基于管理軟件對人工神經網絡的一點理解

摘 要 現代信息化時代，企業光靠人為管理是不夠的，專業化、規范化的辦公管理軟件可以助我們達到事半功倍的效果。簡單來說，管理軟件就是用來解決管理問題的軟件系統，管理軟件是一個EXCEL的小插件工具，利用神經網絡這個工具可以幫助用戶解決諸多管理問題，尤其是那些長期難以解決的管理難題。

關鍵詞 管理軟件 人工神經網絡算法

一、對管理軟件的認識

管理軟件的直接用途就是讓用戶的管理要求能夠得到實際落地的貫徹執行，從根本上講這個過程是通過管理信息化實現的，而管理軟件的核心工具就是管理信息化。

基于模塊角度來劃分，可以將企業管理軟件劃分為資產管理、設備管理、成本管理、進銷存管理、供應鏈管理、行政辦公管理、客戶關系管理、知識管理、財務管理、人力資源管理等多項分支。

二、神經網絡算法的理解

通過對神經網絡算法領域的研究，可以將基本學習方法劃分為無教師學習方法與有教師學習方法兩種：

第一，無教師學習方法。主要是將實例模式輸入到神經網絡后，根據事先設定的規則對權值進行調整。

第二，有教師學習方法。首先是輸入實例K，根據權值分布W（K）來對輸出Y（W，K）與實例K的期望輸出Y*（K）對比，在此基礎上對網絡的權值分布進行調整，進而達到函數值差最小的目標。

（一）神經網絡的專家算法

基于神經網絡的知識表示方法所擁有的優點包含以下幾個：

第一，易于實現知識的自動獲取。

第二，易于網絡的知識推理。

第三，易于知識的組合。

第四，可以對食物的復雜關系進行表示。

（二）神經網絡專家系統與一般專家系統的不同

相對于一般專家系統來說，神經網絡專家系統差別較大，具體包含以下幾點：

第一，神經元知識庫可以執行并行處理，并且采用的是分布式存儲。

第二，神經元網絡的學習算法相對成熟。

第三，具有較好的容錯性。

基于神經元的信息處理過程形成了推立機。

三、以城鎮居民生活質量水平指標評價模型的建立為例

（一）基于模糊綜合評價法計算的城鎮居民生活質量水平指標值：

首先對下述表格中的8個指標賦權重值，本文采用的權重值為近似的公認的城鎮居民生活質量水平很高的城鎮居民平均消費結構數據。如表1：

為了使所求綜合隸屬度值更具合理性、可比性和實用性，我們假設了兩種極端情況下的地區城鎮居民生活水平狀況，即最低值和短期內不會實現的較高值。如地區1的所有因素指標值均為0，而地區2的因素指標值為較高值。

其次建立各評估要素的隸屬度函數：

如食品（X1）要素隸屬度函數y（x）的建立如下（數據見附表）：

y（xi1）=（xi1-0）/（13500-0） 0≤x≤13500 i=1、2……217

依照上述函數求得的各城市的食品項因素的隸屬度值依次為：y（x11）=0.0000、y（x21）=1.0000、

y（x31）=0.1467、y（x41）=0.0459、y（x51）=0.1701……y（x2191）=0.1417（計算過程略）。

其他要素隸屬度函數的建立及求值同理。

利用上述值乘以0.27，我們可以得到不同城鎮居民的食品支出對其生活質量水平的貢獻值或影響程度值分別為0.0000、0.2700、0.0396……0.0383。

衣著、居住等因素對居民生活質量水平的貢獻值或影響程度值的計算同上。

將上述所求得的各項因素對居民生活質量水平的貢獻值或影響值加總求和，可以得到能夠反映各地區人民生活質量水平的綜合隸屬度值，也即所要求的可以用來衡量城鎮生活質量水平的指標值。依次為0.0000、1.0000、0.0983、0.1068……0.1127（數據見附表）。

生活質量指標值很好地反映了不同地區各自的人民生活水平狀況，也直觀地反映了不同地區之間的差距，便于我們進行比較和評價（因本文所選理想城鎮居民的消費水平很高，所以沒能把所求的真實情況中各城鎮的指標值的距離拉開）。

（二）基于BP神經網絡模型計算的生活質量指標值

使用braincel來實現基于BP算法的三層前饋神經網的功能，其工作原理如下：假設輸入向量為X=（x1，x2，…，xi，…，xn）T；隱層輸出向量為Y=（y1，y2，…，yj，…，ym）T；輸出層輸出向量為O=（o1，o2，…，ok，…or）T。期望輸出向量為d=（d1，d2，…，dk，

…dr）T。用V來表示隱層與輸入層間的權值矩陣，其中V=（V1，V2，…，Vj，…Vm），Vj為隱層第j個神經元對應的權向量；另外，用W代表輸出層與隱層間的權值矩陣，具體為W=（W1，W2，…，WK，…，Wr），WK為第k個神經元所對應的權向量。它們之間的關系：

其中轉移函數為：f（x）=1÷（1+e-x） （5）

以上算式（1）～（5）為三層前饋網絡的數學模型。

四、在使用神經網絡時有幾點需要注意

在對神經網絡運用的過程中，所需要注意的問題包含以下幾點：

其一，要解釋神經網絡是非常困難的，并且截至目前并沒有針對神經網絡形成較為簡便的方法學。

其二，排除較為簡單的問題，要對一個神經網絡進行訓練，則需要花費一定的時間。但在建立好神經網絡后，將其運用在預測工作當中，其處理速度是非常快的。

其三，需要選擇合理、恰當的訓練神經網絡，并對神經網絡的方法進行嚴格的控制，具有代表性的有交叉驗證法、測試集方法等，其根本原因是神經網絡具有可變參數過多、過于靈活等特征，幾乎能夠對所有事情加以“記錄”。

（作者單位為湖北職業技術學院）

[作者簡介：鄭敏（1987—），女，碩士研究生，講師，研究方向：財務會計。]

參考文獻

[1] 周政. BP神經網絡的發展現狀綜述[J].山西電子技術，2008（2）.

[2] 黎鵬.基于BP神經網絡、蒙特卡羅模擬與核估計的經濟增長預測研究[J].價值工程，2009（7）.

[3] 李翱翔，陳健.BP神經網絡參數改進方法綜述[J].電子科技，2017（2）.

[4] 韓力群.人工神經網絡教程[M].北京郵電大學出版社，2017.