ＢＰ神經網絡在Ｃ２Ｃ電子零售商競爭力測量中的應用

[摘要] 本文通過分析BP神經網絡在競爭力測量中的優勢，介紹通過GUI界面構建競爭力測量模型、訓練模型、仿真模型、應用模型的方法，證明了BP神經網絡在競爭力測量中的可行性，指出了在使用中應注意的事項。

[關鍵詞] BP神經網絡 模型構建 模型訓練 模型仿真

一、BP神經網絡在測量競爭力中的優勢

人工神經網絡（Artificial Neural Network，簡稱ANN）系統是借鑒于人腦和神經系統存儲和處理信息的某些特征抽象出來的一種人工智能化的數字模型，具有并行分布的信息處理結構，通過對非線性函數的復合來逼近輸入輸出之間的映射關系。人工神經網絡具有許多優秀的特性，最擅長對近似的、不確定的、甚至矛盾相關的知識環境中進行決策，可以解決人為的權重設計和相關系數的計算。神經網絡通過對樣本的學習可以確定穩定的人工神經網絡模型，以該模型對C2C電子零售商競爭力進行動態評價和排序，計算誤差小，從而可以保證評價結果的客觀性。

人工神經網絡本身包含非常多的網絡模型，如BP網絡、Hopfield網絡、 Hamming 網絡、Grossberg網絡和競爭網絡等，由于BP網絡可以任意精度逼近任意連續函數，所以在已有的競爭力評價研究文獻中，使用BP(Back Propagation Network)網絡的居多。如高曉宏、郭軍、吳曉偉（2004）建立了時序BP網絡和因果BP網絡，根據企業競爭力的指標體系預測了企業的競爭力；李煜華等（2006）通過BP網絡對老工業基地的核心競爭力進行了評價；陳紅轉（2003）等通過BP網絡對銀行競爭力進行了評價。這些研究說明用BP網絡方法評價競爭力具有可行性。

BP網絡可以通過以下具體過程實現:

1.建立網絡模型，初始化網絡及字習參數；BP網絡的建立需要借助MATLAB軟件實現。通常有兩種方法：

編程法：net=newff (PR，[S1，S2……Sn]，{Tf1 Tf2 Tf3……Tfn}，BTF，BLF，PF)

其中net中存放所建立的網絡屬性和網絡參數，四個輸入變量分別為:

PR輸入向量的取值范圍；

Si 第i層的神經元個數，總共N層；

Tfi第i層的傳遞函數，缺省值為“tansig”；

BTFBP網絡訓練函數，缺省值為“trainlm”；

BLFBP網絡權值和闕值學習函數，缺省值為“learngdm”；

PF 性能函數，缺省值為“mse”。

GUI法：在matlab 命令窗口中輸入命令nntool， 就會彈出人工神經網絡的構建訓練仿真窗口。

本文使用第二種方法創建BP網絡。

2.提供訓練模式

選實例作學習訓練樣本訓練網絡，直到滿足學習要求；常使用的訓練函數有批梯度下降訓練函數（traingd，traingdm）、自適應修改學習率算法（traingda，traingdx）、有彈回的算法（trainrp）及共軛梯度算法（traincgf，traincgp）等。

3.前向傳播過程

對給定訓練模式輸入，計算網絡的輸出模式，并與期望模式比較，若誤差不能滿足精度要求，則誤差反向傳播，否則轉到2；

4.反向傳播過程

BP算法是一個很有效的算法，它把一組樣本的輸入、輸出問題變成一個非線性優化問題，并使用了優化問題中最普遍的梯度下降法，用迭代運算求解權相應于學習記憶問題，加入隱節點使優化問題的可調參數增加，從而可以得到更精確的解。

二、BP網絡在C2C電子零售商競爭力評價中的應用

本文選取包含20個測量指標的C2C電子零售商競爭力評價指標體系及調查數據（趙麗，2008）來說明BP網絡在競爭力測量方面的使用方法。

在設計BP網絡之前，首先應該準備好數據。Matlab7.0與Excel2003相通，所以將調查數據導進Matlab7.0中，命名為“data”。然后，將其中的10個C2C電子零售商競爭力指標數據作為訓練輸入數據，設為“traindata”;將專家對這10個C2C電子零售商競爭力的評價結果作為目標輸出量，設為“targets”；評價值越大，表明此電子零售商越有競爭力，由此構成10個訓練樣本對；將剩余的6個C2C電子零售商競爭力指標測量數據作為仿真數據，設為“simulatedata”。數據準備完畢，即可構建網絡。

1.構建網絡

網絡的輸入、輸出神經元的數量是由問題外部描述定義的。所以，如果有4個外部變量作為網絡輸入，那么網絡就有4個輸入。同樣，如果網絡有7個輸出，那么網絡的輸出層就應該有7個神經元：最后，輸出信號所期望的特征有助于選擇輸出層的傳輸函數。研究已表明，兩層網絡在其隱層中使用s形傳輸函數，在輸出層中使用線性傳輸函數，就幾乎可以以任意精度逼近任何感興趣的函數，只要隱層中有足夠的單元可用(見[Host89])。

根據論文研究實際，設計BP網絡評價模型如下:

A輸入層:根據C2C電子零售商競爭力評價指標體系，將最低層指標數作為輸入層神經元數，在本文中為20；

B隱含層:隱含層神經元數的選取關系到整個BP網絡的精確度和學習效率，在本文中結合理論分析和經驗選取隱含層神經元數為10；

C輸出層:對C2C電子零售商競爭力的評價是一個從定性到定量然后再到定性的過程，通過BP網絡模型將定性轉化為定量輸出，然后綜合評價集和輸出結果，對C2C電子零售商競爭力作出定性評價。因此，將輸出層神經元設置為1個。

所以，本研究的BP網絡結構是具有20-10-1結構的二層網絡，在matlab7.0中構建。命名為bpnetwork，選擇網絡類型為Feed-forward backprop，輸入數據范圍根據訓練樣本中的輸入數據確定，訓練函數選擇TRAINLM，自適應學習函數選擇LEARNGDM，效果函數選擇MSE，層數為2，第一層的神經元有10個，傳輸函數為TANSIG，第二層的神經元個數為1，傳輸函數為TANSIG。構建好的C2C電子零售商競爭力評價BP模型如圖1所示：

圖1 C2C電子零售商競爭力評價BP模型

2.訓練網絡

點擊Train菜單，在Training Info中選擇輸入數據traindata，選擇目標輸出數據targets，其它默認；在Training Parameters中設最大訓練步數epochs為50； goal為0.00001; show為25。其它參數time、min_grad、max_fail等均為缺省值。點擊Train Network，出現訓練效果圖，如圖2所示：

圖2 模型訓練效果圖

圖2中藍色曲線表示訓練路徑圖，黑色直線表示預定誤差值。在第15步時，兩線相交，網絡誤差平方和MSE達到了誤差目標goal =0.00001的要求，網絡模型訓練結束，說明網絡已初步符合要求。同時，MATLAB還提供了函數postreg用于對網絡訓練結果的進一步分析。函數postreg利用了線性回歸的方法分析了網絡輸出和目標數出的關系，即網絡輸出變化對于目標輸出變化的變化率，從而評估了網絡的訓練效果。將網絡訓練的數據導出后，在Matlab7.0的命令窗口中輸入命令：

[m，b，r]=postreg(bpnetwork_outputs，targetdata)

按Enter鍵，就會返回三個值，m和b分別表示最優回歸直線的斜率和y軸截距，當m=1且b=0時，網絡輸出與目標輸出完全相同，此時的網絡具有最優性能；r表示網絡輸出與目標輸出的相關系數，它越接近于1，表示網絡輸出與目標輸出越接近，網絡性能越好。通過圖3可知，m接近于1，b幾乎為0，r等于1，這說明此網絡的性能非常好。

圖3 模型訓練效果參數

圖4繪出了函數postreg顯示的圖形，橫坐標為目標輸出，縱坐標為網絡輸出，“○”表示數據，理想回歸直線（網絡輸出等于目標輸出時的直線）由實線表示，最優回歸直線由虛線表示。從圖可以看到虛線和實現幾乎重合，說明網絡具有非常好的性能，可以用這一網絡去判斷其它C2C電子零售商的競爭力了。

圖4 模型回歸直線圖

3.網絡仿真

將剩下的6個C2C電子零售商（“C1”、“C2”、“C3”、“C4”、“C5”、“C6”）競爭力指數的各項數據作為仿真數據，命名為simulatedata，作為輸入數據添加到Inputs中。點擊simulate，如圖5所示:

圖5 模型仿真

在Inputs下拉框中選擇simulatedata， outputs默認為bpnetwork_outputs，其他默認，點擊Simulates Network，在Network Data Manager窗口的Outputs中就會出現輸出結果值，在Errors中就會出現誤差值。

打開輸出結果參數，得其值如圖6所示。根據輸入數據與調查對象的對應關系，“C1”的競爭力為0.94224，“C2”的競爭力為0.74897，“C3”的競爭力為0.62101，“C4”的競爭力0.055052， “C5”的為0.56066， “C6”的為0.23556。根據訓練設置，值越大說明競爭力越強。所以，在這6個C2C電子零售商中，競爭力最強的是“C1”，其次是“C2”和“C3”，然后依次是“C6” “C7”，最差的是“C4”。

圖6 模型模擬結果

三、結論

本文通過比較競爭力綜合評價方法和人工神經網絡方法，指出了人工神經網絡在評價競爭力應用上的優勢，并通過文獻發現使用BP網絡具有可行性；在介紹了BP網絡的基本原理之后，借助Matlab7.0軟件構建了評價C2C電子零售商競爭力的二層BP網絡，通過訓練，使網絡達到了良好的性能，并仿真得到了6個C2C電子零售商的綜合競爭力，這再次說明了應用BP網絡評價C2C電子零售商的競爭力具有可行性，具有較強的應用推廣性。但是，在使用BP網絡評價競爭力時應選擇可靠的指標體系和權威的數據對來訓練網絡，否則計算結果會不準確。

參考文獻:

[1]李煜華胡運權胡瑤瑛:基于BP 神經網絡的老工業基地企業核心競爭力的綜合評價.商業研究，2006，05

[2]高小紅郭軍:基于BP人工神經網絡的企業競爭力預測模型.中國礦業，2004，08

[3]吳曉偉徐福緣:基于神經網絡的企業競爭力綜合評價方法.工業技術經濟，2004，04

[4]陳紅轉王飛等:基于BP網絡的銀行競爭力綜合評價.山東科技大學學報，2003，12

[5]聞新周露李翔張寶偉著:Matlab神經網絡仿真與應用.科學出版社，2003，07

[6]（美）哈根等著戴葵等譯:神經網路設計.機械工業出版社，2002，09

[7]趙麗:C2C電子零售商競爭力研究.中南財經政法大學碩士學位論文，2008

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”