基于Ｍａｔｌａｂ的ＢＰ神經(jīng)網(wǎng)絡(luò)在現(xiàn)金流量分析中的應(yīng)用

［摘 要］ 本文應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法的基本原理， 以公司的現(xiàn)金流量因素狀況為研究對象，建立了公司現(xiàn)金流量分析的神經(jīng)網(wǎng)絡(luò)模型，并進行了實證研究。

［關(guān)鍵詞］ BP神經(jīng)網(wǎng)絡(luò)；現(xiàn)金流量；實證研究

［中圖分類號］F232；F275［文獻標識碼］A［文章編號］1673-0194（2008）06-0039-02

一、神經(jīng)網(wǎng)絡(luò)反向傳播算法（BP算法）的基本原理

神經(jīng)網(wǎng)絡(luò)的學習算法有許多種，比如反向傳播（BP）算法、Hopfield算法等。其中在非線性分類中最常用的是BP算法。其學習的目的就是對某一特定的輸入產(chǎn)生一個希望的輸出，這就需要網(wǎng)絡(luò)不斷地調(diào)整連接線的權(quán)值。一般說來，BP算法的步驟如下 ：（1）對全部連接線的權(quán)值進行初始化，一般設(shè)置成較小的隨機數(shù)，以保證網(wǎng)絡(luò)飽和或反常的情況；（2）取一組訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)，并計算出網(wǎng)絡(luò)的輸出值；（3）計算該輸出值與期望值之間的偏差，然后從輸出層反向計算到第一隱含層，向著減少該偏差的方向調(diào)整各條線的權(quán)值；（4）對訓(xùn)練集中的每一組訓(xùn)練數(shù)據(jù)都重復(fù)步驟（2）、（3），直到整個訓(xùn)練的偏差達到能被接受的程度為止。

二、現(xiàn)金流量分析的輸入向量與輸出向量的設(shè)計

按財務(wù)分析理論，現(xiàn)金流量因素分析指標體系一般包括以下5個指標：現(xiàn)金流量總值、經(jīng)營活動現(xiàn)金流量、投資活動現(xiàn)金流量、籌資活動現(xiàn)金流量以及非經(jīng)常性項目活動現(xiàn)金流量，這5個指標即為輸入指標。現(xiàn)金活動流量因素的輸出共有兩種，分別為：充足、不足。

在現(xiàn)金流量的分析中，僅僅考慮現(xiàn)金流量的組成與來源是不夠的，還要考慮時間的因素，即要考慮時間序列分析，而且，行業(yè)因素也是不可忽略的因素，所以本文采用以下形式的數(shù)據(jù)標準化方法：BP網(wǎng)絡(luò)輸入值=企業(yè)實際值/行業(yè)標準值。由于行業(yè)的標準值是隨時間變化的，因此通過這樣的變換，可以兼顧行業(yè)和時間因素。一個指標對應(yīng)一個輸入結(jié)點，則輸入結(jié)點數(shù)定為5個。現(xiàn)金流量分析的輸出結(jié)果有兩個，即充足和不足。這樣一個輸出對應(yīng)于一個輸出節(jié)點，則輸出節(jié)點定為兩個。一般說來，中間節(jié)點的個數(shù)應(yīng)該小于輸入節(jié)點數(shù)，而大于輸出節(jié)點數(shù)，所以無需通過公式計算，中間節(jié)點的個數(shù)定為3個。

本文準備的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)及結(jié)果如表1所示，本文的目的是分析公司5的現(xiàn)金流量狀況如何。

由于公司現(xiàn)金流量狀況包括兩種模式，因此可采用如下的形式來表示輸出：充足：（1，0）；不足：（0，1）。

三、BP神經(jīng)網(wǎng)絡(luò)模型對現(xiàn)金流量因素分析的Matlab程序?qū)崿F(xiàn)

按問題的要求，公司1，2，3，4為訓(xùn)練數(shù)據(jù)，公司5為測試數(shù)據(jù)，筆者編制如下神經(jīng)網(wǎng)絡(luò)優(yōu)化算法分類程序存放在M文件wl.m中。

%神經(jīng)網(wǎng)絡(luò)優(yōu)化wl.m文件

%P中的數(shù)據(jù)為訓(xùn)練數(shù)據(jù)

P=[0.9208633091 0.702005731 1 0.667857143;1 0.759689922 0.535816619 0.659793814 1;0.762589928 0.483204134 1 0.728522337 0.832142857;0.111510791 0.105943152 0.080229226 0.199312715 0.260714286]'；

%T中的數(shù)據(jù)為分類數(shù)據(jù)，（1，0）表示充足 ，（0，1）表示不足。

T=[1 0；1 0；1 0；0 1]'；

%cs表示神經(jīng)網(wǎng)絡(luò)的輸入向量的最大值和最小值，即范圍為[0，1]

cs=[0 1；0 1；0 1；0 1；0 1]；

%創(chuàng)建神經(jīng)網(wǎng)絡(luò)，輸出層為2個，隱含層為3個（注意：這個數(shù)可不斷地用計算機來測試，這里選3），隱含層的神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層的神經(jīng)元的傳遞函數(shù)采用S型對數(shù)函數(shù)logsig，這是由于輸出模型是（0，1），正好滿足網(wǎng)絡(luò)的輸出要求。

net=newff（cs，[3，2]，{'tansig'，'logsig'}，'trainlm'）；

%網(wǎng)絡(luò)的訓(xùn)練次數(shù)

net.trainParam.epochs=1000；

%網(wǎng)絡(luò)訓(xùn)練的精確度為1%

net.trainParam.goal=0.01；

%網(wǎng)絡(luò)的學習速率為0.1

LP.lr = 0.1；

%開始訓(xùn)練

net = train（net，P，T）；

%測試數(shù)據(jù)

P_test= [0.154676259 0.074935401 0.077551020.140893471 0.207142857]'；

%模擬仿真結(jié)果

Y=sim（net，P_test）

在Matlab狀態(tài)下執(zhí)行m文件，得到如下結(jié)果：

TRAINLM， Epoch 0/1000， MSE 0.305416/0.01， Gradient 1.30641/1e-010

TRAINLM， Epoch 2/1000， MSE 0.00596585/0.01， Gradient 0.0610003/1e-010

TRAINLM， Performance goal met.

Y =（0.005 3，0.987 9）

可見，經(jīng)過2次訓(xùn)練，網(wǎng)絡(luò)的性能就達到了要求，如圖1所示。收斂速度快的一個重要原因在于學習速率LP.lr = 0.1的設(shè)定值比較大。

結(jié)論分析：經(jīng)過測試，人工神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果

（0.005 3，0.987 9）與目標值（0，1）的誤差在0.01允許范圍內(nèi)，效果較好，結(jié)論表明：公司5的現(xiàn)金流量不足。

主要參考文獻

［1］ 朱順泉. 統(tǒng)計與優(yōu)化應(yīng)用［M］. 北京：清華大學出版社，2007.

［2］ 飛思研發(fā)中心. 神經(jīng)網(wǎng)絡(luò)理論與Matlab 7實現(xiàn)［M］. 北京：清華大學出版社，2005.