神经网络评价方法本科设计.doc

该【神经网络评价方法本科设计 】是由【书犹药也】上传分享，文档一共【41】页，该文档可以免费在线阅读，需要了解更多关于【神经网络评价方法本科设计 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。摘要
公司评价是检查公司经营效果、校正发展方向的重要手段,对公司的成败具有决定意义。如何用定量的措施精确的评价公司是人们始终在研究的问题,对公司的对的评价可以指引我们的投资决策。概率神经网络是一种可用于模式分类的神经网络,本文将运用概率神经网络对公司进行评价,将公司分为“好”和“差”两类。
本文综述了用于公司评价的措施、概率神经网络原理及构造,并将概率神经网络应用到对公司的评价中。
一方面,运用逐渐回归措施从60家上市公司的12个财务指标进行筛选得到与公司收益率明显有关的4个指标。
另一方面,以这4个财务指标为输入向量,以公司的好差状况为输出向量,运用60家上市数据建立并训练PNN神经网络。
最后,对训练样本和测试样本进行了仿真,仿真成果表白:运用概率神经网络进行公司分类评价的是一种非常有效的措施。
在结论中,对本文内容进行了总结,并对此后的工作做了更进一步的展望。
核心词:评价措施,PNN神经网络,SPSS,MATLAB
ABSTRACT
Enterprise’sevaluationisanimportantmeanstoinspectthebusiness’,,theprobabilisticneuralnetworkisusedtoevaluateenterprises,andenterprisesaredividedinto"thegood"and"thebad".
Thispapersummarizesthemethodswhichareappliedtoenterprise’sevaluation,andintroducestheprobabilisticneuralnetworkprincipleandstructure,thenprobabilisticneuralnetworkisappliedtoevaluationofenterprises.
Firstofall,fouramongtwelvefinancialindicatorsofthe60listedcompaniesaresignificantlycorrelatedwiththeyieldsoncorporatebondsbyusingstepwiseregressionmethod.
Secondly,.
Finally,thetrainsamplesandtestsamplesaresimulated,theresultsshowthattheprobabilisticneuralnetworkisaveryeffectivemethodtoclassificateandevaluateenterprise.
Inclosingremarks,thecontentissummarizedandfurtherworkisprospectedinthefuture.
KEYWORDS::evaluationmethod,probabilisticneuralnetwork,SPSS,MATLAB
目录
前言 1
第一章绪论 2
2
2
2
2
3
4
5
6
6
7
8
10
10
11
第2章概率神经网络(PNN)概述 12
12
(PNN)原理 13
13
14
(PNN)模型 15
第3章概率神经网络(PNN)在公司评价中的应用 17
17
17
19
19
、输出层结点的拟定 19
19
19
20
21
22
第4章结论 24
参照文献 25
附录 27
附录一:原始数据 27
附录二:程序 31
道谢 35
诚信声明 36
前言
人工神经网络在80年代中期得到了飞速的发展。1982年美国加州州立理工学院物理学家Hopfield专家提出了Hopfield人工神经网络模型,将能量函数的概念引入人工神经网络,并给出了稳定性的判据,开拓了人工神经网络用于联想记忆和优化计算的新途径。人工神经网络模拟人类部分形象思维的能力是模拟人工智能的一条途径,特别是可以运用人工神经网络解决人工智能研究中所遇到的某些难题。人工神经网络理论的应用已经渗入到多种领域,在计算机视觉、模式辨认、智能控制、非线性优化、自适应滤波相信息解决、机器人等方面获得了可喜的进展[1]。
神经网络理论在初期获得了某些进展,例如说建立了某些人工神经网络的计算模型,如前馈网、反馈网等等。但由于当时神经计算技术的理论准备局限性,技术也不成熟。因此到了六七十年代,大多数人对神经网络计算技术的研究热情大大下降,形成了神经网络计算技术研究的第一次低潮。到80年代中期,由于神经网络在理论上获得某些突破,如BP(误差反传算法)网、Hopefield网的浮现,解决了多层神经网的学****问题以及半导体技术的发展等问题。神经网络计算技术研究开始复苏,于是掀起了第二次研究高潮,人们又开始跃跃欲试、信心百倍。在这段高潮中,神经网络计算技术的确获得不少新的进展。该技术在许多领域得到应用,如智能控制、模式辨认等。在此基本上,许多学者提出了软计算(SoftComputing)、计算智能(ComputationalIntelligence)等新的计算概念,形成新的计算领域,在某种限度上,极大地增进神经网络计算技术的发展。神经网络计算技术目前存在的重要问题,简而言之,即目前神经网络计算技术还不能有效地解决大规模的实际问题[2]。
1985年,Powell提出了多变量差值的径向基函数()措施。1988年,Moody和Darken提出了一种神经网路构造,即RBF神经网络,属于前向神经网络类型,它可以以任意精度逼近任意持续函数,特别适合解决分类问题[3]。
概率神经网络(PNN)是RBF的变形,它是一种构造简朴、训练简洁、应用非常广泛的人工神经网络,特别在解决分类问题的应用中。它的优势在于用线性学****算法来完毕以往的非线性算法所做的工作,同步又能保持非线性算法的高度精确性。这种网络相应的权值就是模式样本的分布。
第一章绪论

公司评价以一种测评制度存在于公司管理系统之中,是公司进行自我诊断与自我提高的有效手段。近二十年来,公司所处的经营环境经历了很巨大的变化,今天的竞争焦点不再限于品质、成本,灵活性和创新。公司评价对公司的成败更具决定意义。过去的竞争集中于如何有效管理实物资产及如何将新科技迅速转化为实际生产力,此时,财务性评价是公司评价的重要方式,并在评价公司绩效方面发挥了积极的作用。而在如今的信息时代,无形资产发挥着越来越重要的作用,这就规定积极谋求新的指标去衡量新的竞争环境下成功驱动因素,即公司评价体系的重新构建。同步,公司的评价已从被动转为积极,在公司外部评价与内部评价日趋综合的同步,实现自我评价逐渐成为一种公司分析自身优势和劣势并追求持续改善的重要手段。
公司评价是检查公司经营效果、校正发展方向的重要手段,并且评价成果也体现了公司在行业中的地位,对调动公司经营的积极性起重要作用。研制公司评价系统不仅能节省人力与物力、提高工作效率,并且能使公司评价规范化。

[4]
定性评价是不采用数学的措施,而是根据评价者对评价对象平时的体现、现实和状态或文献资料的观测和分析,直接对评价对象做出定性结论的价值判断,例如评出级别、写出评语等。定性评价是运用专家的知识、经验和判断通过记名表决进行评审和比较的评标措施。定性评价强调观测、分析、归纳与描述。

主成分分析法也称主分量分析,旨在运用降维的思想,把多指标转化为少数几种综
合指标。在实证问题研究中,为了全面、系统地分析问题,我们必须考虑众多影响因素。这些波及的因素一般称为指标,在多元记录分析中也称为变量。由于每个变量都在不同限度上反映了所研究问题的某些信息,并且指标之间彼此有一定的有关性,因而所得的记录数据反映的信息在一定限度上有重叠。在用记录措施研究多变量问题时,变量太多会增长计算量和增长分析问题的复杂性,人们但愿在进行定量分析的过程中,波及的变量较少,得到的信息量较多。
主成分分析法是一种数学变换的措施,它把给定的一组有关变量通过线性变换转成另一组不有关的变量,这些新的变量按照方差依次递减的顺序排列。在数学变换中保持变量的总方差不变,使第一变量具有最大的方差,称为第一主成分,第二变量的方差次大,并且和第一变量不有关,称为第二主成分。依次类推,个变量就有个主成分。其中为维正交化向量,之间互不有关且按照方差由大到小排列,则称为的第个主成分。设的协方差矩阵为,则必为半正定对称矩阵,求特性值(按从大到小排序)及其特性向量,可以证明,所相应的正交化特性向量,即为第个主成分所相应的系数向量,而的方差奉献率定义为,一般规定提取的主成分的数量满足。
变量去解释本来资料中的大部分变异,将我们手中许多有关性很高的变量转化成彼此互相独立或不有关的变量。一般是选出比原始变量个数少,能解释大部分资料中的变异的几种新变量,即所谓主成分,并用以解释资料的综合性指标。由此可见,主成分分析事实上是一种降维措施。
[5]
模糊综合评价措施是模糊数学中应用比较广泛的一种措施。在对某一事物进行评价时常会遇到这样一类问题,由于评价事物是由多方面的因素所决定的,因而要对每一因素进行评价;在每一因素作出一种单独评语的基本上,如何考虑所有因素而作出一种综合评语,这就是一种综合评价问题。模糊综合评价是对受多种因素影响的事物做出全面评价的一种十分有效的多因素决策措施,其特点是评价成果不是绝对地肯定或否认,而是以一种模糊集合来表达。其基本的模型如下:
设评判对象为P:其因素集,评判级别级。对U中每一因素根据评判集中的级别指标进行模糊评判,得到评判矩阵:
(1-1)
其中,表达有关的从属限度。(,,)则构成了一种模糊综合评判模型。拟定各因素重要性指标(也称权数)后,记为,满足,合成得
(1-2)
经归一化后,得,于是可拟定对象的评判级别。
[6]
综合指数法,是一种以正负均值为基准,求每项指标的折算指数后再汇总成综合指数,然后按综合指数进行排序与评价的措施。综合指数表白不同计量单位的2个或多种指标的综合水平,值大者为佳,最大者则为最优。具体环节如下:
第l步,拟定评价指标体系。原则是,选择评价某一对象所需的所有指标。
第2步,列出所有参评对象及其所有的评价指标。
第3步,计算各指标的均值(设评价对象个数为,指标个数为),公式为
(1-3)
其中为第个对象的第个指标值,为第个指标值的均值。
第4步,将各指标量纲一化,公式为
(1-4)
其中称为的折算指数。
第5步,拟定各评价指标的权重值。拟定权重值的措施有诸多,如专家估测法、频数记录分析法、主成分分析法、模糊逆方程法及层次分析法等。
第6步,计算加权综合指数,公式为
(1-5)
其中为第个指标的权重值。
第7步,排出综合指数(或加权综合指数)序,按其大小进行排序,对参评对象做出评价。
[7]
灰色关联聚类法是根据个同类观测对象的个特性数据将对象特性剖提成若干个可定义类别的措施类观测对象,每个对象观测个特性数据,得到如下序列:
(1-6)
对上述序列中任意的,记为,令
,那么上述中,的灰色绝对关联,只与,的几何有关性有关,与其空间相对位置无关。或者说,平移不变化绝对关联度的值。和几何上相似限度越大,越大。对所有的,计算出和的灰色绝对关联度,得上三角矩阵如下:
,其中(1-7)
上述矩阵A称为特性变量关联矩阵,取定临界值,一般规定,当时,则视和为同类特性。
特性变量,在临界值下的分类称为特性变量的灰色关联聚类。其中可根据实际问题的需要拟定,越接近于1,分类越细,每一组分类中的变量相对越少,如当时,每个特性变量视为一类;越小,分类越粗,这时每一组分类中的变量相对地越多。
可见,灰色关联聚类法是同类因素的归并,以使复杂系统简化的措施。
[8]
TOPSIS(TechniqueforOrderPreferencebySimilaritytoanIdealSolution),TOPSIS法是根据有限个评价对象与抱负化目的的接近限度进行排序的措施,是在既有的对象中进行相对优劣的评价。TOPSIS法是一种逼近于抱负解的排序法,该措施只规定各效用函数具有单调递增(或递减)性就行。TOPSIS法是多目的决策分析中一种常用的有效措施,又称为优劣解距离法,其基本原理,是通过检测评价对象与最优解、最劣解的距离来进行排序,若评价对象最接近最优解,同步又最远离最劣解,则为最佳,否则为最差。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指标值都达到各评价指标的最差值。TOPSIS法其中“抱负解”和“负抱负解”是TOPSIS