【正文】 .............................................................................................20 測試樣本的網(wǎng)絡(luò)仿真 .......................................................................................................22 本章小結(jié) ................................................................................................................................22 第 4 章 結(jié)論 .....................................................................................................................................24 參考文獻(xiàn) ............................................................................................................................................25 附錄 ....................................................................................................................................................27 附錄一：原始數(shù)據(jù) ........................................................................................................................27 附錄二：程序 ................................................................................................................................31 致謝 ....................................................................................................................................................35 誠信聲明 ............................................................................................................................................36 西安 **大學(xué)本科畢業(yè)設(shè)計 (論文 ) 1 前 言 人 工神經(jīng)網(wǎng)絡(luò)在 80 年代中期得到了飛速的發(fā)展。 1982 年美國加州州立理工學(xué)院物理學(xué)家Hopfield 教授提出了 Hopfield 人工神經(jīng)網(wǎng)絡(luò)模型，將能量函數(shù)的概念引入人工神經(jīng)網(wǎng)絡(luò)，并給出了穩(wěn)定性的判據(jù)，開拓了人工神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計算的新途徑。人工神經(jīng)網(wǎng)絡(luò)模 擬人類部分形象思維的能力是模擬人工智能的一條途徑 ， 特別是可以利用人工神經(jīng)網(wǎng)絡(luò)解決人工智能研究中所遇到的一些難題。人工神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已經(jīng)滲透到多個領(lǐng)域，在計算機(jī)視覺、模式識別、智能控制、非線性優(yōu)化、自適應(yīng)濾波相信息處理、機(jī)器人等方面取得了可喜的進(jìn)展 [1]。 神經(jīng)網(wǎng)絡(luò)理論 在 初期取得了一些進(jìn)展，比如說建立了一些人工神經(jīng)網(wǎng)絡(luò)的計算模型，如前饋網(wǎng)、反饋網(wǎng)等等。但由于當(dāng)時神經(jīng)計算技術(shù)的理論準(zhǔn)備不足，技術(shù)也不成熟。因此到了六七十年代，大多數(shù)人對神經(jīng)網(wǎng)絡(luò)計算技術(shù)的研究熱情大大下降，形成了神經(jīng)網(wǎng)絡(luò)計算技術(shù)研究的第一次低 潮。到 80 年代中期，由于神經(jīng)網(wǎng)絡(luò)在理論上取得一些突破，如 BP（ 誤差反傳算法） 網(wǎng)、 Hopefield 網(wǎng)的出現(xiàn)，解決了多層神經(jīng)網(wǎng)的學(xué)習(xí)問題以及半導(dǎo)體技術(shù)的發(fā)展等問題。神經(jīng)網(wǎng)絡(luò)計算技術(shù)研究開始復(fù)蘇，于是掀起了第二次研究高潮，人們又開始躍躍欲試、信心百倍。在這段高潮中，神經(jīng)網(wǎng)絡(luò)計算技術(shù)的確取得不少新的進(jìn)展。該技術(shù)在許多領(lǐng)域得到應(yīng)用，如智能控制、模式識別等。在此基礎(chǔ)上，許多學(xué)者提出了軟計算 (Soft Computing)、計算智能 (Computational Intelligence) 等新的計算概念，形成新的 計算領(lǐng)域，在某種程度上，極大地促進(jìn)神經(jīng)網(wǎng)絡(luò)計算技術(shù)的發(fā)展。神經(jīng)網(wǎng)絡(luò)計算技術(shù)目前存在的主要問題 ， 簡而言之，即目前神經(jīng)網(wǎng)絡(luò)計算技術(shù)還不能有效地解決大規(guī)模的實(shí)際問題 [2]。 1985 年， Powell 提出了多變量差值的徑向基函數(shù)（ Radical Basis ）方法。1988 年， Moody和 Darken提出了一種神經(jīng)網(wǎng)路結(jié)構(gòu)，即 RBF 神經(jīng)網(wǎng)絡(luò)，屬于前向神經(jīng)網(wǎng)絡(luò)類型，它能夠以任意精度逼近任意連續(xù)函數(shù)，特別適合解決分類問題 [3]。 概率神經(jīng)網(wǎng)絡(luò)（ PNN）是 RBF 的變形，它是一種結(jié)構(gòu)簡單、訓(xùn)練簡潔、 應(yīng)用 非常 廣泛的人工神經(jīng)網(wǎng)絡(luò)，尤其在解決分類問題的應(yīng)用中。它的優(yōu)勢在于用線性學(xué)習(xí)算法來完成以往的非線性算法所做的工作 ， 同時又能保持非線性算法的高度精確性。這種網(wǎng)絡(luò)對應(yīng)的權(quán)值就是模式樣本的分布。 西安 **大學(xué)本科畢業(yè)設(shè)計 (論文 ) 2 第一章 緒 論 企業(yè)評價的目的與意義 企業(yè)評價以一種測評制度存在于企業(yè)管理系統(tǒng)之中，是企業(yè)進(jìn)行自我診斷與自我提升的有效手段。近二十年來，企業(yè)所處的經(jīng)營環(huán)境經(jīng)歷了很巨大的變化，今天的競爭焦點(diǎn)不再限于品質(zhì)、成本，靈活性和創(chuàng)新 。 企業(yè)評價對企業(yè)的成敗更具決定意義。過去的競爭集中于如何有效管理實(shí)物資產(chǎn)及如何將新科技快速轉(zhuǎn) 化為實(shí)際生產(chǎn)力，此時，財務(wù)性評價是企業(yè)評價的主要方式，并在評價企業(yè)績效方面發(fā)揮了積極的作用。而在如今的信息時代，無形資產(chǎn)發(fā)揮著越來越重要的作用，這就要求積極尋求新的指標(biāo)去衡量新的競爭環(huán)境下成功驅(qū)動因素，即企業(yè)評價體系的重新構(gòu)建。同時，企業(yè)的評價已從被動轉(zhuǎn)為主動，在企業(yè)外部評價與內(nèi)部評價日趨綜合的同時，實(shí)現(xiàn)自我評價逐漸成為一種企業(yè)分析自身優(yōu)勢和劣勢并追求持續(xù)改進(jìn)的重要手段。 企業(yè)評價是檢驗(yàn)企業(yè)經(jīng)營效果、校正發(fā)展方向的重要手段，而且評價結(jié)果也體現(xiàn)了企業(yè)在行業(yè)中的地位，對調(diào)動企業(yè)經(jīng)營的積極性起重要作用。研制企業(yè)評 價系統(tǒng)不僅能節(jié)省人力與物力、提高工作效率，而且能使企業(yè)評價規(guī)范化。 企業(yè)評價方法 定性評價法 [4] 定性評價是不采用數(shù)學(xué)的方法，而是根據(jù)評價者對評價對象平時的表現(xiàn)、現(xiàn)實(shí)和狀態(tài)或文獻(xiàn)資料的觀察和分析，直接對評價對象做出定性結(jié)論的價值判斷，比如評出等級、寫出評語等。定性評價是利用專家的知識、經(jīng)驗(yàn)和判斷通過記名表決進(jìn)行評審和比較的評標(biāo)方法。定性評價強(qiáng)調(diào)觀察、分析、歸納與描述。 主成分分析法 主成分分析法也稱主分量分析，旨在利用降維的思想，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個綜 西安 **大學(xué)本科畢業(yè)設(shè)計 (論文 ) 3 合指標(biāo)。在實(shí)證問題研 究中，為了全面、系統(tǒng)地分析問題，我們必須考慮眾多影響因素。這些涉及的因素一般稱為指標(biāo)，在多元統(tǒng)計分析中也稱為變量。因?yàn)槊總€變量都在不同程度上反映了所研究問題的某些信息，并且指標(biāo)之間彼此有一定的相關(guān)性，因而所得的統(tǒng)計數(shù)據(jù)反映的信息在一定程度上有重疊。在用統(tǒng)計方法研究多變量問題時，變量太多會增加計算量和增加分析問題的復(fù)雜性，人們希望在進(jìn)行定量分析的過程中，涉及的變量較少，得到的信息量較多。 主成分分析法是一種數(shù)學(xué)變換的方法 , 它把給定的一組相關(guān)變量通過線性變換轉(zhuǎn)成另一組不相關(guān)的變量，這些新的變量按照方差依次遞減 的順序排列。在數(shù)學(xué)變換中保持變量的總方差不變，使第一變量具有最大的方差，稱為第一主成分，第二變量的方差次大，并且和第一變量不相關(guān)，稱為第二主成分。依次類推， i 個變量就有 i 個主成分。 其中 iL 為 p 維正交化向量 ? ?1iiLL??， iZ 之間互不相關(guān)且按照方差由大到小排列，則稱 iZ 為x 的第 i個主成分。設(shè) x 的協(xié)方差矩陣為 ?，則 ?必為半正定對稱矩陣，求特征值 i? （按從大到小排序）及其 特征向量，可以證明， i? 所對應(yīng)的正交化特征向量，即為第 i 個主成分 iZ 所對應(yīng)的系數(shù)向量 iL ，而 iZ 的方差貢獻(xiàn)率定義為 /ij??? ,通常要求提取的主成分的數(shù)量 k 滿足 / ??? ? ? 。 變量去解釋原來資料中的大部分變異，將我們手中許多相關(guān)性很高的變量轉(zhuǎn)化成彼此相互獨(dú)立或不相關(guān)的變量。通常是選出比原始變量個數(shù)少，能解釋大部分資料中的變異的幾個新變量，即所謂主成分，并用以解釋資料的綜合性指標(biāo)。由此可見，主成分分析實(shí)際上是一種降維方法。 模糊綜合評價法 [5] 模糊綜合評價方法是模糊數(shù)學(xué)中應(yīng)用比較廣泛的一種方法。在對某一事 物 進(jìn)行評價時常會遇到這樣一類問題，由于評價事 物 是由多方面的因素所決定的，因而要對每一因素進(jìn)行評價；在每一因素作出 一個單獨(dú)評語的基礎(chǔ)上，如何考慮所有因素而作出一個綜合評語，這就是一個綜合評價問題。模糊綜合評價是對受多種因素影響的事物做出全面評價的一種十分有效的多因素決策方法，其特點(diǎn)是評價結(jié)果不是絕對地肯定或否定，而是以一個模糊集合來表示。其基本的模型如下： 西安 **大學(xué)本科畢業(yè)設(shè)計 (論文 ) 4 設(shè) 評判對象為 P: 其因素集 ? ?12, mU u u u? ， … ， ,評判等級級 ? ?12, mV ? ? ?? … 。對 U 中每一因素根據(jù)評判集中的等級指標(biāo)進(jìn)行模糊評判，得到評判矩陣： 11 12 121 22 212mmn n nmr r rR r r rr r r???????……… （ 11） 其中， ijr 表示 iu 關(guān)于 jv 的隸屬程度。 (U ,V , R ) 則構(gòu)成了一個模糊綜合評判模型。確定各因素重要性指標(biāo)（也稱權(quán)數(shù)）后，記為 ? ?12, nA a a a? … ， ,滿足1 1n ii a? ?? ，合成得 ? ?12, mB A R b b b? ? ? … ， （ 12） 經(jīng)歸一化后，得 ? ?12, , , mB b b b??,于是可確定對象 P 的 評判等級。 綜合指數(shù)法 [6] 綜合指數(shù)法，是一種以正負(fù)均值為基準(zhǔn)，求每項指標(biāo)的折算指數(shù)后再匯總成綜合指數(shù)，然后按綜合指數(shù) 進(jìn)行 排序與評價的方法。綜合指數(shù)表明 不同計量單位的 2 個或多個指標(biāo)的綜合水平，值大者為佳，最大者則為最優(yōu)。具體步驟如下 : 第 l 步，確定評價指標(biāo)體系。原則是，選擇評價某一對象所需的全部指標(biāo)。 第 2 步，列出所有參評對象及其所有的評價指標(biāo)。 第 3 步，計算各指標(biāo)的均值 (設(shè)評價對象個數(shù)為 m ，指標(biāo)個數(shù)為 P )，公式為 11 mj i jiXXm ?? ? （ 13） 其中 ijX 為第 i 個對象的第 j 個指標(biāo)值， jX 為第 j 個指標(biāo)值的均值。 第 4 步，將各指標(biāo)量綱一化，公式為 ijijjXK X? （ 14） 其中 ijK 稱為 ijX 的折算指數(shù)。 西安 **大學(xué)本科畢業(yè)設(shè)計 (論文 ) 5 第 5 步，確定各評價指標(biāo)的權(quán)重值。確定權(quán)重值的方法有很多，如專家估測法、頻數(shù)統(tǒng)計分析法、主成分分析法、模糊逆方程法及層次分析法等。 第 6 步，計算加權(quán)綜合指數(shù) iK ，公式為 1pi j ijjK W K??? （ 15） 其中 jW 為第 j 個指標(biāo)的權(quán)重值。 第 7 步，排出綜合指數(shù) (或加權(quán)綜合指數(shù) )序，按其大小進(jìn)行排序，對參評對象做出評價。 灰色關(guān)聯(lián)聚類法 [7] 灰 色 關(guān) 聯(lián)聚 類 法 是 根據(jù) n 個 同 類觀 測 對象 的 m 個 特 征 數(shù)據(jù) 將 對象 特 征? ?1 2 3, mX X X X X? …剖分成若干個可定義類別的方法類觀測對象，每個對象觀測 m 個特征數(shù)據(jù)，得到如下序列： ? ? ? ? ? ?? ?? ? ? ? ? ?? ?? ? ? ? ? ?? ?1 1 1 12 2 2 2n1 , 2 n1 , 2 n1 , 2 nn n nX x x xX x x xX x x x???……… … … … … … … … … … …… （ 16） 對上述序列中 任意的 iX ，記 ? ? ? ? ? ? ? ? ? ? ? ?? ?1 1 , 2 1 , , n 1i i i i i ix x x x x x? ? ?…為 ? ?1iiXx? ，