BP神经网络在C2C电子零售商竞争力测量中应用.docVIP

BP神经网络在C2C电子零售商竞争力测量中应用 　　[摘要] 本文通过分析BP神经网络在竞争力测量中的优势，介绍通过GUI界面构建竞争力测量模型、训练模型、仿真模型、应用模型的方法，证明了BP神经网络在竞争力测量中的可行性，指出了在使用中应注意的事项。 　　[关键词] BP神经网络 模型构建 模型训练 模型仿真 　　 　　一、BP神经网络在测量竞争力中的优势 　　人工神经网络（Artificial Neural Network,简称ANN）系统是借鉴于人脑和神经系统存储和处理信息的某些特征抽象出来的一种人工智能化的数字模型，具有并行分布的信息处理结构，通过对非线性函数的复合来逼近输入输出之间的映射关系。人工神经网络具有许多优秀的特性，最擅长对近似的、不确定的、甚至矛盾相关的知识环境中进行决策，可以解决人为的权重设计和相关系数的计算。神经网络通过对样本的学习可以确定稳定的人工神经网络模型，以该模型对C2C电子零售商竞争力进行动态评价和排序，计算误差小，从而可以保证评价结果的客观性。 　　人工神经网络本身包含非常多的网络模型，如BP网络、Hopfield网络、 Hamming 网络、Grossberg网络和竞争网络等，由于BP网络可以任意精度逼近任意连续函数，所以在已有的竞争力评价研究文献中，使用BP(Back Propagation Network)网络的居多。如高晓宏、郭军、吴晓伟（2004）建立了时序BP网络和因果BP网络，根据企业竞争力的指标体系预测了企业的竞争力；李煜华等（2006）通过BP网络对老工业基地的核心竞争力进行了评价；陈红转（2003）等通过BP网络对银行竞争力进行了评价。这些研究说明用BP网络方法评价竞争力具有可行性。 　　BP网络可以通过以下具体过程实现: 　　1.建立网络模型，初始化网络及字习参数；BP网络的建立需要借助MATLAB软件实现。通常有两种方法： 　　编程法：net=newff (PR,[S1,S2……Sn],{Tf1 Tf2 Tf3……Tfn},BTF,BLF,PF) 　　其中net中存放所建立的网络属性和网络参数，四个输入变量分别为: 　　PR输入向量的取值范围； 　　Si 第i层的神经元个数，总共N层； 　　Tfi第i层的传递函数，缺省值为“tansig”； 　　BTFBP网络训练函数，缺省值为“trainlm”； 　　BLFBP网络权值和阙值学习函数，缺省值为“learngdm”； 　　PF 性能函数，缺省值为“mse”。 　　GUI法：在matlab 命令窗口中输入命令nntool, 就会弹出人工神经网络的构建训练仿真窗口。 　　本文使用第二种方法创建BP网络。 　　2.提供训练模式 　　选实例作学习训练样本训练网络，直到满足学习要求；常使用的训练函数有批梯度下降训练函数（traingd,traingdm）、自适应修改学习率算法（traingda,traingdx）、有弹回的算法（trainrp）及共轭梯度算法（traincgf,traincgp）等。 　　3.前向传播过程 　　对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若误差不能满足精度要求，则误差反向传播，否则转到2； 　　4.反向传播过程 　　BP算法是一个很有效的算法，它把一组样本的输入、输出问题变成一个非线性优化问题，并使用了优化问题中最普遍的梯度下降法，用迭代运算求解权相应于学习记忆问题，加入隐节点使优化问题的可调参数增加，从而可以得到更精确的解。 　　二、BP网络在C2C电子零售商竞争力评价中的应用 　　本文选取包含20个测量指标的C2C电子零售商竞争力评价指标体系及调查数据（赵丽，2008）来说明BP网络在竞争力测量方面的使用方法。 　　在设计BP网络之前，首先应该准备好数据。Matlab7.0与Excel2003相通，所以将调查数据导进Matlab7.0中，命名为“data”。然后，将其中的10个C2C电子零售商竞争力指标数据作为训练输入数据，设为“traindata”;将专家对这10个C2C电子零售商竞争力的评价结果作为目标输出量，设为“targets”；评价值越大，表明此电子零售商越有竞争力，由此构成10个训练样本对；将剩余的6个C2C电子零售商竞争力指标测量数据作为仿真数据，设为“simulatedata”。数据准备完毕，即可构建网络。 　　1.构建网络 　　网络的输入、输出神经元的数量是由问题外部描述定义的。所以，如果有4个外部变量作为网络输入，那么网络就有4个输入。同样，如果网络有7个输出，那么网络的输出层就应该有7个神经元：最后，输出信号所期望的特征有助于选择输出层的传输函数。研究已表明，两层网络在其隐层中使用s形传输函数，在输