J].中国农业科学，2015，48（6）：1136-1150.
[22]张学儒，张镱锂，刘林山.基于SoFm神经网络模型的土地类型分区尝试—以青藏高原东部样带为例[J].地理研究，2013，32（5）：839-847.
[23]袁满，刘耀林，危小建.基于模糊自组织神经网络的土地用途分区研究[J].国土资源科技管理，2013，30（6）：74-80.
[24]谢承泮.神经网络发展综述[J].科技情报开发与经济，2006，16（12）：148-150.
[25]李朝静，唐幼纯，黄霞.Bp神经网络的应用综述[J].劳动保障世界，2012（8）：71-74.
[26]金凤君，王成金，李秀伟.中国区域交通优势的甄别方法及应用分析[J].地理学报，2008，63（8）：787-798.
神经网络量化综述篇3
关键词：品牌竞争力；Bp神经网络；评估指标
一、前言
竞争是市场经济的本质，企业作为市场经济的主体也处在各种竞争中。当市场经历单一的产品竞争、质量竞争、价格竞争、广告竞争等等之后，以品牌为核心的竞争模式将会成为引领市场的主要形式。企业如果成功塑造了市场领导者品牌，就会形成持续有效的、创造无限价值的竞争力。
品牌竞争力是企业在市场决战中最重要的能力，用通俗的话说，如果你的产品比其他牌子的同类产品卖得好、卖得快、卖得贵、卖得久，就说明你的品牌竞争力强；反之，就说明你的品牌竞争力弱。因此，评估企业自身品牌的竞争实力成为摆在企业前的一个迫切议题。国内外的一些学者已从不同角度提出科学定量评估品牌竞争力的许多方法：市场表现评估法主要从品牌竞争力的表象方面进行评估；品牌综合管理能力指标评估法、品牌竞争力基础工作评估法都只单方面考虑从企业因素来衡量竞争力的强弱，未考虑品牌的顾客因素；与之相对应的基于顾客价值的品牌竞争力评估则没有考虑品牌对企业的价值体现。因此，本文基于品牌的顾客价值和企业价值的双重角度，从四个维度建立品牌竞争力评估的指标体系，并运用Bp神经网络模型预测目标品牌的竞争力。
二、品牌竞争力的评估指标体系
由于前述评估方法的片面性，其指标体系必然体现着不完善性。品牌竞争力的评估体系应综合体现品牌的顾客价值和品牌所反映企业的各方面能力的综合，基于顾客价值我们建立准则层——顾客的忠诚度，基于企业的品牌竞争力我们建立三个准则层——品牌市场能力、品牌管理能力和品牌基础能力。对于各个子准则层体现的具体因素内容如表1所示。
三、基于Bp神经网络的品牌竞争力评估模型
近年来，众多学者量化评估品牌竞争力的方法主要有层次分析法、线性回归分析法、第二代回归分析方法、模糊综合评判法等。神经网络的出现给多指标的系统评价提供了新思路，特别是Bp神经网络强大的自学自适应能力，在很多行业得到不同程度的成功应用，非常适用于对矛盾复杂的、近似的、不确定的知识环境做决策，能成功解决相关因素人为权重设计的主观性及相关系数的复杂计算。
（一）Bp人工神经网络基本原理
Bp网络是一种反向传递并能修正误差的多层反馈型网络，其结构一般由输入层、输出层和隐含层构成，层与层之间的神经元通过相应的网络权系数完全互连；同层内的神经元则无关联。神经网络在外界输入样本的刺激下不断改变网络的连接权值，将网络输出值和期望输出值的误差由输出层、隐含层、输入层的反向传递，以使网络的输出不断地接近实际的输出。
（二）基于Bp神经网络的品牌竞争力评估模型
1.人工神经网络模型结构的确定。根据自变量一般为Bp神经网络模型的输入层，因变量一般为输出层的原则，品牌竞争力的Bp神经网络模型中，指标体系中目标层品牌竞争力的大小为输出层，设强、中、弱三个判定层次；子准则层作为品牌竞争力的影响因子，其14个指标为输入层，分别为X（C1）-X（C14）。
为达到Bp神经网络容量大小和网络训练时间的良好效果，本模型中训练层的节点数取29个为最佳（隐含层的节点数=2倍输入节点数+1）。
2.样本选择与组织。在样本的选择中，应选择有显著代表性且分布均匀的、足够数量的样本。为评估目标品牌竞争力大小，可先选取一些本企业已开发的品牌或可获取的其他品牌产品的实际经营数据作为训练、测试样本。
3.输入层的确定。在表1提出的14个指标中，由于不同指标是从不同的角度反映品牌竞争力，指标之间又由于量纲不同，所以无法进行比较。因此，从最终评价值的确定和神经网络训练的收敛性考虑，需要对指标先进行无量纲化处理。
（1）定性指标：这些指标的评价值采用专家打分法进行评价，取值为0.0-1.0之间。
（2）定量指标：定量指标又分为正向指标，逆向指标和适度指标。
正向指标一般采用下面的线性递增函数进行描述：
yi=0x（c）≤x（c）x（c）≤x（c）≤x（c）1
x（c）≥x（c）
逆向指标一般采用下面的无量纲化标准函数：
yi=0x（c）≤x（c）x（c）≤x（c）≤x（c）1
x（c）≥x（c）
适度指标一般采用下面的函数进行无量纲化处理：
yi=
其中，q为该指标的最适合值。
4．训练函数的选择。由于输入层变量和输出层变量不成线性关系，所以隐含层一般选择Sigmoid函数为激励函数，即f（x）=，实现输入层和输出层的非线性映射。
5.Bp神经网络的训练和终止。在该模型中，我们引入动量批梯度下降函数，即一种批处理的前馈神经网络训练方法，不但提高了收敛速度，而且引入了一个动量项，有效避免了局部最小问题在网络训练中的出现。我们先将85%-90%的训练样本的指标值输入网络，按照公式一层一层的计算隐含层神经元和输出层神经元的输入和输出，当神经网络的输出值和实际输出值的均方误差超过某一阈值，则将误差函数沿输出层、隐含层、输入层反向传递，调整神经网络各个神经元的阈值和各层连接权值，使误差函数不断减小。在训练网络的过程中，训练一定次数后就停下来，用保留的15%-10%的测试样本检验此时网络的测试误差，当测试误差下降到目标误差精度以下时，则停止训练，此时则为最佳训练次数，模型输出值和实际输出值实现最优拟合。
6.目标品牌竞争力大小的评估。将要预测的品牌的指标值输入训练好的Bp神经网络，该模型就能相对客观地对该品牌的竞争力进行评估，输出层的输出值就是该品牌竞争力的判定值，通过判定值可知品牌竞争力的强弱（整个流程见图1）。
四、结束语
品牌的研究在中国还将走得更远，本文在现有研究的基础上提出将品牌竞争力的量化评估与人工智能进行简单结合，克服评估工作过程中人为因素的主观性及相关权数计算的复杂性，提高品牌竞争力评估的可信性与客观性，使评价结果更客观反映企业品牌建设的真实状况，为企业诊断品牌经营问题，打造核心竞争力经营决策提供更可靠的信息支持。
参考文献：
1.蒋亚奇,张亚萍.基于层次分析法的企业品牌竞争力评价与测度研究[J].经济研究导刊,2011(8).
2.王文川等.品牌竞争力模糊灰色综合评价方法研究[J].统计与决策,2010(6).
3.周玫.基于顾客忠诚的品牌竞争力评价分析[J].当代财经,2005(9).
4.范秀成.品牌权益及其测评体系分析[J].南开管理评论,2000(1).
5.李煜华等.基于Bp神经网络的老工业基地企业核心竞争力的综合评价[J].商业研究,2006(5).
6.许晓泓.品牌竞争力开放度评估方法的建构[J].绿色财会,2006(8).
7.陈宝忠.我国企业品牌竞争力研究[D].南昌大学,2005(6).
8.卢泰宏.品牌资产评估的模型与方法[J].中山大学学报(社会科学版),2002(3).
9.张启胜等.品牌竞争力的评价指标体系、模型及应用[J].企业家天地?理论版,2006(4).
神经网络量化综述篇4
关键词：边坡安全；稳定性；评价方法
中图分类号：U416.14文献标识码：a文章编号：1009-8631（2012）07-0053-01
1引言
边坡安全稳定问题一直是岩土工程的一个重要研究内容，而边坡稳定性评价结果的正确与否直接关系到边坡工程的成败。目前边坡稳定性评价方法多种多样，但由于边坡稳定受多方面因素影响，而各因素具有不确定性（模糊性、随机性、信息不完全性和未确定性）和复杂性，故传统的确定性分析方法如极限平衡理论用于边坡分析，结果不是十分理想。但不论是确定性分析如蒙特-卡洛模拟法、一次二阶矩法，还是不确定性方法如模糊数学、灰色理论、数量化理论和信息模型法等，其用于边坡稳定性评价的准确性与实际情况仍有差距。对于边坡稳定性评价方法的综合认识，早在1999年丁恩保教授等就已进行过分类，他们主要根据各种方法对边坡稳定性评价的量化程度为依据，分为定性分析法、定量分析法、非确定性分析法、物理模型法和现场监测分析法等五种。综合来看，目前边坡安全稳定评价方法主要集中在四个方面。
2边坡稳定评价方法
2.1人工神经网络和遗传算法评价法
在人工神经网络方面，邢爱国等应用改进的Bp神经网络模型对国道107线清连一级公路部分高危边坡进行稳定性评价研究。于子国等采用非线性理论研究边坡的变形破坏机理，建立稳定性评价模型，用遗传-神经网络从中获取稳定性评价和判断的知识进而构建系统，对各类边坡稳定状态做出评价。赵健将Kohonen神经网络应用于边坡稳定性分析，建立评价边坡稳定状态的网络模型。姜德义等结合重庆地区的地质条件和高速公路建设实践，分析影响重庆地区高速公路土质和岩质边坡稳定性的主要因素，运用人工神经网络方法，以重庆地区大量高速公路边坡实例为样本对其进行学习和预测。
综合来看，人工神经网络是依据人脑结构的基本特征发展起来的一种信息处理体系或计算体系，是对神经系统的数学抽象和粗略的逼近和模仿。研究表明，在岩土边坡工程系统分析领域内采用神经网络具有独特的优势，利用神经网络理论，可以尽可能多地将各种影响因素作为输入变量，建立这些定性或定量影响因素同边坡安全系数和变形量之间的高度非线性映射模型，然后用模型来预测和评价边坡的安全性。毛谦等将遗传算法引入三维边坡稳定分析中，用7个控制参数模拟生成滑裂面，再运用遗传算法来搜索滑坡最不利滑裂面，对于存在确定滑裂面的滑坡，将此滑裂面作为整体滑裂面计算其整体稳定安全系数，然后在整体稳定的基础上，运用遗传算法搜索滑坡内部最不利滑裂面，得出滑坡最小的稳定安全系数。
综合分析可知，遗传算法不受搜索空间限制性假设的约束（如连续性、导数存在等），克服了传统方法容易陷入局部极小值的缺点，从一群点开始搜索，能从离散的、多极值的和含有噪音的高维问题中以很大的概率找到全局最优解，且适用于大规模并行计算。
2.2范例推理评价法
在范例推理评价方面，刘沐宇等运用模糊相似优先概念，构造基于模糊相似优先的边坡范例检索模型，对每一个边坡稳定性的影响因素，分别建立边坡的目标范例与源范例之间的模糊相似优先关系，经过影响因素之间的两两比较，获得不同影响因素下边坡的目标范例与源范例之间的相似性序列，从而最终找出与目标范例最相似的源范例，实现边坡的稳定性评价。刘沐宇等建立基于神经网络的边坡范例检索模型，通过边坡范例的神经网络学习，建立当前边坡和边坡范例之间相似性计算关系，实现当前边坡的稳定性评价。高德彬等利用大量公路黄土路堑高边坡实例，构建基于范例推理的边坡稳定性预测模型，通过源范例和边坡范例之间的相似度计算，得到目标范例与源范例之间的相似性序列，找出与目标边坡范例最相似的源范例，实现黄土路堑高边坡的稳定性预测。
综合来看，范例推理方法以范例为基础，范例的获取比规则获取要容易，从而大大简化知识获取。对于边坡安全稳定性评价这样的复杂问题，其知识获取本身就是一件非常不容易的事情，故范例推理原理为边坡稳定性评价提供了一条可行的新途径。
2.3模糊综合评价法
在模糊综合评价方面，周军霞等针对影响公路边坡稳定性因素的模糊性和随机性，选择影响公路边坡稳定性的10个主要因素，并分为两个层次，利用模糊数学综合评判方法，采用专家方法和经验公式法赋予影响因素的隶属函数和隶属值，建立公路边坡稳定性分析的二级综合评判模型，得到公路边坡稳定性的预测结果。孟衡采用判断矩阵分析法确定评价因子的权重，用二级模糊评判对某工程实例进行计算分析，结果表明用该法确定权重简便，亦能较好反映边坡所处状态。欧国林等运用模糊数学方法提出模糊稳定系数的概念和描述方法，建立路基边坡稳定性分析的模糊综合评价模型，通过确定个体因素等级标准和权重得出模糊稳定系数，使路基边坡稳定分析更接近客观实际。
总体来看，模糊综合评价方法为多变量、多因素影响的边坡稳定性分析提供了一种行之有效的手段，用隶属函数代替确定论中非此即彼的特征函数来描述具有模糊性的影响因素，用模糊变换原理实现多因素、多层次的边坡稳定性分析与评价。其不足之处在于相关因素及各因素边界值的不易确定以及在隶属函数的确定和因素权重的分配上均含有相当多的人为主观因素。
2.4灰色系统评价法
在灰色系统评价方面，魏星等将复杂岩体边坡系统视为一个灰色系统，在综合分析岩体边坡影响因素基础上，采用表征边坡岩体稳定性的复合指标作为评判其稳定性的因素，给出一种基于复合指标的边坡岩体稳定性灰色系统类比预测模型。赵静波等提出以控制因素变化的阶段性来划分时间数据序列，建立阶段时间序列灰色预测模型，对边坡的发展变化情况进行预测。王利等提出一种基于卡尔曼滤波的Gm预测模型，即先用卡尔曼滤波法对原始变形监测数据进行滤波处理，再建立Gm模型进行灰色预测。何习平等针对单点模型背景值取值方法的不足，提出一种动态定权方法，建立加权多点灰色预测模型。
总体来讲，利用灰色理论分析方法，可在不完全的信息中，通过一定的数据处理，找出它们的关联性，确定边坡稳定性各影响因素的影响程度，进而利用多因素叠加分析评估边坡的稳定性。
参考文献：
神经网络量化综述篇5
神经生物学的教材是我们传统教学活动中的主要学习内容，具有权威性的特点。但是，神经生物学也是一个飞速发展的领域，知识更新日新月异，很多内容也是在不断修正和完善。传统教材在这一方面受限于各种实际因素，略显滞后。网络课程可以弥补这一点，紧跟最新进展。
另一方面，神经生物学的内容经常会综合各方面的知识，涉及到大量的神经解剖形态学基础、神经电生理学基础以及神经分子生物学基础。如果能够有三维图形展示、语言解说等多媒体内容，从而将复杂的神经生物学课程，通过文本、图形、图像、动画、声音、视频的综合多方位展示，将极大地帮助学生理解和记忆这些复杂的内容。传统教材在这一方面就会显得容量有限，所以，我们借助网络课程来扩展传统教材不能涉及的广博知识。
2与教师课堂教学相比，网络课程可以克服时间限制和教师数量的限制
传统教师课堂授课可以集中讲述重点问题，在有限的课堂时间内把重点难点讲述清楚。但是，一是教师不可能将所有知识全部讲授;二是对于不同的学生而言，他们所面对的难点不同，阻碍他们理解课程内容的部分不一定与大多数同学一样。网络课程就可以成为很好的补充。因为:①网络课程可以不受时间限制，增强师生之间的交流，还能够根据每个学生的特点进行个性化教学，使得教师的教学更有针对性。②网络课程不受教师数量和教师自身的限制。每位教师因为学术有专攻，面对神经生物学的广博知识，不一定在每一方面都有深刻的理解，这是不可避免的现实情况。学生在进行网络课程学习时，提出问题后，教师可以根据自己的专业特长，请不同专长的同事进行回答;并且，如果能够收到不同教师的回答，学生就可以从不同方面再次思考自己的问题和疑惑。这些都十分有助于学生更深刻地理解神经生物学，并能激发浓厚的学习兴趣，养成对科学问题进行思考的良好习惯。
神经网络量化综述篇6
关键词：市场比较法土地估价土地评估模糊神经网络
中图分类号：o29文献标识码：a文章编号：1007-9416（2013）07-0058-02
1引言
进入新世纪，随着新型城镇化的发展和新农村建设的不断推进，我国逐步走上住房商品化道路，房地产市场加速发展，土地市场规模日益扩大，市场供需机制在资源配置中的核心地位基本确立。当前需要认真研究以下两方面的事情，一方面，从当前的数量变化检测为主的土地管理模式，如何转变到注重土地生态管理和质量变化监测；另一方面，从单纯的资源管理如何向资源和资产管理并重转变。故如何合理确定土地资产价格，对合理利用土地资源，提高土地利用效率，维护土地使用者权利，促进土地确权合理流转具有重要意义。然而，由于土地评估服务作为特殊的新兴服务行业，估价思想和估价方法体系不够成熟，还处于初始阶段，又由于我国经济体制的复杂性和地域差异性，导致目前估价方式侧重定性分析，注重对估价时点市场信息的把握，测算时很少采用数学模型，难免出现估价主观随意性，估价结果失真，估价结果悬殊，不能很好地反映市场情况，故目前土地估价领域急需探求一种客观、合理、有效的定性与定量相互结合的估价方法。
基于上述考虑，本文正是针对土地价格影响因素的复杂性，现行估价方法的不确定性以及部分定性因素的模糊性，将模糊数学理论和神经网络引入现行市场比较法进行定量模型对其进行估价分析，这将对我国土地评估方法的发展和完善将产生一定的推进作用。
2模糊数学理论
1965年美国控制论学者L.a.扎德《模糊集合》，标志着这门模糊数学学科的诞生。现代数学建立在集合论的基础上。一组对象确定一组属性，人们可以通过指明属性来说明概念，也可以通过指明对象来说明。符合概念的那些对象的全体叫做这个概念的外延，外延实际上就是集合。一切现实的理论系统都有可能纳入集合描述的数学框架。经典的集合论只把自己的表现力限制在那些有明确外延的概念和事物上，它明确地规定：每一个集合都必须由确定的元素所构成，元素对集合的隶属关系必须是明确的。
例如康托尔集合论（Cantor′sSet），不能描述“亦此亦彼”现象。康托尔集合论要求其分类必须遵从形式逻辑的排中律，论域中的任一元素要么属于集合a，要么不属于集合a，两者必居其一，且仅居其一。这样，康托尔集合就只能描述外延分明的“分明概念”，只能表现“非此即彼”，而对于外延不分明的“模糊概念”则不能反映。对模糊性的数学处理是以将经典的集合论扩展为模糊集合论为基础的，乘积空间中的模糊子集就给出了一对元素间的模糊关系。对模糊现象的数学处理就是在这个基础上展开的。
本文采用模糊综合评价模型对各个指标进行评价，二级模糊综合评价需要经过以下步骤：
（1）把因素论域集合按某种属性划成个子集，，其中，。
（2）对每一个单因素，应该作出单因素综合评价，设评语的论域为，中各个因素的模糊权重向量为，的单因素评价结果为（行列），单级评价模型为，。
（3）对因素做二级综合评判，将每个视为的一个因素，将作为它的单因素评价向量，可得率属关系矩阵。
综合因素的模糊权向量为，则二级模糊综合评价模型为。
3神经网络
网络是1986年由Rumelhart和mcCelland提出，网络是一种按误差逆传播算法训练的多层前馈网络，能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，是目前应用最广泛的神经网络模型之一。
神经网络具有很强的自适应与自组织特性，对输入的数据和规则计算有很强的容错性和稳健型，因此用来评价项目成功度是可行的。主要步骤如下：
设有个样本向量，网络输入层神经元个数为，中间层神经元个数为，输出层神经元个数为，网络输入向量，输出向量，期望输出向量。为输入层到中间层的连接权，为中间层到输出层的连接权，为中间层单元的阙值，为输出层单元的阙值，其中，。
步骤1，对样本向量进行归一化处理，将数据处理为之间的数据，给权值和阙值赋予之间的随机初值，选取一组输入和目标样本提供给网络。
步骤2，计算隐含层和输出层各单元的输入和相应的输出。
步骤3，根据网络输出计算输出层和隐层误差。
步骤4，利用误差调整值对各层权值和阙值进行调整。，，，。
步骤5，选取下一个学习样本向量提供给网络，返回步骤2，直到全局误差小于预先设定值，则学习结束。
4市场比较估价方法及指标的体系
4.1市场比较估价法
市场比较法是根据市场中的替代原理，将待估土地与具有替代性的，且在估价时点近期市场上交易的类似地产进行比较，并对类似地产的成交价格作适当修正，以此估算待估土地客观合理价格的方法。在同一公开市场中，两宗以上具有替代关系的土地价格因竞争而趋于一致。
市场比较法有两种基本公式：
（1）直接比较法：；
（2）间接比较法：
公式中：含义同前；
--标准宗地条件评价系数/比较案例宗地条件评价系数；
运用市场比较法进行宗地估价应按下列步骤操作：
（1）广泛搜集宗地交易实例；
（2）选取比较实例；
（3）建立价格可比基础；
（4）进行交易情况修正；
（5）进行交易日期修正；
（6）进行区域因素修正；
（7）进行个别因素修正；
（8）求出比准价格。
所选取的比较实例应符合下列要求：
（1）与估价对象地块的用途应相同。
（2）与估价对象地块所处地段应相同。
（3）与估价地块的价格类型应相同。
（4）成交日期应与估价对象地块的估价时点相近。
（5）成交价格为正常价格或可修正为正常价格。
选取的可比实例数量从理论上来讲越多越好，但是，基于实际情况一般选取3-7个可比实例。
4.2土地估价指标体系
土地价格的影响因素多而复杂，一般对他们进行两类分类。一类分类是将影响因素分为自然因素、社会因素、经济因素、行政因素四类，另一种分类是将影响因素分为一般因素，区域因素和个别因素三个层次。在后者中，所谓一般因素是指对广泛地区的土地价格水平有所影响的因素，如利率、通货膨胀、国家政策等；区域因素是指对某地区的土地价格水平有所影响的因素，如环境污染，基础设施完备程度、繁华程度等；个别因素是指房地产自身状况或条件对其价格水平有所影响的因素，如土地的位置、面积、形状、地势、地质等。由于土地的异质性，某土地价格主要受制于该地区该类土地市场的影响，因此，本文选取构建指标体系的因素后按照后一种分类，即主要考察区域因素和个别因素。
影响土地估价的主要特征因素指标也可以分为两类，一类是硬指标如商业中心距离、至火车站距离、绿化率、容积率等，另一类是软指标如规划限制、宗地形状等指标；对于描述性质的指标一般可根据描述信息进行有无判断或专家打分继而求取指标隶属值，而硬指标的量化可根据项目原始数据或项目实地调查记录来确定指标值。
影响土地价格的主要因素有：（1）地理位置；（2）交通便捷程度；（3）公共配套设施；（4）城市规划限制；（5）环境；（6）面积大小和形状；（7）地形地势；（8）基础设施完备程度；（9）建筑物特征。
5实例计算过程分析
本文运用模糊神经网络对土地进行估价，主要步骤如下：
（1）选取若干个已成交的案例。
（2）运用模糊综合评价法，并对已成交案例进行隶属度的确定。
（3）建立神经网络输入样本，并进行检测。
（4）对各个数据进行标准化处理。
（5）对拟估计土地运用综合评价法进行隶属度的确定。
（6）将估价样本输入神经网络进行估价。
经过以上步骤我们可以建立一个专家系统，从而可以有效快速的对各个土地进行估计，方便快捷，并且结合了定量定性分析，从而使基于市场比较法的估价理论更为完善。
6结语
本文提出了基于运用模糊神经网络算法的市场比较法，从而可以使主观与客观相结合的土地进行估价，本文未用实例进行检验，但是从方法和理论上可行。为土地估价提供了一种新方法，但是其完善仍然需要不断的改进和积累。
参考文献
[1]张协奎，陈伟清，成文山，李树压.基于模糊数学的市场比较法[J].中国管理科学，2001，4（09）.
[2]楼裕胜.房地产价格指数的若干问题探讨[J].统计与决策，2005，22（4）.
[3]施建刚，白庆华.基于模糊数学的“快速递减加权式”在比较法评估房地产价格中的应用研究[J].土木工程学报，2003（03）.
[4]戚晓曜.基于模糊神经网络的房地产价格评估问题研究武汉理工大学学报，2005（11）.
[5]李菲，孙文彬，张军.灰色理论在商品住宅价格预测中的应用[J].辽宁工程技术大学学报（社会科学版），2004（03）.
[6]黄元生，刘庆超，邱自龙.基于模糊神经网络的电厂建设项目成功度后评价实证研究[J].技术经济，2009（03）
[7]马靖忠.基于熵权系数法的房地产市场比较估价模型研究[J].企业经济，2011（06）.
神经网络量化综述篇7
关键词eRp项目实施模糊神经网络风险评价
1问题提出
企业eRp项目实施涉及到原有工作模式、业务流程变革、组织结构调整等许多方面，因此在实施eRp过程中要认识到它的复杂性和艰巨性，要认识到它的高风险性。然而，目前对eRp项目实施风险评价不是很多，有效性也不高。文献分析，常用风险评价方法主要有层次分析法、神经网络评价法和模糊综合评判法等。
本文提出用模糊神经网络模型来评价企业eRp项目实施风险。将模糊神经网络用于实施eRp企业风险问题的评价，具有一定的进步性，是一种有益的尝试，同其他方法相比，模糊神经网络风险评价方法具有科学、简洁、可操作性强等特点，而且模型的结构与方法应用前景广阔。
2企业eRp项目实施风险评价指标体系
在分析了eRp项目实施过程风险影响因素，我们考虑的是可能导致项目失败风险因素；因此要从企业实施eRp项目战略角度、实施中人为风险因素、业务流程重组、eRp实施项目管理和关键事件分析和评估。该指标体系有三级，一级指标8个，二级指标26个，各二级指标相互独立反映了前一项指标属性内涵。评价指标体系的风险影响因素能从不同的角度反映这些风险指标度量属性，其最终风险评价指标体系结构，如表1所示。
表1星火eRp项目实施风险评价指标体系表
风险项二级风险评价指标风险影响因素
信息化规划风险U1信息化战略地位u111)没有信息化战略或不健全、信息战略执行不到位；
2)信息化投入总额的比重、网络性能水平、没有其他信息化设施；
3)是否接触其他单模块miS系统每百名管理人员计算机拥有量。
信息基础建设风险u12
信息化应用状况风险u13
基础数据风险U2基础数据规范性风险u211)企业数据的完整程度、数据的不规范性；
2）数据编码体系与eRp要求是否存在较大差别、编码体系不完整；
3)品种繁多且杂乱、工艺复杂、工艺不规范、业务数据不一致。
编码系统完整性风险u22
产品繁杂度风险u23
人力资源风险U3高层领导的指导力u311)高层领导参与度、对风险的认识程度以及支持力度；
2)项目经理的实施经验和协调沟通能力。
项目经理的控制力u32
需求分析风险U4需求分析量化程度u411)企业需求分析不全面、需求分析报告不能反映实际情况；
2)外部市场牵引力度不当、需求拉动力误导、政府推动力不强；
3）没有咨询顾问指导、需求分析反复修改、企业诊断结论错误。
需求动力分析风险u42
信息需求不明确u43
管理基础风险U5行业（特点）风险u511)企业规模大小、企业体制、企业地理位置、企业的类型；
2)企业文化与eRp文化相抵制、新文化的形成；
3)企业管理水平低、管理模式落后、与eRp管理不符合度。
企业文化风险u52
管理不规范性u53
协作方选择风险U6软件商选择风险u611)软件供应商类型选择不当、供应商综合能力不强；
2)咨询方行业经验、双方配合度不高；
3)监理基本能力不足、行业经验不足。
咨询方选择风险u62
监理方选择风险u63
软硬件选择风险U7硬件选择不当u711)安全风险、后续维护风险、价格不合理；
2)系统集成性不高、二次开发工具水平；
3)软件成熟度、类型选择错误、选型方法或步骤不对；
4)质量先天性缺陷、质量不高、不可靠性风险。
软件技术风险、u72
选型匹配风险u73
软件质量风险u74
项目管理风险U8项目进度风险U811)没有合理进度计划、进度控制不严、进度延期、人员不变动；
2)硬件维护费用增加、实施费用无计划地增加、维护费用增加；
3)实施效果难以衡量、没有制定相应质量目标、阶段成果未达标；
4)范围无限扩大、不严格控制计划，实施范围不清楚风险；
5)对业务流程变革认识不统一、缺乏有效流程控制体系、重组变革方式和工具选择、过多地改变软件原有流程。
项目成本风险U82
项目质量风险U83
实施范围风险U84
业务流程重组风险U85
3基于模糊神经网络eRp项目实施风险评价模型
模糊神经网络在SpSS、excel和matlab等统计分析软件工具的帮助下，使这种预测评价变得简单可行，具有很强的操作性和实用价值。模糊神经网络作为人工智能领域一种新的技能、正向着更高层次的研究与应用方面发展。模糊神经网络模型也用于企业风险评价方面，张英才提出基于模糊神经的人力资源风险评价，吴冲等提出基于模糊神经网络的商业银行信用风险的评价。
3.1模糊神经网络评价模型建立
根据企业实际结合已有的研究成果及风险评价指标体系，确定了8个评价的变量。选择[0,1]上的数据对上述8种因素的风险进行评判。同时，我们可以用以下数学语言描述：设ui(i=1,2,……7)为eRp项目实施风险评价的输入变量，Ui为其论域。在本系统中，ui∈[0,1］，将ui的风险类别模糊化为一个定义在Ui上的模糊子集aj(j=1,2,3,4,5分别代表风险低、较低、一般、高、较高五种类型)，其模糊性用Ui的模糊分布一隶属函数Uaj(ui)来表示。具体模糊量化过程为：
（1）选择影响因素的集合；本文采用风险指标体系子要素层中的评价影响集合。（2）确定评价等级空间U；U={cl，c2，…，ck}，若ck+1比ck“强”，记作ck+1>ck，一般地，评价等级统计取4至6个等级较合适，本文风险等级分5个等级,即风险低、风险较低、风险一般、风险较高和风险高。
（3）确定子要素层每一因素对U中的各评价等级的隶属度；通过专家打分后，采用统计方法获得，第i个因素对各等级的隶属度为Ri＝（ri1，ri2，ri3，ri4，ri5）。
（4）计算每个因素的评价值；将5个评价等级数量化后视为一个向量，例如取C=(0.9,0.7,0.5,0.3,0.1)，则第i个因素的数值化风险评价值为Xi=Ri*Ct。根据所评价eRp项目实施风险评价中指标，模糊神经网络eRp项目实施风险评价结构确定为(8,m,5)，即输入层节点8个(根据评价阶段指标体系确定)；隐含层节点数为m，一般人为给定m值后，经k-means方法调整出合适值；输出层节点5个。通过上述模糊化方法处理得出每个风险影响因素的模糊化数值xi后，作为神经网络输入层节点的输入值。输出层节点输出企业eRp项目实施风险综合评价值。因此所建模型如图1所示，模糊神经网络风险评价模型分两大模块:前一部分是模糊量化模块，作用是将输入变量模糊化，模糊化处理是将数字表示形式的输入量转化为通常用语言值表示的某模糊论语的序数。后一部分是模糊神经网络(Fnn)模块，此模型中Fnn模块采用Bp神经网络。该网络模型两大模块包括三层:输入层、隐含层和输出层。
图1风险评价中模糊神经网络模型
输入层：在eRp项目实施风险评价指标体系中，输入层评价指标经过模糊化处理后输入。但由于指标值量纲不相同，代表了不同的物理含义。因此，在进行综合评价之前可将各指标值转化成无量纲的标准化数据，这样就可以利用同一标准进行衡量一般可采用直线型无量纲化方法，如利用极差变换公式将各类指标标准化。输入层中神经元的输入与输出为Ui=Xi，oij=Xi,（其中i=1,2,…..,8；j=1,2,……,m）。同时，我们将上述的风险因素和eRp项目实施风险评价的结果按照风险的大小程度分别用5个语言变量表示，并用各个语言变量的隶属函数代表其模糊性。
隐含层：其作用是对输入量进行评语等级分化处理，即根据隶属函数求出每一输入的各等级隶属度值。本文选用梯形函数，它对样本数据要求相对简单，虽然它的准确性不如非线性隶属函数高，但是经过模糊神经网络的控制也能达到良好的效果。图2说明了用梯形函数来表示eRp项目实施风险隶属函数。
3.2模糊神经(Fnn)网络学习训练
模糊神经网络模型应用具体步骤包括两个过程①学习训练过程：在现有的eRp项目实施企业中，选择成功与失败典型样本对网络进行学习训练，经过反复迭代，使系统平均误差降低到满意的程度，从而获得稳定的网络结构、连接权值和各参数。②模型确定后，可用来进行eRp项目实施风的评价。
(1)样本数据的获得
选取若干具有代表性的数据，通过专家意见调查，收集相关数据作为样本数据。论文研究选择对象主要面向大中小各类企业，除已实施eRp的企业外，也包括将要实施eRp的企业。我们通过东西部地区200多家案例企业获得样本数据，进行统计分析。先对样本数据进行稳定性处理，鉴于论文取得的样本数据容量较大，各指标取值范围较广，数据具有一定的平滑性，因此选用两倍、三倍标准差检验法进行异常数据剔除，最终获得（167个）样本数据。
(2)网络学习训练结果
模糊神经网络的学习过程也就是网络参数修正的过程，本系统的网络学习采用有教师的学习方法，网络参数的修正采用梯度法实现。
(3)eRp实施风险评价输出
模糊神经网络训练趋向稳定后，并满足指定的性能指标(如训练误差)，说明神经网络已训练结束，可以用来评价企业eRp项目实施风险。将待评价的对象按模糊规则转换后得到n个输入量，已训练好的网络模型就可以通过输入量到输出实现；输出结果为隶属度向量o=(o1，o2，o3，o4,,o5)，定义为最大隶属度。即，=maX(o1，o2，o3，o4，o5)。
根据最大隶属度原则就可以确定待评价的eRp项目实施风险的大小。在每次评价工作中，无论评价结果是否得到了专家的认可，都可以把它作为新的学习样本让这个模糊神经网络评价系统不断学习、继续完善，以使它做出更准确的评价。
4结论
本文确立了企业eRp实施风险评价的指标体系，建立了基于模糊神经网络的eRp项目实施风险评价模型，利用神经网络实现风险评价功能，可以充分利用以往的经验，使评价系统具有学习能力。模糊神经网络用于评价企业eRp实施风险非常适合，这不仅可以评价eRp项目实施各阶段风险大小，也可以利用网络的预测评价功能，预测将要实施eRp企业的风险大小，而且网络预测误差小，适合用于各类企业eRp项目实施风险评价。
参考文献
[1]陈启申.eRp——从内部集成起步.北京:电子工业出版社[m].2004
[2]刘晖.我国企业发展与实施eRp的现状分析[J].情报科学.第23卷第6期.2005.6.28~29
神经网络量化综述篇8
关键词：职业农民；视频监管系统；Bp神经网络
中图分类号：G728文献标志码：a文章编号：1673-291X（2017）06-0092-04
引言
职业农民培育远程视频监管系统是使用现代计算机网络、视频监控等技术对新型职业农民培育活动实现全程网络化集中管理和远程视频监控等功能的信息系统[1]。该系统的投入使用为提高新型职业农民培训的有效性和可控性，提高农业管理决策的科学化与信息化提供了强有力的支撑。为了准确、客观、科学地评价职业农民远程视频监管系统，本文结合神经网络的自学习能力，提出了一种基于神经网络的职业农民培育远程监管系统综合评价方法，从系统开发和运行的技术水平、性能、经济效益、社会效益、应用效果等多角度予以评价，有效地避开了人为计取权重和相关系数计算等环节，达到了评价结果的客观性、科学性，具有很高的应用价值。
一、系统评价指标体系
考虑到职业农民培育远程视频监管系统开发的主要目的是为了提高培训实效性、减轻监管负担、改善管理绩效[2]。本文在设计系统评价指标体系时，除了考虑系统技术水平评估外，还增加了能够反映系统应用效益和管理绩效方面的评价指标，以便项目施行者全面了解系统的开发和运行状况，更好地满足用户的实际工作需求。综合考虑这些因素，本文建立的职业农民培育远程视频监管系统指标评价体系，该体系包括两层指标集，共4个一级评价指标和15个二级评价指标[3～5]。其中一级指标系统技术指标，包括系统规划科学性i11，系统标准性i12，软件质量i13；一级指标系统性能指标包括系统可扩充性i21，系统可靠性i22，系统可维护性i23，系统安全性i24；一级指标系统效益指标包括直接、间接经济效益i31、i32，社会效益i33；一级指标系统管理绩效指标包括系统目标实现程度i41；管理效率i42；资源利用率i43；成本节约量i44；用户满意度i45。
二、Bp神经网络模型设计和训练
1.Bp神经网络的结构设计。在职业农民培育远程监管系统综合评价中，输入因素为15个二级评价指标，每个评价指标采用专家打分的方法进行评价，分值分别为1、0.7、0.5、0.3、0.1这5个等级，对应的综合评价等级为4个：0.7～1为优，0.5～0.7为良，0.3～0.5为较差，0.3以下为差。Bp神经网络的输入节点n=15，输出节点m=1，隐含层节点10。
2.模型训练。现选取陕西省10个市区农业局的专家评价数据做相关分析，如下表所示，其中“i11-i45”是15个指标的专家评价值，“得分”是专家综合评价的结果。由于Bp神经网络各层的初始连接权值是任意的，因此必须先对神经网络进行训练，从而使监管系统效益评价的实际输出值与期望输出值的偏差尽可能的小[6～7]。
在职业农民培育系统效益分析中，共有15个评价指标，每个评价指标采用专家打分的方法进行评价，从高到低五等级的分值为1、0.7、0.5、0.3、0.1，对应的综合评价等级有4个，分别依次为优、良、较差、差。下页表1为专家对不同地区的各个指标评价的相关数据。
选择比较典型的8组样本数据（表中前8组）作为训练信号，训练该网络，其余两组作为检验样本，模拟待评估的对象。在实际计算时，采用matlab编程工具，其中matlab神经网络工具箱中包含多个不同的神经网络工具，可以方便快捷地进行仿真实验[7]。其中仿真训练样本训练次数与输出误差的关系（如下页图所示）。从图中可知，神经网络训练到1000次时，达到所要求的误差精度，证明该Bp网络进行指控系统综合效能评估时能够满足误差精度和收敛速度的要求[7]。
本文中Bp神经网络神经元转化函数一般选用Sigmoid函数f（x）=1/（1+e-x）式（1）中，系数决定着S函数压缩的程度，仿真结果（如下页表2所示）。
上述实验中，表2、表3与表1进行比较可以看出，利用神经网络工具的测试结果和专家实际的评价结果相符。因此，神经网络可以用来进行职业农民培育监管系统综合评价，评价效果良好。
三、模型应用
通过第三小节中，对职业农民培育远程视频监管系统模型的建立和神经网络方法对其模型的训练，得到较好的评价模型。因此，运用训练好的模型综合评价杨凌和韩城职业农民培育监管系统。其中杨凌和韩城应用监管系统的各个指标评价（如表4所示），应用系统预测结果（如表5所示）。
从预测评价表5中可以看出，陕西省杨凌和韩城应用职业农民培育远程视频监管系统取得较好的结果。综上所述，通过陕西省12个市区分别应用职业农民培育远程视频监管系统取得了较好的效果。其中优占16%，良占67%，较差占17%。
结论与建议
职业农民培育远程视频监管系统的评价是一项十分艰巨的工作。本文在建立职业农民培育远程视频监管系统评价指标的基础上，通过神经网络仿真实验，取得了令人满意的结果，该方法具有自适应性、处理非线性问题的能力，避免了德尔菲法和模糊综合评价方法中主观因素对计取嘀睾拖喙叵凳的影响。为职业农民培育监管系统综合评价预测提供了一种新的有效的解决途径。
职业农民培育远程视频监管系统有有益的一面，它节约了管理成本、提高了管理效率、增强了用户满意度，但也有不足的一面。特别偏远的地方网络不发达，信号不稳定，造成监管障碍，综合考虑系统技术、系统性能、系统效益和系统绩效等多方面的因素，系统地进一步推广和应用利大于弊。
参考文献：
[1]祝燕丽.新型职业农民培育措施探讨[J].现代农业科技，2015，（3）.
[2]叶宏.新型城镇化视阈下的职业农民培养研究――基于农村高职教育改革的视角[m].职业研究，2015，（7）.
[3]郑丽.档案信息化建设测度指标体系探索[J].档案与建设，2007，（2）.
[4]刘坤.档案信息系统评价指标体系研究[J].现代情报，2011，（1）.
[5]关雷，王希忠，黄俊强.神经网络在信息系统安全评价中的应用研究[J].计算机安全，2014，（4）.
神经网络量化综述篇9
[关键词]技术创新项目风险测度方法
在激烈的市场竞争条件下,技术创新是企业获得竞争优势的根本源泉,是企业求得生存和发展的重要基础。一项成功的技术创新,经过技术扩散后,通常会导致产业结构、市场结构的变化,刺激新的市场需求,同时也为更高层次的技术创新奠定了基础,从而形成一种良性循环,推动企业竞争力的不断增长。但技术创新项目总是高收益与高风险并存的,一项技术创新成果,从其创意、构思到研究开发以至进入市场的过程中,需要经过许多环节,几乎每个环节都有失败的可能。企业在决定是否投资技术创新项目之前,需要对它的风险性进行全面的分析与评价。风险的测度是风险分析的核心内容,对风险问题的处理决策必须建立在对风险的科学度量基础上。在这种情况下,如何运用科学的风险测度方法建立有效的技术创新项目风险测度体系,对企业和投资者来说就变得尤为重要。
风险测度方法的选择主要取决于项目的规模、类型、性质以及可供信息的多少和可靠性。对于像技术创新这样具有高风险―高收益特点的项目而言,其风险测度方法的选择绝对不是简单而为之的,必须根据风险特点,在全面分析风险因素的基础上,建立科学的项目风险测度指标体系,运用合理的测度方法,权衡利弊,优化项目投资结构,提高项目投资效益。目前,技术创新风险测度的方法很多且各有特点,通过对国内外相关研究的分析,常用的几种方法如下。
一、层次分析法
层次分析法是美国运筹学专家t.L.Satty于20世纪70年代初期提出来的一种多目标综合评价方法。这是一种整理和综合人们主观判断的方法,通过分析复杂系统所包含的所有因素及其相关关系,将问题分解为若干个互不相同的组成因素,根据各组成因素的隶属关系,把各组成因素归并为不同的层次,从而形成多层次的分析结构模型。运用层次分析法计算的结果反映的是各方案的相对风险大小,不能直接反映具体方案的真实风险程度。同时,应用层次分析法在确定各层次不同因素相对上一层各因素重要性权数时,利用了两两比较的方法,需要衡量判断矩阵的一致性。当不满足一致性指标时,则需对判断矩阵作一定调整但调整又没有固定的方法,而是凭着大致估计来调整。这样处理带有很大的盲目性,不能排除经过多次调整才能通过一致性检验的可能性,而且在解决群体专家权重评价时,没有剔除个别偏差很大专家意见的干扰从而使结果出现较大的失真,往往只因为一两个较大的离异意见而使最后的综合权重面目全非。
二、模糊综合评价法
1965年,美国控制论专家查德(L.a.Lazadch)创立了模糊数学方法。模糊综合评价方法,是利用模糊数学原理,建立相对标准和切实可行的数学模型对影响风险的诸多风险因素进行综合考虑,从每一个因素对风险的影响大小(或影响程度)以及就每一个因素风险所处的现状来进行全面评价,从而得出风险的评价结果。模糊数学的优势在于:它为现实世界中普通存在的模糊,不清晰的问题提供了一种充分的概念化结构,并以数学的语言去分析和解决它们,它特别适用于对具有大量模糊信息的对象进行评价。目前模糊综合评价法已广泛应用于各种经济评价中。由于创新项目中潜含的各种风险因素很大一部分难以用数字来准确地加以定量描述,但都可以利用历史经验或专家知识,用语言生动地描述出它们的性质及其可能的影响结果。这种性质最适合于采用模糊数学来解决问题。但是当专家评判不一致时,用模糊综合评价法计算得出的风险结果是非常值得怀疑的。
三、灰色综合评价法
灰色系统理论是我国著名学者邓聚龙教授在1982年创立的一门新兴横断学科。它以“部分信息已知,部分信息未知”的“小样本”,“贫信息”不确定性系统为研究对象,主要通过对“部分”已知信息的生成,开发,提取有价值的信息,实现对系统运行行为的正确认识和有效控制。灰色系统理论可以广泛运用于机制复杂、层次较多、难以从定量角度建立精确模型的系统研究工作中。同时,由于灰色系统理论的数学方法是非统计方法,它尤其适用于系统数据较少和条件不满足统计要求的情况。由于技术创新项目的复杂、信息残缺、难以定量化等特点,故可以采用灰色系统理论方法对其风险进行测评。灰色综合评判几乎可以完全利用各个专家关于具体指标的全部信息,但运用该方法在获取各评价指标的灰色评价权向量时,它是根据全体专家对该指标相对于某一灰类的隶属度之和与相对于全体灰类的隶属度之和的比值确定,这种处理方法也从无法衡量专家评判的一致性,导致最终评价结果的不精确。
四、人工神经网络法
人工神经网络法是一种交互式的评价方法,它可以根据用户期望的输出不断修改指标的权重,直到用户满意为止。它主要克服了模糊综合评价中指标权重依据主观方法取得的缺点,因此,一般来说,人工神经网络评价方法得到的结果会更符合实际情况。但是,人工神经网络评价的缺点是需要的训练样本数据较多,模型的性能在很大程度上取决于训练样本的数量和质量,即不是所有的神经网络都具有高的泛化性能,这在技术创新领域是很难做到的。同时,人工神经网络模型难以解释和给出实际的物理意义,特别是无法回答“why”和“how”等问题,加上由于技术创新风险的模糊性、难以定量性,运用神经网络方法必须与专家系统结合起来,这又使整个系统过于复杂。在微观方面,网络结构的选择,各层节点数,尤其是隐含层节点数的选择,到目前为止还没有很好的解决。另外,网络收敛速度慢也极大地影响着评价工作的效率。需要指出的是,人工神经网络计算结果的准确性也依赖于样本数据的可靠性,如果采用没有经过一致性检验的样本数据进行人工神经网络训练,其得出的结果也是值得怀疑的。
参考文献:
[1]陈红川.高新技术企业技术风险研究.西南金融,2008,(7):59-60.
[2]赵凯.企业风险度量方法的选择.商业文化,2007.9.
[3]郑冲.若干风险度量方法的评介与比较.中国保险管理干部学院学报,2003,(3).
神经网络量化综述篇10
[关键词]可持续发展环境因素非线性神经网络
1前言
城市是一个由社会、经济、人文、环境多重基本要素紧密相连的复杂系统。城市又是以人类的技术、艺术、社会行为作主导，生态代谢为经络，受自然生态系统供养的人工生态系统。从系统科学角度上讲，城市环境是城市自然环境系统、社会系统、经济系统的统一体，由自然再生产、社会再生产和经济再生产组合在一起，形成了与自然生态系统不相同的自然生态环境。当今城市已成为经济发展的重要载体。随着人类再生产过程的提高，城市规模的扩大，受到了来自环境方面的制约，进而影响着城市的可持续发展。衡量城市可持续发展必须以环境因素为前提。因此探讨环境因素对掌握城市可持续发展具有极其重要的意义。
2环境因素与城市可持续发展的辩证关系
城市的发展要以环境系统为基础，环境因素是衡量城市是否具有可持续发展的重要标志。城市经济、社会的发展取决于自然再生产的条件。从环境系统来看，经济、社会再生产过程是通过人与自然之间持续的物质变换，从而促进经济、社会再生产持续地进行。从系统论的观点出发，经济再生产、社会再生产和自然再生产是互相联系、互相作用的。经济再生产过程必须以自然再生产过程为前提，包括从环境中获取生产资源，而自然再生产反过来又影响到经济再生产的进行，自然再生产的变化取决于经济再生产的方式、结构和规模。
辩证唯物主义认为事物的发展是通过量变和质变的辩证关系展开的，事物的量变在突破“度”的限制后就引起质变，质变是量变的必然结果。自然环境一直按照客观规律进行着物质循环，不断地进行着新陈代谢的再生产过程，其承载能力也是有限的。在环境资源充足的前提下，环境资源的获取量取决于经济再生产规模，但一旦经济再生产规模超出了环境资源的“度”，则反过来经济的再生产就受到环境资源的影响。因此，从辩证学的角度出发，人类的经济及社会再生产过程中干预自然环境后应顺应自然再生产，即城市发展应与自然再生产协调进行，才能使社会再生产持续稳定的发展。
3影响城市可持续发展的环境因素
环境因素指标是确定城市发展战略的目标之一。制定城市可持续发展的环境因素指标体系有助于对城市可持续发展的评价。其指标体系应以城市自然生态系统、自然物质系统和人工环境系统三方面来确定。每一个系统涉及到的环境因素如图1所示，这些环境因素对城市的可持续发展都起到主导作用。
图1影响城市可持续发展系统的环境因素指标体系
4影响城市可持续发展的环境因素系统评价
4.1评价方法
复杂性、非线性是城市可持续发展系统的重要特点，对城市可持续发展具有影响作用的因素很多，以环境子系统来说，包括环境质量、水资源量、绿化率等，这些影响因素不仅对城市可持续发展的影响权重不同，并且各因素之间也相互影响，因此，可以认为可持续发展系统是一个“灰箱”。对于可持续发展这样庞大而又错综复杂的系统来说，目前的研究水平还很难准确对各项影响因子进行定量描述并对它们进行多指标综合评价，从而不能对系统的真实状态作出反映。利用人工神经网络的非线性、自学习、自组织、自适应、并行处理的功能，以世界可持续发展最佳城市的环境因素指标为依据组成神经网络的学习样本，采用Bp反向传播算法进行训练，可以较好地对影响城市可持续发展的环境因素进行综合评价。
4.2评价指标
4.2.1评价标准
我国目前正处于经济转轨时期，经济增长方式还没从传统的粗放型、资源浪费型转变过来，城市可持续发展程度受自然资源、社会、经济发展情况等影响较大，若以国内各城市的环境因子最佳值和平均值作为评估标准，评价出的城市可持续发展受环境因素影响程度只反应出了评价对象在国内各城市中受影响的相对情况，不具有科学性，并不能真实反应出城市可持续发展受环境因素影响的状况。因此，本文采用以世界先进水平及世界平均水平为依据，即认为目前达到全球最佳值的城市或地区处于可持续发展最好的状态，城市或地区的可持续发展不受环境因素影响，而目前达到世界平均值的城市或地区的可持续发展受环境因素影响程度为一般水平。
4.2.2指标标准化
各评价指标之间存在不同的量纲差异，因此必须对各指标进行标准化。利用(1)式对所建立的11项指标进行无量纲化处理，使各单项指标值落在[0，1]之间。为了便于对我国城市可持续发展受环境因素影响情况作出评价，结合我国的实际情况对其中的3个指标的评分值作如下规定以简化计算：
4.2.2.1地表水环境质量：按我国现行的地表水环境质量标准划分为五级，当城市主要地表水环境质量达到《地表水环境质量标准》(GB3838-2002)的五级标准时相应的指标值分别为1.0，0.75，0.5，0.25，0，即城市地表水环境质量超过iV级标准后的指标值均评为0；
4.2.2.2大气环境质量：采用api法对城市大气环境质量进行综合评价，五级大气综合环境质量对应的指标值分别为1.0，0.75，0.5，0.25，0；
4.2.2.3人均水资源：在人均水资源量低于国际水资源紧缺标准1000m3/人时，该指标值即为0，大于1000m3/人的指标按公式(1)对其进行无量纲化处理。
(1)
式中：Ci――为i城市的某指标的实际值；
Cmax――为该指标的最大值；
Cmin――为该指标的最小值。
4.3网络构建
4.3.1计算模型
人工神经网络是建立以权重描述变量与目标之间的特殊的线性关系的网络。人工神经网络的基本结构单元为神经元，神经元是一些相互连接可计算的元素，它是按层次结构的形式进行组织，每层上的神经元以加权方式与其它层上的神经元连接，以构成神经网络。这种网络建立的神经网络为3层结构，包括输入层、隐含层和输出层，见图2。
人工神经网络的学习过程包括了正向传播和反向传播。正向传播时，输入信息从输入层经隐层加权处理传向输出层，经过转换函数运算后得到的输出值与目标值(期望值)进行比较，若有误差，则误差反向传播，即反馈到原连接通路，通过逐层修改各层神经元的权系数，减少误差，如此循环，直到输出满足允许误差时停止。
图2人工神经网络结构示意图
在网络的计算处理时，每一神经元将其输入和连接强度累加起来，依据变换函数进行计算，并且将其送到下一层的所有神经元中，即处理神经元的输出由下式给出：
oj＝f(Σwjixi+θj)
其中，oj：输出；wji：输入层i和隐蔽层神经元j之间的权重；xi：输入；θj：偏置；f：变换函数，采用Sigmoid函数，其非线性形式定义见(2)式，net是加权的输入之和。
(2)
在用计算机模拟进行神经网络模拟计算时，通常的步骤是：
①将网络初始状态的各节点权重初始化为(-1～1)之间的随机数；
②从各输入节点输入学习样本信号并得到期望输出；
③用变换函数计算f(net)与期望输出之间的误差：
e=1/2(dk－ok)2(3)
其中，e：误差；dk：期望输出向量；ok：网络的输出；
④计算隐蔽层和输出层的误差信号向量δo和δk
δok=1/2(dk－ok)(1－ok2)ok(4)
δhi=1/hi(1－hi)Σδokwki(5)
⑤调节输出和隐蔽层的权重：
其中，ε：学习步长；α：学习动量项。
⑥转回第三步进行迭代运算，直到输出值的误差e小于规定的误差水平则学习终止，得到最终的网络权值和阈值，就可以用训练好的神经网络进行实际计算。
4.3.2计算结果
本次计算的输入层11个神经元分别代表人均耕地面积、人均水资源、大气环境质量、地表水环境质量、森林覆盖率、生物多样性、城市污水处理率、城市人均绿化率、企业污染物达标排放率、工业固废利用率、生活垃圾处理率，一个输出神经元代表综合评价的输出结果。
经过上机检验网络的收敛效果，最终确定隐含层神经元数目为8个，网络学习步长为0.3，学习动量项为0.3。
利用表1中的S1、S2、S3三个样本数据作为神经网络的学习样本进行训练，经过学习数遍后，当均方误差R
5实例研究
利用上述训练过的神经网络对上海、厦门、福州、泉州4个城市可持续发展受环境因素的影响程度作出评价，评价结果见表2，表中各城市的指标值均为标准化处理过的数值，主要数据来源于各城市的城市环境公报及统计年鉴。从评价结果看，四个城市的可持续发展受环境因素影响强弱顺序为：福州
根据中国科学院可持续发展战略研究组2004年对国内各省市可持续发展能力的评估，上海市环境支持系统能力指数为47.82，远低于其余系统的能力指数，上海市的可持续发展总能力指数为69.55，可见，上海市城市可持续发展已经受到了来自环境方面的影响，这与本文得出的上海市城市可持续发展受到环境方面的一般影响的结论一致。对于福建省，环境因素目前尚不是影响城市可持续发展的主要因素，这与本文的结论也是基本一致的，本文以世界先进水平为依据，得出福州、厦门两城市受到环境因素的轻微影响，而环境因素对泉州的可持续发展能力影响为一般影响。
6结论与建议
6.1城市可持续发展是一个庞大的、复杂的系统，受到经济、社会、资源环境等系统中各要素的影响，环境因素是影响城市可持续发展的一类重要因素。
6.2神经网络具有非线性、自学习、自组织、自适应的能力，能自动获得系统中各因素之间的合理规则，利用神经网络对城市可持续发展受环境因素影响程度进行评价具有较好的客观性。
6.3城市的可持续发展是经济、社会、环境各方面的协调发展、全面发展，管理者应该树立辩证的发展观，统筹兼顾，才能更好地实现城市的可持续发展。
参考文献
[1]世界银行.2000年世界发展指标[m].北京：中国财政经济出版社,2000.
[2]杨国栋等.人工神经网络方法用于城市环境空气质量综合评价[J].煤矿环境保护,2000,14(3).