pnn神经网络评价方法本科毕业设计(编辑修改稿)

pnn神经网络评价方法本科毕业设计(编辑修改稿)内容摘要：

令  1 1ni i iS X x dt ，那么上述中 iX , jX 的灰色绝对 关联 11 ijiji j i jSSS S S S   ， ij 只与iX ， jX 的几何相关性有关 ，与其空间相对位置无关。 或者说，平移不改变绝对关联度的值。 iX 和 jX 几 何上相似程度越大 ， ij 越大。 对所有的 , , 1, 2 ,i j i j m  ，计算出 iX 和 jX 的灰色绝对关联度，得上三角矩阵如下 ： 1 1 1 2 12 2 2........ . .. .mmmmA  ，其中 1, 1, 2,ii im    ， (17) 上述矩阵 A 称为特征变量关联矩阵 ， 取定临界值 [0,1]r ,一般要求  ，当西安 **大学本科毕业设计 (论文 ) 6 ()ij r i j 时，则视 iX 和 jX 为同类特征。 特征变量 1 2 3, , , 1mX X X X r， ,在临界值 r 下的分类称为特征变量的 r 灰色关联聚类。 其中 r 可根据实际问题的需要确定 , r 越接近于 1，分类越细，每一组分类中的变量相对越少，如当 1r 时，每个特征变量视为一类； r 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方法。 TOPSIS 法 [8] TOPSIS（ Technique for Order Preference by Similarity to an Ideal Solution ）法是 和 于 1981 年首次提出， TOPSIS 法 是 根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。 TOPSIS 法是一种逼近于理想解的排序法，该方法只要求各效用函数具有单调递增（或递减）性就行。 TOPSIS 法是多目标决策分析中一种常用的有效方法，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，若评价对象最靠近最优解 ， 同时又最远离最劣解，则为最好，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 “理想解 ”和 “负理想解 ”是 TOPSIS 法的两个基本概念。 所谓理想解是一设想的最优的解（方案），它的各个属性值都达到各备选方案中的最好的值；而负理想解是一设想的最劣的解（方案），它的各个属性值都达到各备选方案中的最坏的值。 方案排序的规则是把各备选方案与理想解和负理想解做比较，若其中有一个方案最接近理想解，而同时又远离负理想解，则该方案是备选方案中最好的方案。 数据包络分析法 [9] 1978 年由 著名的运筹学家 , 和 首先提出了一个被称为数据包络分析（ Data Envelopment Analysis，简称 DEA）的方法，去评价部门间的相对有效性（因此被称为 DEA 有效）。 他们的第一个模型被命名为 CCR 模型。 从生产函数角度看，这一模型是用来研究具有多个输入、特别是具有多个输出的 “生产部门 ”，同时又被视为 “规模有效 ”与“技术有效 ”的十分理想且卓有成效的方法。 1984 年 , 和 给出了一个被称为 BCC 的模型。 1985 年 Charnes,Cooper 和 , , 给出了西安 **大学本科毕业设计 (论文 ) 7 另一个模型（称为 CCGSS 模型），这两个模型是用来研究生产部门间技术有效性的。 1986 年Charnes， Cooper 和魏权龄为了进一步地估计 “有效生产前沿面 ”，利用 Charnes, Cooper 和 1962 年首先提出的半无限规划理论，研究了具有无穷多个决策单元的情况，给出了一个新的数据包络模型 ——CCW 模型． 1987 年 Charnes, Cooper，魏权龄和黄志民又得到了称为 锥比率的数据包络模型 ——CCWH 模型。 这一模型可以用来处理具有过多的输入及输出的情况，而且锥的选取可以体现决策者的 “偏好 ”。 灵活的应用这一模型，可以将 CCR 模型中确定出的 DEA 有效决策单元进行分类或排队等等。 这些模型以及新的模型正在被不断地进行完善和进一步发展。 上述的一些模型都可以看作是处理具有多个输入（输出越小越好）和多个输出（输入越大越好）的多目标决策问题的方法。 可以证明， DEA 有效性与相应的多目标规划问题的 pareto有效解（或非支配解）是等价的。 数据包络分析 (即 DEA)可以看作是一种统计分析的新方 法。 它是根据一组关于输入－输出的观察值来估计有效生产前沿面的，在经济学和计量经济学中，估计有效生产前沿面，通常使用统计回归以及其它的一些统计方法，这些方法估计出的生产函数并没有表现出实际的前沿面，得出 的 函数实际上是非有效的。 因为这种估计是将有效决策单元与非有效决策单元混为一谈而得出来的。 在有效性的评价方面，除了 DEA 方法以外，还有其它的一些方法，但是那些方法几乎仅限于单输出的情况。 相比之下， DEA 方法处理多输入，特别是多输出的问题的能力是具有绝对优势的。 并且， DEA 方法不仅可以用线性规划来判断决策单元对应的 点是否位于有效生产前沿面上，同时又可获得许多有用的管理信息。 因此，它比其它的一些方法（包括采用统计的方法）优越，用处也更广泛。 功效系数法 [10] 功效系数法又叫功效函数法，它是根据多目标规划原理，对每一项评价指标确定一个满意值和不允许值，以满意值为上限，以不允许值为下限。 计算各指标实现满意值的程度，并以此确定各指标的分数，再经过加权平均进行综合，从而评价被研究对象的综合状况。 运用功效系数法进行业绩评价，企业中不同的业绩因素得以综合，包括财务的和非财务的、定向的和非定量的。 （ 1）功效系数法建立 在多目标规划原理的基础上，能够根据评价对象的复杂性 ， 从不同侧面对评价对象进行计算评分，正好满足了企业效绩评价体系多指标综合评价企业效绩的要求。 西安 **大学本科毕业设计 (论文 ) 8 （ 2）功效系数法为减少单一标准评价而造成的评价结果偏差，设置了在相同条件下评价某指标所参照的评价指标值范围，并根据指标实际值在标准范围内所处位置计算评价得分，这不但与企业效绩评价多档次评价标准相适 应 ，而且能够满足在目前我国企业各项指标值相差较大情况下，减少误差，客观反映企业效绩状况，准确、公正评价企业效绩的目的。 （ 3）用功效函数模型既可以进行手工计分，也可以利 用计算机处理，有利于评价体系的推广应用。 功效系数法虽然与我国当前企业状况和评价对象的复杂性相适应，能够较为合理评价我国目前企业的财务状况和经营成果，但是功效系数法也存在一些不足 ： 首先，单项得分的两个评价标准 —— 满意值和不容许值的确定难度大，不容易操作，理论上就没有明确的满意值和不容许值。 实际操作中如下处理 ， 要么以历史上最优值、最差值来分别替代满意值和不容许值 ， 要么在评价总体中分别取最优、最差的若干项数据的平均数来分别替代满意值和不容许值 ， 但是不同的对比标准得到的单项评价值不同，影响综合评价结果的稳定性和 客观性 ；其次，若取最优、最差的若干项数据的平均数来作为满意值和不容许值，最优或最差的数据项多少为宜，没有一个适当的标准 ， 数据项数若取少了，评价值容易受极端值的影响，满意值与不容许值的差距很大，致使中间大多数评价值的差距不明显，即该评价指标的区分度很弱，几乎失去了评价的作用，只对少数指标数值处于极端水平的单位有意义 ， 若平均项数取多了，满意值与不容许值的差距缩小，单项评价值的变化范围很大而且没有统一的取值范围，优于满意值和不容许值的单位就多，即评价值超出 (60 ,100)范围的单位就多，几乎失去了评价的作用，只 对少数指标数值处于极端水平的单位有意义。 线性加权综合法 [11] 综合评价的问题：对被评价对象所进行的客观、公正、合理的全面评价。 通常的综合评价问题都是有若干个同类的被评价对象（或系统），每个被评价对象往往都涉及到多个属性（或指标）。 综合评价的目的：根据系统的属性判断确定这些系统的运行（或发展）状况哪个优劣，即按优劣对各被评价对象进 行 排序或分类。 这类问题又称为多属性（或多指标）的综合评价问题。 综合评价的应用 : 综合评价是研究多目标决策问题的前提，因此研究解决这类问题在实际中是很 有 意义的。 特别 是在政治、经济、社会及军事管理、工程技术及科学决策等领域都西安 **大学本科毕业设计 (论文 ) 9 有重要的应用价值。 综合评价的一般步骤：明确评价目的；确定被评价对象；建立评价指标体系（包括评价指的原始值、评价指标的若干预处理等）；确定与各项评价指标相对应的权重系数；选择或构造综合评价模型；计算各系统的综合评价值，并给出综合评价结果。 评价指标类型的一致化：一般说来，在评价指标  1, 2 ,1mx x x m … ， 中可能包含有 “极大型 ”指标、 “极小型 ”指标、 “中间型 ”指标和 “区间型 ”指标。 极大型指标：总是期望指标的取值越大越好； 极小型指标：总是期望指标的取值越 小 越好；中间型指标：总是期望指标的取值既不要太大，也不要太小为最好。 （ 1） 极小型指标。 对于某个极小型指标 x ，则通过变换  139。 0xxx，或变换 39。 x M x，其中Ｍ为指标 x 的可能取值的最大值，即可将指标 x 极大化。 （ 2） 中间型指标。 对于某个中间 型指标，则通过变换，公式如下：       2 1,.239。 2 1,.2xm m x M mMmxxm M m x MMm           (18) 其中 M 和 m 分别为指标的可能取值的最大值和最小值，即可将中间型指标 x 极大化。 （ 3） 区间型指标。 对于某个区间型指标 x ，则通过变换，公式如下： 1 , .39。 1, .1 , .ax xacx a x bxb xbc      (19) 其中  ,ab 为指标 x 的最佳稳定的区间  m a x ,c a m M b  ， M 和 m 分别为指标 x 的可能取值 的最大值和最小值 ， 即可将区间型指标极大化 ， 取适当的中间值为最好 ， 区间型指标 ， 总是期望指标的取值最好是落在某一个确定的区间内为最好。 层次分析法 [12] 层次分析法（ AHP）是美国运筹学家匹茨堡大学教授萨蒂 ()于上世纪 70 年代初，为美国国防部研究 “根据各个工业部门对国家福利的贡献大小 ” 而进行电力分配 ”课题时，应西安 **大学本科毕业设计 (论文 ) 10 用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。 这种方法的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上，利用较少的定量 信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。 层次分析法是对难于完全定量的复杂系统作出决策的模型和方法。 层次分析法 (AHP 法 ) 是一种解决多目标的复杂问题的定性与定量相结合的决策分析方法。 该方法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各方案的优劣次序，比较有效地应用于那些难以用定量方法解决的课题。 BP 神经网络评价法 [13] BP（ Back Propagation）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（ input）、隐层 (hide layer)和输出层 (output layer)。 BP 神经网络是由输入层、中间层、输出层组成的阶层型神经网络。 中间层可扩展为多层，相邻层之间的各神经元进行全连接，而每层各神经元之间无连接。 当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值，然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。 此过程反复交替进行，直至网络的全局误差趋向给定的极小值， 则 完成学习过程。 运用 BP 神经网络评价企业的优点表现在 以下几个方面： ① 不需要过程非常复杂的人工演算，减少出错率； ② 只需要输入已有的参考数值，计算机便能很快算出数值结果，节省时间。 本 章 小结 本章中我们介绍了企业评价。