- 1、本文档共12页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于改进BP神经网络的企业盈利能力测评模型及应用
基于改进BP神经网络的企业盈利能力测评模型及应用
第25卷第6期
2006年6月工业技术经济Vo1.25,No.6总第
152期
基于改进BP神经网络的企业盈利
能力测评模型及应用
李雄诒
(中原工学院,
许卫华
郑州450007)
(摘要]针对传统企业盈利能力测评方法的局限性,介绍了BP神经网络的的模型方法,在此基
础上构建了基于改进BP神经网络的企业盈利能力测评模型,并通过具体实例测试证明了该模型的仿真
结果比较可靠,测评精度高,具有很强的使用价值.
(关键词]BP神经网络盈利能力测评
[中图分类号]F224.0[文献标识码】A
盈利能力是指企业获取利润的能力,企业盈利能力
状况如何是一个企业生存与发展的根本保证,同时也备
受公司内部人,投资者,债权人及其他利益相关者的高
度关注,因此它是企业绩效评价中的一个重要衡量指标.
企业盈利能力的测评是对构成它的一系列指标进行定性,
定量研究而得出的综合评价结果,由于这些指标数目多,
内容复杂,再加上会计信息本身的模糊性,因此采用传
统的综合评分法,灰色关联度评价法,趋势分析,财务
比率分析,因子分析法,相关回归分析等方法很难对其
进行合理的定量分析,在评价方法上存在着诸多缺陷.
人工神经网络(AttiticialNeuralNetworks,简称)
反映了人脑功能的许多基本特征,是一个高度复杂的非
线性动力学系统.它是由大量简单元件(神经元)广泛
相互连接而成的非线性,非局域性,非定常性和非凸性
的复杂网络系统.神经网络具有大规模并行,分布式存
储和处理,自组织,自适应和自学习能力,特别适合处
理需要同时考虑许多因素和条件的,不精确和模糊的信
息处理问题.这一技术在近年来已得到广泛应用.因此
本文根据组成企业盈利能力的各项指标的特征及神经网
络自身的优势功能,构建了一个基于改进的BP神经网
络的企业盈利能力综合测评模型.训练好的网络使用起
来操作简便,容错能力强且具有泛测评能力,并且还可
以自动模仿专家的评价思想来完成综合测评工作,同时
也避免了王作过程中的人为主观失误.该模型的建立,
为企业盈利能力的测评方法提供了另一个角度的理论基
础和工具.
lBP神经网络模型方法
1.1BP神经网络简介
收稿日期:2006_23
基金项目:河南省科技厅软科学项目(项目编号:0513022600)
一
92一
目前较有代表性的神经网络有感知器,线性神经网
络,多层前馈型神经网络,RBF网络等,其中使用较广
的是BP网络.BP(Back—Propagation)网络是多层前馈
型神经网络的一种,它是一个有导师的误差反向传播的
神经元网络学习算法典型的BP网络结构包括输入层,
隐含层和输出层,每层有若干个相互独立的神经元节点,
但相邻两层之间的神经元节点通过各自的权值实行全连
接.图1为一个多层BP网络结构.
Xo
l
圈1多层BP网络结构
1.2BP神经网络各层参数的确定
在图1的BP网络结构图中,输入层的输入矢最为:
XEftn,X=(Xo,x1,…,xn—1);第一隐层的输入矢量
为:X∈R,X,_(x0,xI.…,一1),输出矢量
为:Y∈R,Y=(y0,Yl,…,y1);第二隐层
的输入矢量为:∈R,)(,=(,1,…,.I),
输出矢量为:Y∈,=(,y,,l,…,一1);
输出层的输入矢量为:∈R,=(.l,…,
.
1),输出矢量为:Y∈,Y=(Yo.Yl,…,
y啪一1).输入层与第一隐层之间的权值用(.】ij表示,阈值
为日!i,第一隐层与第二隐层之间的权值为∞阈值为
第25卷第6期
2006年6月工业技术经济V01.25.No.6总第
152期
,第二隐层与最后输出层之间的权值为kl,闽值为
,则各层神经元的输入输出就满足:
xj=∑一
_ⅡI一1
=
∑c.Jtjkyj一0k
一
1
:
∑一if,I1x=_『∞klyk一
k=(k)
yl=()
yj=£(xj)
其中节点的作用激活函数f(?)是非线性函数.通
常选用s型函数(sigTnoid函数),即f(u)(该
函数有一个特征就是:f,(U)=f(u)[1一f(u)】).
1.3BP神经网络的学习过程
BP神经网络的学习可以分为两个阶段:第一阶段,
前向传递(towardpass),即从输入层输入样本数据,信
号向前传递,按上述公式不带反馈和层内相互连接地计
算出每一层相应的神经元输出.第二阶段,即后向传递
(backpass).如果输出层的实际输出与目标输出之间的
误差不能达到预定精度范围内,则此时误差信号沿原连
接通路返回进行权值和阈值的修改.这样两个过程反复
交替,直到达到收敛为止.此时,误差达到预定范围.
在图1所示的多层BP神经网络时,给定一组样本数
据(x,t),x∈.t∈,当输入第pi个样本(,
),
文档评论(0)