導語：如何才能寫好一篇神經網絡經濟學，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

doi:10.11772/j.issn.10019081.2013.07.1942

摘 要:

針對極限學習機(ELM)算法隨機選擇輸入層權值的問題，借鑒第2類型可拓神經網絡(ENN2)聚類的思想，提出了一種基于可拓聚類的ELM(ECELM)神經網絡。該神經網絡是以隱含層神經元的徑向基中心向量作為輸入層權值，采用可拓聚類算法動態調整隱含層節點數目和徑向基中心，并根據所確定的輸入層權值，利用MoorePenrose廣義逆快速完成輸出層權值的求解。同時，對標準的Friedman#1回歸數據集和Wine分類數據集進行測試，結果表明，ECELM提供了一種簡便的神經網絡結構和參數學習方法，并且比基于可拓理論的徑向基函數(ERBF)、ELM神經網絡具有更高的建模精度和更快的學習速度，為復雜過程的建模提供了新思路。

關鍵詞:可拓聚類；極限學習機；徑向基函數；回歸；分類

中圖分類號: TP18文獻標志碼:A

英文標題

Extension clusteringbased extreme learning machine neural network 

英文作者名

LUO Genghe*

英文地址(

Department of Mechanical Engineering, Xian Aeronautical University, Xian Shaanxi 710077, China英文摘要)

Abstract:

During the construction process of Extreme Learning Machine (ELM), its input weights are randomly generated, and these parameters are nonoptimized and contain no prior knowledge of the inputs. To solve these problems, combining the clustering method of Extension Neural Network type 2 (ENN2), an extension clustering based extreme learning machine (ECELM) neural network was proposed. In ECELM neural network, the radial basis function centers of hidden neurons were firstly taken as the input weights, then extension clustering method was used to adaptively adjust the hidden neurons number and center vectors, and this welladjusted information was trained by MoorePenrose generalized inverse to obtain the output weights. Meanwhile, the effectiveness of this network was tested by the Friedman#1 dataset and the Wine dataset. The results indicate that ECELM provides a simple and convenient way to train the structure and parameters of neural network, and it is of higher modeling accuracy and faster learning speed than Extension theory based Radial Basis Function (ERBF) or ELM, which will provide a new way to apply the ECELM to complex process modeling.

篇2

關鍵詞： 動力學神經網絡； 梯度下降法； 李雅普諾夫穩定性判據； 權值調整算法

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2017）03?0167?04

Construction of dynamics neural network model and its stability study

LI Liping1， HAN Bingxin2

（1. Shijiazhuang Tiedao University Sifang College， Shijiazhuang 051132， China； 2. Shijiazhuang Tiedao University， Shijiazhuang 050000， China）

Abstract： Since the static artificial neural network has the complicated network structure while reflecting on the system dynamic behavior， and can′t reflect on the system dynamic performance better， a new dynamics neural network model composed of the neuron with adjustable feedback coefficient and integrator is proposed. The new neural network can better reflect on the system dynamic performance than the previous dynamic network （recursion network） or the network improved on the basis of it， has simpler network structure and faster training process to make the system run better. The gradient descent method is used to study the weight adjustment algorithm of the network. The stability condition of the new dynamics neural network is discussed according to the Lyapunov stability criteria. The study of the network provides a better model structure and theory algorithm for reflecting on the system dynamics behavior， and a new research direction for the development of the neural network.

Keywords： dynamics neural network； gradient descent method； Lyapunov stability criteria； weight adjustment algorithm

鑒于傳統神經網絡處理動態問題能力的不足，本文提出一種由帶有積分器和可調反饋系數的神經元構成的動力學神經網絡，并研究了其穩定性。此網絡能更好地處理時變輸入或輸出通過時延環節反饋到輸入的問題，可以不需要像靜態網絡那樣通過外時延環節反饋來描述動態系統，可以大大地簡化網絡模型。新型網絡中的積分環節可以時刻反應輸出狀態以便于更好地實時檢測系統，而可調的反饋系數使網絡得到更好的訓練。

1 動力學神經網絡模型的建立

1.1 動力學神經元模型

當系統從一個穩態向另一個穩態轉變，尤其是在工況條件發生較大變化時，得到的穩態模型將無法準確地反映輸入與輸出之間的關系，而動態模型可以完成這一任務。

傳統動態網絡如遞歸網絡[1～5] 是通過在靜態網絡中加入延時單元，把以前的狀態存儲在延時單元中。此時可以看作是把時間信號轉變為空間表示后再送給靜態的前饋網絡，將動態時間建模問題變為一個靜態空間建模問題，可是這樣會增加網絡結構的復雜程度。

本設計引入反饋使網絡成為一個動態系統，故提出了一種新的動力學神經元模型，結構圖如圖1所示。它本身帶有積分器和反饋環，使得神經網絡能夠用微分方程來描述，微分方程能夠描述真正意義上的動力學行為，從而使動態神經元構成的動力學神經網絡包含更多的信息，更接近于人腦的思維活動。

其中：

得到如下模型方程：

式中：[ui（t）]為[t]時刻神經元[j]接收的來自神經元[i]的信息輸入；[wji（t）]為神經元的突觸連接系數或權重值；[fvt]為神經元轉移函數；[xt]為輸出量。

1.2 動力學神經網絡模型的構建

由動態神經元構成的動力學神經網絡如圖2所示。

2 動力學神經網絡的理論算法推導研究

2.1 動力學神經網絡的學習

確定動力學神經網絡結構后，要通過輸入和輸出樣本集對網絡進行訓練，即對網絡的閾值和權值進行學習和修正，使網絡實現給定的輸入輸出映射關系。

動力學網絡的學習過程[6～8]為：

（1） 輸入一組學習樣本，通過設置網絡結構和前一次迭代的權值和閾值，從網絡的第一層向后計算神經元的輸出。

（2） 對權值和閾值進行修改，從最后一層向前計算各權值和閾值對總誤差的影響梯度，據此對各權值和閾值進行修改。

（3） 步驟（1），（2）反復交替，直到網絡收斂為止。

一般反饋網絡的權值每次調整的規律是相同的，不是經過反復學習獲得的，而是按一定規則進行設計，網絡權值一旦確定就不再改變，沒有權值調整的訓練過程。而動力學神經網絡的權值在調整時反饋系數是不斷變化的，權值的調整規律也是不斷變化的。

2.2 動力學神經網絡的理論算法推導

目前對非線性動力學神經網絡的研究已經開始，對于不同的神經網絡結構模型采取的算法也是不同的[9～10]。

帶有積分環節和反饋環節的動力學神經網絡同BP網絡基本相近，當帶有積分環節和反饋環節的動力學神經網絡的關聯節點為0時，這時的動力學神經網絡就是BP網絡，所以在考慮動力學神經網絡的權值調整規則時可以借用BP算法。

動力學神經網絡學習按照神經元的[δ]學習規則即梯度下降法學習。學習由動態地改變網絡單元連接的權值來實現，當權值達到特定要求后就轉到網絡的狀態動力學過程。

將動力學神經網絡的誤差定義為：

3 動力學神經網絡穩定性的研究

一個控制系統最重要的特性要求莫過于它的穩定性。系統是否穩定以及怎樣改善其穩定性是系統分析與設計的首要問題。

神經網絡控制系統也必須滿足穩定性要求。早在1892年，俄國數學家李雅普諾夫 （Lyapunov）就提出了判定系統穩定性的方法[11?12]。李雅普諾夫第二法是借助于一個李雅普諾夫函數或直接對系統平衡狀態的穩定性做出判斷，是從能量的觀點進行穩定性分析的。

應用此種方法判定動力學神經網絡的穩定性，最重要的是尋找一個李雅普諾夫函數[V（x），]然后根據[V（x）=dV（x）dt]的符號特征判別系統的穩定性。對于動力學神經網絡，若能找到一個正定的標量函數[V（x），][V（x）]是小于零的，則網絡是漸近穩定的。

證明：首先定義一個李雅普諾夫（Lyapunov）函數[V（n）=12e2（n）=12E]

若要判定網絡是否穩定，需要判斷[V]的變化是不是小于零的，即[ΔV（n）

現在來分析滿足什么條件時，[ΔV（n）

學習算法的穩定性取決于學習速率因子[η]。當[η]取較大值時，可以加快網絡的訓練速度，但是如果[η]的值太大，會導致網絡的穩定性降低和訓練誤差增加。當[η]較小時，算法自適應過程較慢，算法記憶更多的過去數據，結果就更加精確。也就是說，算法的運行時間和學習速率因子成反比或者說學習速率因子的倒數就表示了算法的記憶容量。所以學習速率因子[η]應在滿足式（26）的條件下取較大的值，保證收斂速率，隨著迭代次數的增加，[η]的值也應該減小，以保證精度。

4 結 論

本文總結現存網絡的優缺點，在此基礎上提出了一種新型的動力學神經網絡模型，并進行了建模；利用梯度下降法研究了該網絡的權值調整算法，并通過李雅普諾夫穩定性判據討論了這種新型動力學神經網絡穩定性的條件。此網絡結構更加簡單，訓練過程加快，從而使系統能夠更好的運行。本網絡研究為反映系統的動力學行為提供了更好的模型結構和理論算法，為神經網絡的發展提供了新的研究方向。

參考文獻

[1] MAO Z H， MASSAQUOI S G. Dynamics of winner?take?all competition in recurrent neural networks with lateral inhibition [J]. IEEE transactions on neural networks， 2007， 18（1）： 55?69.

[2] HOU Z G， GUPTA M M， NIKIFORUK P N， et al. A recurrent neural network for hierarchical control of interconnected dynamic systems [J]. IEEE transactions on neural networks， 2007， 18（2）： 466?481.

[3] TASSA Y， EREZ T. Least squares solutions of the HJB equation with neural network value?function approximators [J]. IEEE transactions on neural networks， 2007， 18（4）： 1031?1041.

[4] KIERIER R J. Design and implementation of multi?pattern ge?nerators in analog VLSI [J]. IEEE transactions on neural networks， 2006， 17（4）： 1025?1038.

[5] LIU P Z， HAN Q L. Discrete?time analogs for a class of conti?nuous?time recurrent neural networks [J]. IEEE transactions on neural networks， 2007， 18（5）： 1343?1355.

[6] 胡伍生.神經網絡理論及其工程應用[M].北京：測繪出版社，2006：30?38.

[7] 朱大奇.人工神經網絡原理及應用[M].北京：科學出版社，2006：7?20.

[8] 胡德文.神經網絡自適應控制[M].長沙：國防科技大學出版社，2006.

[9] 何燕玲.幾類神經網絡模型的動力學行為研究[D].長沙：湖南大學，2006.

[10] YAN Keyu， ZHONG Shouming， YANG Jinxiang. Asymptotic properties of a dynamic neural system with asymmetric connection weights [J]. Journal of electronic science and technology of China， 2005， 3（1）： 78?86.

篇3

［關鍵詞］大學生心理障礙 神經網絡 人工智能

［中圖分類號］G647［文獻標識碼］A［文章編號］1009-5349（2011）07-0204-02

面對急速擴大的高校規模及不斷增長的學生需求，各高校的心理健康教育工作都面臨著一個同樣難題：僧多粥少，即從事該方面工作的教師少，滿足不了廣大學生的迫切需要。專職心理咨詢員嚴重不足，已成為大學心理健康教育與心理干預的一大障礙。人工智能理論的發展給計算機輔助心理障礙識別帶來機遇。論文以大學生常見心理障礙識別為例，構建一個基于BP神經網絡為例的心理障礙識別模型。該模型具備自主學習能力，從而可以實現大學生心理障礙的網上自我診斷，為高校心理咨詢和心理健康隊伍提供支持。

一、大學生心理健康教育現狀

高校肩負著培養新世紀人才的重任，而大學生身心健康與否直接關系到民族興衰、國家強弱以及個人成才。然而近年來，高校中出現的學生心理健康問題直接影響著學生綜合能力以及整個高校學生總體素質的提高。

目前，大學生們或多或少地存在心理障礙已是一個普遍現象。一項以全國12.6萬多大學生為對象的調查顯示：20.23%的學生有明顯的心理問題，約有1/4的學生存在不同程度的心理障礙。據權威部門統計，因各種心理障礙引起心理疾病而休退學的大學生人數已經占總休、退學人數的比例近50%。我國高校“少年班”學員中，約有1/3的學生因各種心理障礙不能完成學業而被淘汰。在石家莊某高校，近幾年休、退學的30多名學生中，48.65%患某種心理疾病。隨著社會變革和獨生子女的大批涌入高校，近幾年來，大學生患有心理障礙的人數呈上升趨勢，這不得不引起高校管理者的高度重視。

隨著信息技術的突飛猛進，網絡在大學生群體中漸漸普及，甚至成為大學生的一種生活方式。網絡心理咨詢方式是信息時代心理咨詢發展的必然趨勢，網絡心理咨詢和心理障礙診斷也不斷成為國內外學者的研究課題。

二、模型程序及模型服務構成

Web Services所提供的模型服務是一個容器，可以將任何該協議的模型放入其中。下面以神經網絡模型為例，建立大學生心理障礙識別模型。該模型的重點在于模型服務器和DSS開發平臺的可視化，并具備跨平臺能力和自主學習能力。

（一）BP神經網絡模型

神經網絡的決策支持在于利用神經元數學模型（MP模型）和Hebb學習規則，對大量的實例（樣本）進行學習獲取知識（網絡權值），再利用該神經網絡對新例子進行識別。它是以定性和定量相結合的方式輔助決策，定性方式具有利用知識（權值）進行推理（神經元信息處理）的特點，定量方式具有神經元的信息處理過程是采用數值計算方法。BP神經網絡模型是1985年由Rumelhart等人提出的，具有多層網絡結構，不僅有輸入結點、輸出結點，而且還有一層或多層隱結點，它是目前用得最多的神經網絡模型。

（二）建立模型服務項目

在技術平臺的開發環境Visual 中提供了比較簡單明了的開發向導，任何基本了解Web Services技術框架的開發者，都能在短時間內開發出決策支持系統模型服務。比如，在Microsoft Visual C＃2005環境下，通過向導建立一個 Web服務――大學生心理障礙識別神經網絡模型服務項目。

該開發平臺自動為所建立的Web Services模型項目設置了大部分內容，開發者只要專注開發和實現這個模型的接口及其算法。對于建立好的模型服務，可以使用客戶程序進行調用，也可以使用普通瀏覽器進行查詢和使用，這就是所謂的“瘦”客戶端解決方案。除此之外，調用模型服務的還可以是另外一個Web Services模型服務器，它把多個Web Services模型服務集成為更復雜和功能更強大的模型服務。

三、大學生心理障礙識別模型服務開發過程

鑒于篇幅原因，以從五個特征識別大學生常見心理障礙為例，說明模型服務的開發過程。輸入的特征包括5個方面：軀體癥狀、行為癥狀、情緒癥狀、睡眠癥狀、人際交往癥狀。選擇6種大學生常見心理障礙作為訓練（見表1），構造大學生心理障礙識別神經網絡。在實踐運用中選取的特征要復雜得多，可能用到的特征將會多達數十種。

該樣本設計成神經網絡，網絡輸入層的神經元個數為6個，輸出層的神經元個數為5個，隱層的神經元個數為7個。

進行神經元網絡計算，需要把文字概念轉換為數值。為了便于數據的判別，用七維向量值表示各個特征，其中前三位表示類別，后四位表示特征，則共可以容納27=128種特征。表1的內容經過文字到數值轉換后的結果見表2。

BP網絡中改進后加入的動量項初始賦值為0.7，網絡的學習速率設為0.51。網絡訓練的循環次數規定為4000，訓練誤差期望值為0.000001。

有了模型服務的原型之后，將原型轉變為C#語言源代碼，并將源代碼保存在文件proxyclass.cs中，在DSS客戶端項目中添加該文件，并在要使用該類的程序中引用其命名空間。有了Web Services模型服務和數據庫系統的支持，就比較容易開發心理障礙識別決策支持系統客戶端應用程序了。完成神經網絡訓練后，對樣本進行缺省條件輸入，輸入的五組數據見表3。

運行客戶端程序，得到推理結果報表。所得到報表包含以下內容：

（1）完成文字到數值轉換后的輸入參數；（2）神經網絡的計算輸出值；（3）根據輸出數值得到的最終結論。得到的推理結果如圖1所示：

從計算結果中可以看出容錯效果很好，對第一例，對焦慮癥缺省睡眠癥狀條件時，輸出結果仍然是焦慮癥（0.8359）；對第四例，對強迫癥缺省行為癥狀和多一個軀體癥狀條件時，輸出結果仍然是強迫癥（0.8782）；對第五例，輸入強迫癥和恐懼癥的共同信息時，神經網絡輸出是既靠近強迫癥（0.8356）又靠近恐懼癥（0.8381），輸出結論：該病例是一個介于強迫癥和恐懼癥的中間種類，不能被明確識別，神經網絡需要進一步學習。

四、討論

心理治療專家預測，通過互聯網開展的心理咨詢在未來的10 年里將成為全社會第二大快速增長的服務領域。當前，網絡心理咨詢發展迅速，各高校也紛紛利用自身優勢，開設心理咨詢的網站或網頁。論文提出的基于BP神經網絡的大學生心理障礙識別模型解決方案，通過在西安外國語大學網上心理咨詢系統開發中的實施，取得了良好的效果。

【參考文獻】

[1]崔麗霞等.網絡心理咨詢的療效與展望[J].心理科學進展,2007,(2).

[2]陳文偉,廖建文.決策支持系統及其開發(第三版)[D].北京:清華大學出版社,2008:385-428.

[3]Marakas G M等.21世紀的決策支持系統[D].北京:清華大學出版社,2002.

[4]Han J,Kamber M.數據挖掘概念與技術[D].北京:機械工業出版社,2001.

篇4

關鍵詞：一流學科；課程結構；BP神經網絡；創新型人才

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2017）03-0162-02

建設國際一流的學科是創建國際一流大學的基礎，堅持以一流為目標，以機械工程學科為基礎，優化課程結構體系，培養創新型人才。機械工程學科課程結構建設是研究生培養的重要特征，也是創新型人才培養的重要載體和平臺。本文以大學排名為依托，選取全球范圍內認可度較高的大學排名――國際高等教育研究機構Quacquarelli Symonds（簡稱QS）世界大學工程技術類排名的各項參數作為依據。設計人工神經網絡模型，將眾多復雜的指標綜合起來，并予以量化。

一、課程結構與創新型人才培養的關系

培養創新型人才既是當前中國高校教育改革與發展的一個重要課題，也是中國經濟社會發展的迫切需要，對知識的學習和積累也提出了更高的要求。任何課程體系都必須圍繞并服務于創新人才各方面素質的全面發展以及個性培養而設計，不能顧此失彼，從各門課程的組成要素看，也必須注意進行整體設計，兼顧各要素之間的聯系，才能起到相互促進的作用[1]。人們在社會科學、自然科學和技術科學等各學科內，通過多門學科相結合，運用各種方法、技巧等，使其相互結合，形成新的學科，提高研究生的創新能力。

二、基于BP神經網絡的機械工程研究生課程結構分析

BP神經網絡是被廣泛應用的一種重要網絡形式，主要用來進行非線性系統的輸入輸出映射關系建模。本文采用的是隱含層為一層的三層BP神經網絡模型，該模型為有監督的多層前向網絡，由三層神經元組成：輸入層、隱含層和輸出層，其不同層之間用網絡權值進行連接，同層內部神經元之間沒有連接關系[2]。

通過對QS世界大學排名中工程技術類排名前400的部分院校進行排名指標數據整理和匯總，以及對其機械工程學科研究生課程進行搜集和分類，參考部分典型的課程結構分類標準，將機械工程學科的研究生課程分為自然科學基礎、工程技術基礎、機械設計、機械制造、機電一體化、生物方面、能源環保方面、微納尺度、管理九類課程，作為九個指標，將其每類課程所占百分比，作為BP神經網絡輸入層的神經元；輸出層有四個神經元，數據來源于QS世界大學排名中工程技術類排名，包括總體得分、學術聲譽、全球雇主評價、單位教職的論文引用數。通常我們要根據網絡收斂性能的好壞來確定隱含層神經元個數，通過對大量網絡模型結構的分析研究，得到以下經驗公式[3]：

S=■+a 1≤a≤10 （2.1）其中S為隱含層節點數，m為輸入層節點數，n為輸出層節點數。根據公式（2.1），我們首先將隱含層神經元數目設置為10，然后逐步增加到15和20。進行多次實驗，通過誤差的對比，發現在隱含層神經元個數為25時，該BP神經網絡的性能最好。因此，該BP神經網絡模型隱含層神經元數目設為25。將輸入數據的70%作為訓練數據，15%作為測試數據，15%作為驗證數據，通過對訓練結果進行測試，誤差達到所要求的范圍內則說明網絡模型良好[4]。利用MATLAB訓練及測試后的網絡誤差情況如下頁圖1所示，訓練和測試誤差均達到預期效果，大多集中在零誤差附近，該模型滿足實際的應用要求。

三、中國高校與國際一流學科大學的對比分析

列舉中國某“211工程”、“985工程”高校，對其研究生院機械工程學科課程結構進行調查與統計，將其課程分布的9個參量輸入到訓練好的BP神經網絡，推測出其總體得分、學術聲譽、全球雇主評價、單位教職的論文引用數4個參量。

輸入x=[9.76 13.82 39.84 11.38 21.95 0.00 0.81 0.81 1.63]；

輸出ans=57.8018 28.9101 38.9170 72.6147

中國某高校總體得分為57.8018，學術聲譽28.9101，全球雇主評價38.9170，單位教職的論文引用情況72.6147。從推測出的數據看，在QS排名中，中國某高校主要落后在學術聲譽、全球雇主評價等指標上，相比于國際一流學科高校還是有很大的差距，差距最大的主要是科研水平和國際化方面，尤其是在科研水平方面。對比來看，在課程設置中，國際一流大學一流學科都有著豐富的課程設置，強調多學科融合以及新興領域的學習，注重課程設置，推進創新型人才的培養。中國高校要創建國際一流學科，加大培養創新型人才的力度，應強化基礎知識的學習，多開設工程技術基礎類課程；在此基礎上，加強專業知識的拓寬，不同專業方向專業課程供開放選擇，增設新興領域的課程學習[5]。另外，要強化多學科知識的融合，設置大量交叉學科課程，提高實踐能力，鍛煉和提高學生的實踐和創新能力。

四、結論

本文研究了國際一流大學機械工程學科的課程體系結構，利用QS世界大學排名相關參數指標，建立了三層BP神經網絡分析模型，對國際一流高校的機械工程學科課程結構進行了分析。基于所建數學模型，求出了中國某高校的QS總體得分、學術聲譽、全球雇主評價、單位教職的論文引用情況等。選用QS排名中的29所高校作為系統樣本，其中25組作為訓練樣本，4組作為測試樣本，通過MATLAB完成網絡的訓練和測試，使用訓練好的BP網絡模型，推測QS排名系統未列出的中國某高校的QS相關參數，將其與國際一流學科的數據進行了比較分析。結果表明，中國某高校機械工程學科在課程結構設置上需要整體優化，強調多學科融合，拓寬知識面，鞏固基礎知識學習，加大創新型人才培養力度。

參考文獻：

[1]郭叢斌，孫啟明.中國內地高校與世界一流大學的比較分析――從大學排名的視角[J].教育研究，2015，（02）：147-157.

[2]饒海琴，雷良海.重點課程建設對創新人才培養的思考[J].課程教育研究，2013，（32）：255-256.

[3]盧錚松，李珂珂.基于人工神經網絡的研究生課程評價模型[J].現代教育技術，2009，（10）：53-57.

[4]聶勇，馬其平.國際一流高校創新型人才培養模式建構的思考[J].內蒙古農業大學學報（社會科學版），2011，（06）：126-127.

[5]劉強，潘鵬飛，王玉清.變革中的大學學科排名――QS世界大學學科排名最新進展與反思[J].比較教育研究，2015，（12）：35-41.

Research on the Course Structure of International First-Class Mechanical Engineering Using Neural Network

YANG Yang，WANG Hong，HUA Cheng-cheng，YIN Chang-hao，LI Kai-yuan

（Northeastern University School of Mechanical Engineer & Automation，Shenyang，Liaoning 110819，China）

篇5

關鍵詞：課堂教學；網絡教學；融合；高職商務英語；情景模擬

一、高職商務英語課堂教學現狀

商務英語課程是高職商務英語專業的一門專業核心課程。其教學質量直接影響到該專業人才培養的質量和目標。為了不斷深化高職商務英語課程教學改革，增強課堂教學效果，提高教學質量，筆者就現階段高職商務英語課堂教學狀況，以及如何上好商務英語課等，通過多種方式廣泛征求了高職院校商務英語教師的意見和建議。大家普遍感到：受近年來商務英語專業生源素質參差不齊，尤其是英語基礎比較薄弱、學習依賴性強的影響，商務英語課越來越難上。學生曠課、上課時精神萎靡不振，極少有學生積極主動參與到教學活動中去，課堂氣氛死氣沉沉，缺乏活力。在不同程度上挫傷了“教與學”兩個方面的積極性。為了完成教學任務教師不得不自編自導自演，唱起“獨角戲”。受傳統教學的影響，不少高職英語教師至今仍然是傳統的“四個一”授課方式，即“一幅黑板、一支粉筆、一張嘴、一本書”的傳統模式。偏重于知識傳授，忽略學生素質、技能的發展。遠遠不能適應新時期高職教育高素質技能型人才的目標要求。

二、基于課堂教學與網絡教學深度融合的高職商務英語情景模擬的現實意義

毋庸置疑當前高職商務英語課程教學的現狀，是與現代高職教育改革和發展的要求不相符的，不能滿足商務英語專業人才培養的知識、素質與能力結構的培養目標，改革商務英語課堂教學勢在必行。筆者積極倡導將課堂教學與網絡教學有機結合，以促進高職學生英語應用能力的提高。

1.課堂與網絡教學深度融合的現實意義

我們置身于網絡服務日臻完善、教育高度信息化的時代，眾多學校順應時代需要重視加強現代信息技術的研究與開發工作，積極推動網絡教學的進程。網絡教學能夠充分刺激學生視、聽、說等各種感官，使學生思維活躍。網絡還能再現商務場景，讓學生耳聞目睹、身臨其境。這些都極大地激發了學生學習知識的欲望，促進了學生全身心地投入學習，形成了一種全新的網絡教學模式。這是傳統的“教師+學生”課堂教學模式所不能比擬的。

但是網絡教學也不能完全取代傳統的課堂教學模式。傳統的課堂教學模式有利于教師主導作用的發揮，有利于教學的組織、管理和教學過程的調控，對教學環境建設要求較低；更重要的是師生與學生之間的人際交流對學生成長所起的作用，則遠遠超出了課堂教學的本身。

而目前單純的網絡教學也存在諸多不足，主要體現在：英語基礎薄弱、學習依賴性比較大的高職商務英語學生對教師主導作用的要求比較高，不太適合利用網絡進行完全的自主學習。學生普遍反映在網絡課堂中非但沒有充分體驗到現代信息技術帶來的學習便利，還失去了在真實課堂中與老師一對一的交流以及同學間合作學習所帶來的歸屬感和同一性。另外網絡教學對教學設備的要求和教學成本都顯著提高。

因此，基于課堂教學與網絡教學有機融合的教學模式是高職商務英語教學改革的必然選擇。

2.商務英語情景模擬的必要性

實踐證明基于課堂教學與網絡教學深度融合的情景模擬教學模式是對傳統商務英語教學模式的一種改革與創新，是融合現代教育作息技術、傳統課堂教學優勢與新時期高職教育人才培養特色的一種全新的教學模式。它逼真地模擬各個商務流程場景，讓學生親身實踐，使得以商務語言交際為媒介的商務流程貫穿于商務英語教學活動的始終，極大地提高了課堂教學效率和人才培養質量。

（1）改善學習方法，逼近教學目標

商務英語課程教學的根本目的就是培養學生在商務環境下綜合運用英語語言的能力。商務情景中的互動功能充分激發和調動了學生學習并運用語言的主觀能動性，使學生在愉快的學習氛圍中學習和鞏固學到的語言知識，鍛煉語言運用的能力，并逐步養成積極自主的學習習慣。

（2）提高教學效果，解決實際問題

在教學中多媒體的運用和課堂講解有機融合、相得益彰，大大激發了學生的學習興趣和表達欲望，從而使教學效果得到了較大的提高。學生在模擬的商務情景中，運用所學的知識解決實際商務問題，將理論知識與實際操作有效結合，增強了實踐技能。鑒于此將課堂教學與網絡教學進行有效結合，進行逼真的商務情景模擬具有較強的操作性和可行性，必將有助于高職學生在商務環境下不斷提升英語應用能力。

三、舉例分析“基于課堂與網絡教學深度融合的高職商務英語情景模擬”的可操作性

筆者目前從事高職院校商務英語課程的教學工作，使用的教材是《新編劍橋商務英語》（第三版），《新編商務英語》是一門商務與英語相結合的實踐性很強的課程，它根據商務工作的實際需要，從聽、說、讀、寫四個方面對學生在商務環境下使用英語的能力進行全面培養，因此在教學過程中應當充分強調實際操作的重要性。運用情景模擬可充分提高學生學習的積極性和處理商務環境下實際問題的能力。

現筆者以《新編劍橋商務英語》（中級） Module 2.2 Presenting your company一課為例，簡要分析如何在課堂教學和網絡教學交替進行的過程中運用情景模擬教學。

單純以傳統的教學模式，在聽力部分，教師會要求學生聽對話并完成書本上的題目即可。但若以這種傳統的教學方法，學生只是練習了聽力，核實了一些單詞的拼寫，但是若到實際的商務環境中，到底如何介紹自己的企業狀況等一系列具體的問題，學生則可能很茫然。因此筆者認為可以運用基于課堂與網絡教學深度融合的商務英語情景模擬的教學模式將所學知識運用到實際操作過程中來。具體設計如下。

1.任務

在線閱讀國際知名企業英文資料，制作PPT，口頭報告教學目標；通過“企業介紹”，給學生創建一個主動探索的環境，將聽、說、讀、寫、譯五種能力得到充分的訓練，培養學生團隊協作意識，幫助學生形成自主學習的習慣。

2.教學思路

根據教材、教學對象分析和教學目標，采取以下的教學流程：情景導入、自主探究、網上交流、歸納小結、反饋評講等。通過傳統課堂教學、網上教學，讓學生自主學習，拓寬知識領域，培養他們通過因特網獲取知識的能力和分析問題、解決問題的能力，并以討論法組織整個教學過程。

3.教學程序設計

（1）情景導入（課堂教學）：

步驟1：教師在黑板上寫下一些詞/詞組，讓學生練習發音并用英文解釋詞義，讓學生總結這些詞匯所屬類別（company terms）。

步驟2：學生練習聽力，嘗試聽出步驟1中提到的哪些詞匯，以及各個數字后修飾的內容，再次確認、強化company terms。由于這次聽力內容有關口頭報告，所以請學生認真聽此報告流程，并關注口頭報告中所運用的句型、以及報告中需注意的語音語調。

步驟3：教師引導學生自我總結。總結內容包括：口頭報告流程（介紹報告主旨、介紹報告結構、各部分陳述、報告結束及提問）；語音（如數字的讀法）、句子的重音、語調、有用的句型等。

（2）自主探索（網絡教學）：

步驟1：教學地點改為實訓室，利用網絡、計算機來進行情景模擬。教師講解如何進行網絡信息有效搜索，主要講解省略，省略，和省略搜索引擎的使用，以及在線翻譯網站如省略的使用。教師提供一些PPT模板，放在系部內網的服務器上，供學生自己觀看、選用（學生已具備一定的PPT文件制作技巧）。

情景模擬任務：學生每組2人，就世界知名企業信息搜索，如：Wal-Mart，Reuters等。不同小組搜索不同企業信息，小組學生需查詢該企業歷史發展情況、主打產品/服務、企業結構、銷售情況等；如果學生愿意，還可以增加其他內容。學生需以企業Marketing Dept.為立場（工作職務自行擬定），把搜索到的信息簡潔、清楚地用PPT表示出來，適當運用動畫效果；PPT內容為英文文字，個別難以理解的詞句需加中文注解，其中必須至少有一個圖形描述。

步驟2：學生任務分工、在線閱讀、相互交流、資料整理、PPT制作、口頭報告語言準備工作等，教師提供必要的現場指導。

（3）歸納小結（課堂教學）：

步驟1：兩位同學合作脫稿將PPT內容準確無誤地口頭表達出來；教師或其他學生對每組口頭報告進行提問，并得到解答；全程錄像。

步驟2：展示錄像，教師和所有學生對報告中所出現的問題提出意見和建議，主要考查口頭報告流程是否完整、口頭表達現場表現、語音語調、合作情況、“PPT”制作質量等。

（4）反饋評價（網絡教學）：

步驟：將所有錄像、評議材料全放在教師制作的網站上，供所有學生回顧、觀摩，學生可通過E-mail或聊天工具與教師進行進一步的溝通，從而將知識內化。

綜上所述，現代信息技術的發展與應用為商務英語課程教學改革帶來了顛覆性的變化。授課教師應積極更新理念，刻苦鉆研現代網絡技術，創造條件探索開展網絡教學；并能夠創造性地探求課堂教學和網絡教學的最佳結合點，高質量地培養能夠適應時代要求的高素質高技能復合型人才。

篇6

論文關鍵詞：咸潮，東江，神經網絡

 

東江為珠江三大干流之一，發源于江西省尋烏縣，由東向西流經龍川、惠州等地，于東莞橋頭鎮進入東莞市，流經約20公里至石龍分為南、北二大干流進入河網區，經東莞虎門出海。整個東江下游近入河口處，受徑流和潮汐共同影響,海水隨著海洋潮汐漲潮流沿著東江河口的主要潮汐通道向上推進,成為感潮河段。東江下游分布了東莞市主力水廠，咸水上溯將影響當地的供水水質。當水體含氯化物濃度超過250mg/L時數學建模論文，就不能滿足供水水質標準,影響城鎮生活供水。自2004年開始，每年的11月至次年2月易遭受咸潮的侵襲。2004年底東江徑流量比多年同期減少約五成，咸潮持續了近六個月，東莞部分水廠因為氯化物超標停止取水，對當地居民生活和工農業用水造成極大的影響。

咸潮發生的機制十分復雜,受徑流、潮汐、河口等多個因素共同影響，且各個因素之間有著復雜的聯系，同時所需的觀測資料不完整，因此難以用數學模型準確地描述咸潮的發生規律，而采用數理統計方法只能確定“點”到“點”的關系,不能描述咸潮空間變化的連續過程,具有一定的局限性。真正意義上的咸潮預報模型方面的研究與應用不多見，以基于偏最小二乘回歸與支持向量耦合建立的咸潮預報需要有較高的編程程序【1】，在實際應用中具有一定難度。人工神經網絡是近年來發展起來的一種受到人腦和神經系統啟發而創建的計算方法，根據以往的數據找到一種比較精確的方法使得預測結果與實際情況相符合，預測的結果具有很高的信任度【2】論文下載。因此，本文以東江下游2009年10月~12月的實測統計資料為基礎，建立通過人工神經網絡的耦合潮位、上游徑流量、咸度等因子建立咸潮預測模型，能為合理分配現有水資源、水廠抗咸提供可靠的依據。

1 BP神經網絡原理

統計模型中,常采用回歸分析方法,對事先擬定的因子進行篩選和系數求解,但當擬定的因子樣本數較少且因子之間存在嚴重的相關性時,會導致分析失效[2]。人工神經網絡能夠通過大量簡單的神經元廣泛互連形成的復雜的非線性系統。它不需要任何先驗公示，就能從環境變量和待預測水質指標的歷史數據之間中自動地歸納規則數學建模論文，獲得這些數據的內在規律，具有很強的非線性映射能力，特別適合于因果關系的非確定性推理、判斷、識別和分類等問題。其中的BP網絡算法使用反向傳播算法對網絡的權值和偏差進行反復的調整訓練，使輸出的向量與期望向量盡可能地接近，當網絡輸出層的誤差平方和小于指定的誤差時訓練完成，保存網絡的權值和偏差，是目前運用最廣泛、最為成功的一種算法【3】。

BP 算法“訓練”的過程可以分為向前傳輸和向后傳輸兩個階段：

1、向前傳輸階段

（1）從樣本集中取一個樣本,,將輸入網絡。

（2）運算過程中，對數據的取值采集的各數據單位不一致，可對數據采用歸一化方法處理。

（3）計算出誤差測度和實際輸出

（4）對權重值各做一次調整，重復這個循環，直到。

2、向后傳播階段――誤差傳播階段

（1）計算實際輸出O與理想輸出地差

（2）用輸出層的誤差調整輸出層權矩陣

（3）

（4）用此誤差估計輸出層的直接前到層的誤差，再輸出層前導層誤差估計更前一層的誤差。如此獲得所有其他各層的誤差估計。

（5）并用這些估計實現對矩陣的修改。形成講輸出端表現出的誤差沿著與輸出信號相反的方向逐級向輸出端傳遞的過程。

網絡關

于整個樣本集的誤差測度：

2 東江下游河道咸潮預測模型的建立

根據多年的歷史觀測資料，東江下游咸度一方面受上游徑流量大小的影響(上游來水量越小,咸度值偏高的可能性越大,反之亦然),另一方面還與漲落潮的潮位緊密相關[4-5]。因此,本文選取博羅水文站記錄的上游徑流量、東江河口潮位、東江下游大王洲橋的咸度作為本模型的自變量和因變量（見圖1）。根據2009年10月~12月的實測資料，首先選用2009年10月共60日的數據，對模型進行訓練和模擬，建立東江下游月時段水量預測模型。

在應用BP網絡運算過程中，輸入向量有2個元素數學建模論文，輸出向量有1個元素，所以網絡的輸入層有5個結點，輸出結點1個，采用3層BP網絡結構，即網絡只有1個隱含層，當隱含層節點為4個時，所建模型具有相對較小的模擬誤差，因而，隱含層節點設置為4個。網絡的訓練目標為0.001，最大訓練次數為20000次。為了防止網絡發生過度擬合，訓練方法采用泛化能力較強的貝葉斯正則化方法論文下載。整個過程通過大量的試驗計算獲得，這無形增加了研究工作量和編程計算工作量，Matlab軟件提供了一個現成的神經網絡工具箱，為解決這個矛盾提供了便利條件。

圖1 東江下游地理位置圖

3討論

為檢驗模型的預測效果，運用前面已訓練過的用2009年12月共18日的咸潮情況進行預測，預測值和實測值見表2，結果顯示數學建模論文，通過bp人工神經網絡模型，以徑流及潮差變化預測咸潮的方法是可行的,對咸潮的預測基本符合實際情況。

二十世紀九十年代，東江100m3/s的流量可以將咸潮壓制在東江萬江――中堂入海口處。2004年東江劍潭樞紐工程建設竣工后，上游徑流流速減慢，對東江河道輸砂量的攔截作用增大，下游河道的水位呈下降趨勢并降到海平面以下，水力坡降的壓咸作用消失【6】，海水入侵由原來的主要受流量影響轉變為受潮汐和流量共同影響。從實測數據來看,由于潮差的半月變化直接影響到潮流的強弱,大潮（為農歷十五至十八）時,咸潮強度大,上溯距離長，上游徑流量要增加。整個東江下游作為感潮河段，一般情況下，上游徑流量只要維持在270m3/s就能將咸潮線控制在萬江至中堂一線以下。但是，在初一、十五大潮時段，如果上游壓咸的需水量無法維持到360m3/s，咸潮有可能越過第二水廠，上溯到石龍段。2009年12月1-9日,大潮前后，潮位超過了1.00m，上游徑流量最大僅為348m3/s數學建模論文，東莞市第二水廠的取水口氯化物濃度出現峰值，曾一度停產，影響正常生產；2009年12月16日-20日，小潮前后，由于上游徑流量大幅度增加至370m3/s，咸潮無法達到第二水廠，保障了生產水廠的正常取水。

表1 2009年12月東江上游流量、河口潮位的實測值

 

日期

1日

2日

3日

4日

5日

6日

7日

8日

9日

東江河口最大潮位m

1.08

1.21

1.28

1.27

1.28

1.19

1.02

0.76

0.45

博羅水文站流量m3/s

279

271

302

317

312

348

340

299

258

日期

16日

17日

18日

19日

20日

21日

22日

23日

24日

東江河口最大潮位m

1.06

1.07

1.06

1.04

0.97

0.86

0.71

0.50

0.25

博羅水文站流量m3/s

370

370

330

342

338

284

285

篇7

【關鍵詞】 類風濕關節炎;神經內分泌免疫

類風濕關節炎(RA)是以對稱性多關節炎為主要表現的慢性系統性自身免疫性疾病，單純從免疫學角度難以闡釋RA的發病機制和病變特點，近年來神經內分泌免疫(neuron-endocrine-immune，NEI)網絡途徑在RA的發病機制中越來越受到重視。雖然現代醫學首先提出神經內分泌免疫網絡的概念，但一直缺乏調節這一網絡的有效手段，而單味中藥或中藥復方進入機體后能夠多靶點、多環節、多層次、多途徑發揮作用，對神經內分泌免疫網絡能起到很好的良性調節作用。新風膠囊是在我院劉健教授“脾虛致痹”理論指導下，在多年臨床經驗基礎上形成的中藥復方制劑，具有健脾化濕通絡之效。前期研究表明，新風膠囊能有效改善RA患者臨床癥狀和炎癥指標，顯著改善患者的整體機能，且未見明顯毒副作用。本研究擬從NEI網絡角度探討新風膠囊的量效關系，為進一步探討該藥的作用機制及尋求更安全有效的臨床用藥提供實驗依據。

1材料

1.1動物清潔級Wistar雄性大鼠84只，體質量(150±10)g，由安徽省醫學科學研究所動物房提供。實驗室保持恒溫、恒濕，動物在明暗周期為12/12 h(明期6:00~18:00)條件下進行適應性飼養。

1.2藥品與試劑新風膠囊(XFC)：由安徽中醫學院第一附屬醫院制劑中心提供，藥物組成主要有薏苡仁、黃芪、蜈蚣、雷公藤等，每粒膠囊含生藥浸出物0.5 g，院內批號：20051204;雷公藤多苷片(TPT)：10 mg/片，上海復旦復華藥業有限公司出品;甲氨蝶呤(MTX)：2.5 mg/片，由中國信誼藥廠生產;弗氏完全佐劑(Freund's complete adjuvant，CFA)由美國SIGMA公司提供。大鼠血清5-羥色胺(5-HT)、多巴胺(DA)、促腎上腺皮質激素(ACTH)、皮質醇(CORT)、TNF-α、IL-10酶聯免疫檢測試劑盒均由美國R∝D公司出品。

1.3儀器TECAN M8/4R洗板機，TECAN A-5082酶標定量測定儀，HH-W21-600電熱恒溫水溫箱等。

2方法

2.1造模及分組給藥將84只Wistar雄性大鼠適應性喂養1周后，隨機分為正常對照組(12只)和模型組(72只)，除正常對照組外，向每只大鼠右足跖皮內注射FCA 0.1 ml致炎，復制成AA大鼠模型。致炎后第19天將AA大鼠模型組隨機分為6組：XFC低劑量組、XFC中劑量組、XFC高劑量組、MTX組、TPT組及模型對照組，當天開始給藥。各組的給藥量如下：①XFC低劑量組：將XFC去除膠囊殼研成細末，加生理鹽水制成混懸液(每毫升含藥量為0.3g)，按0.5ml/100g的劑量灌胃，1次/d，劑量相當于臨床用量的5倍;②XFC中劑量組：將XFC混懸液按1ml/100g的劑量灌胃，1次/d，劑量相當于臨床用量的10倍;③XFC高劑量組：將XFC混懸液2ml/100g的劑量灌胃，1次/d，劑量相當于臨床用量的20倍;④MTX組：將MTX研成細末，加生理鹽水制成混懸液(每毫升含MTX0.3 mg)，按1 ml/100g的劑量灌胃，每周1次，未給藥的實驗日，給予生理鹽水灌胃，1 ml/100 g，每天1次;⑤TPT組：將TPT研成細末，加生理鹽水制成混懸液(每毫升含TPT1 mg)，按1 ml/100 g的劑量灌胃，每天1次;⑥正常對照組及模型對照組予生理鹽水灌胃，1 ml/100 g，1次/d。各組療程均為30 d。

2.2足跖腫脹度分別在造模前1天、致炎后每3天、給藥后每3天測量各組大鼠的右后足跖的容積，計算各組大鼠足跖腫脹度[1]。腫脹度E(%)=(Vt-Vn)/Vn×100%( Vn、Vt分別代表用致炎劑前后足跖容積值)。

2.3關節炎指數(AI)的計算致炎后第12天開始觀察并記錄全身關節病變程度，每3天1次。全身病變按5級評分法評價，根據未注射佐劑的其余3只肢體的病變程度累積積分，計算出AI[2]。0分:無紅腫;1分:小趾關節紅腫;2分:趾關節和足跖腫脹;3分:踝關節以下的足爪腫脹;4分:包括踝關節在內的全部足爪腫脹。把各個關節的積分累計起來，即為每只大鼠的AI。

2.4指標檢測造模第49天，各組大鼠用10%水合氯醛(0.4 ml/100 g)按大鼠體重腹腔注射麻醉。腹主動脈取血，分離血清，置于-20℃冰箱保存待測;具體操作按試劑盒說明書進行，由專業人員一次檢測。TECAN A-5082型酶標儀讀出OD值后，按曲線擬合軟件Curve Expert 1.3計算出濃度值。

2.5統計分析實驗數據以±s表示，應用SPSS 11.0 軟件行單因素方差分析(One-Way ANOVA)及相關性分析。

3結果

3.1各組大鼠體質量、足趾腫脹度、關節炎指數的比較表1顯示：致炎前各組大鼠體質量無差異，給藥前1天(即致炎第18天)與正常組相比，造模組大鼠體質量均明顯減輕(P

3.2各組大鼠NEI網絡相關指標的變化表2顯示：與正常組比較，模型組大鼠5-HT、ACTH、CORT、TNF-α顯著升高，IL-10值降低(P

4討論

RA是一種慢性全身性自身免疫性疾病，越來越多的學者認識到在這種慢性免疫性炎癥過程中有神經內分泌系統及免疫系統的參與，即神經-內分泌-免疫網絡在RA的發病過程中發揮重要作用。三大系統之間通過神經遞質、內分泌激素和細胞因子進行信息傳遞，即神經、內分泌系統能調節免疫系統的功能，而免疫系統也能調控神經內分泌系統的某些功能。看似獨立的三大系統實際上是一個有著廣泛內在聯系的有機整體，它們構成一個立體的網絡結構，共同調節機體內環境的平衡與穩定。

RA病程中NEI網絡的變化非常復雜，中醫藥以其多靶點、多環節、多層次、多途徑作用的整體調節優勢在復雜系統的調控方面頗具優勢。新風膠囊主要由黃芪、雷公藤、薏苡仁、蜈蚣等藥味組成，前期研究發現XFC在顯著改善RA患者臨床癥狀及炎癥指標的同時，能顯著降低RA患者血清皮質醇濃度，改善患者抑郁癥狀[3]，并觀察了XFC對佐劑性關節炎大鼠腦組織氨基酸類神經遞質的影響，結果顯示XFC能明顯下調抑制性氨基酸GABA水平，上調興奮性氨基酸GLU與GABA的比值;電鏡下XFC組大鼠腦組織的病理改變亦明顯輕于其它組[4]。

現代藥理學研究表明，黃芪含有多糖、苷、黃酮和微量元素等多種成分，對人體免疫系統、神經系統、內分泌系統均有廣泛作用，黃芪多糖能促進T細胞、B細胞、NK細胞、吞噬細胞等免疫細胞的增殖與分化，并促進各種細胞因子的產生，如白細胞介素-2、干擾素、TNF等，以及抗體的產生，調節神經-內分泌-免疫網絡的平衡，影響免疫細胞過氧化物酶系統等[5]。雷公藤可通過促進HPA軸功能、調節神經內分泌多肽分泌、抗炎抗免疫、基因調控、調節骨代謝及誘導細胞凋亡等多種途徑發揮其對RA的治療作用[6~11]。

本研究結果顯示XFC中劑量組大鼠體重上升最為明顯，與正常組無明顯差異 (P>0.05);XFC各治療組均能不同程度的降低AA大鼠血清5-HT，ACTH，CORT，TNF-α，升高IL-1水平(P

參考文獻

[1]徐叔云，卞如濂，陳修.藥理實驗方法學，第2版[M].北京:人民衛生出版社，1994:719.

[2]張鈞田.現代藥理實驗方法[M].北京:北京醫科大學中國協和醫科大學聯合出版社，1998:1383.

[3]劉健，楊梅云，范海霞.新風膠囊對類風濕關節炎患者抑郁情緒及血清皮質醇的影響[J].中國中醫藥信息雜志，2007，14(9):7.

[4]劉健，范海霞，楊梅云，等.佐劑關節炎大鼠行為、腦組織氨基酸及神經細超微結構的變化及新風膠囊對其的影響[J].中國康復，2008，23(4):219.

[5]汪倪萍，魏偉.中藥活性成分的抗炎免疫和鎮痛作用[J].中國藥理學通報，2003，19(4):366.

[6]陳龍，黃光照，李中，等.雷公藤醋酸乙酯提取物對大鼠垂體的影響[J].中國藥理學與毒理學雜志，2000，14(3):191.

[7]楊琴，王蕾.雷公藤多甙對佐劑性關節炎大鼠L5DRG內SP、CGRP表達的影響[J].成都醫學院學報，2007，2(3-4):166.

[8]傅建斌，梁遂興，任利群，等.雷公藤多甙對類風濕關節炎患者血漿TNF-α水平影響的研究[J].中醫正骨，2001，13(9):13.

[9]呂麗萍， 張永忠.雷公藤內酯酮對大鼠類風濕性關節炎的影響[J].中成藥， 2007， 29(7):966.

篇8

關鍵詞： B2C電子商務 客戶分類 客戶價值

2014年1月，中國互聯網絡信息中心（CNNIC）第33次《中國互聯網絡發展狀況統計報告》數據顯示，截至2013年12月，全年新增網民數5358萬，國內網民規模達6.18億，互聯網普及率達到45.8%。其中，網絡購物用戶規模達3.02億，相比2012年增長6.0個百分點。[1]據艾瑞咨詢最新的監測數據顯示，2013年我國B2C交易規模達到6500億元（B2C市場增長68.4%），占整個網絡購物交易規模的35.5%以上。縱觀網民規模與網購規模增長的數據，國內互聯網的發展已密切與傳統經濟結合，電子商務成為不可避免的趨勢，尤其B2C電子商務將成為網絡購物新增長[2]。

一、B2C電子商務概述

1.電子商務的定義

電子商務是在信息技術的發展上興起的一種新興商務模式。世界貿易組織電子商務專題報告中指出，電子商務就是通過電信網絡進行的生產、營銷、銷售和流通活動，包括通過網絡實現從原材料查詢、采購、產品展示、定購到產出成品、儲運以及電子支付等系列貿易活動。[3]根據Kalakota和Whinston[4]對電子商務模式的劃分可知，B2C（Business to Consumer，B2C）電子商務模式指的是企業對一般消費者的電子商務，即電子化的零售方式，通俗理解為“商家在網絡上賣東西、消費者在網絡上買東西、買賣雙方無需直接碰面”，如Amazon、天貓、京東商城、當當網等。

2. B2C電子商務的特點與競爭狀況

B2C電子商務依托信息技術消除了傳統商務活動在時間、空間上的限制，動動鼠標、動動手指數十秒內就可以完成一次交易。這種自動化、數字化的交易方式造就了B2C電子商務與傳統商務活動的顯著性不同：（1）客戶規模龐大，數據海量。客戶以往積累的消費行為和習慣偏好的數據通過各種信息技術得以存儲。（2）客戶數據動態變化。隨著智能手機、平板電腦、3G網絡的深入普及和無線網絡的持續發展，網絡購物更為方便快捷，在此背景下客戶數據變化呈現出即時性、動態性化。（3）轉移成本降低，客戶忠誠度下降。網絡經濟環境下，客戶通過各種網絡平臺互動交流產品信息和購物體驗，不僅更便捷、低成本地獲取大量有價值信息，而且能夠主動選擇是否交易。這樣一來，客戶變被動消費為主動選擇性消費，轉移成本降低從而更容易轉向其他企業。

目前，國內B2C電子商務企業的競爭仍以價格策略為主。以 “雙十一”促銷節為例，該促銷活動不再是淘寶網一家的促銷，而是演變成整個電商行業的價格大促。2012年雙十一促銷期間，支付寶單日交易額達191億元，2013年突破350億元。但促銷帶來的業績提升畢竟持續時間有限，如何留住新增有價值的客戶是B2C電子商務企業面臨的一大難題。

相比國內B2C電商企業大打價格戰的競爭策略，亞馬遜的成功或許更值得關注。無論是完善的客戶服務平臺、推薦系統，還是快捷的物流配送系統，亞馬遜始終“以客戶為中心”進行品類擴張，供應鏈管理，以及按需服務。從2002年起亞馬遜開始盈利，其毛利率始終保持在20%-25%。如今，亞馬遜所經營的品類甚至超越零售巨頭沃爾瑪，其自建物流體系與第三方物流合作的物流管理模式實現了訂單快速交付，提高了配送質量，降低了成本、庫存和退貨率。[5]

二、B2C電子商務的客戶分類

1. B2C電子商務客戶分類的驅動因素

現代信息技術的應用產生了巨大的網絡效應和高度的資源利用，網絡上產品的供給相對于有限的客戶注意力而言幾乎是無限的[6]，客戶已經變成企業最重要的資源[7]。現代商務活動也向 “以客戶為中心”、“客戶份額和價值競爭”的趨勢轉移[8]。J.J.Sviokla和B.P.Shapiro定義客戶價值為客戶所支付的價格與企業為之投入的成本的差值，即客戶的利潤貢獻。[9]Reichheld將客戶價值定義為客戶接受企業提供的產品和服務給企業所帶來的凈現金流，并提出了忠誠客戶的利潤貢獻的五個來源：基礎利潤、收益增長、成本節約、推薦效應和價格溢價。[10]Reichheld和Sasser的研究表明，每增加5%的客戶保持率將使客戶凈現值增加25%～85%，[11]也有研究表明，開發1個新客戶的成本相當于留住1個老客戶的成本的5倍。

從經濟學角度來看，資源總是稀缺的，企業的資源同樣也是如此，如何利用有限的資源賺足更多的收益是企業時刻面臨的問題。有研究表明，不同的客戶對企業具有不同的價值[12]。最有價值的客戶值得特別的照顧，以便建立和維持品牌的忠誠度。[13]在該理念下，企業必然要篩選出高價值客戶并為之提品與服務。鑒于此，區別客戶價值、選擇高價值客戶成為企業實施客戶份額的前提，也是企業對客戶分類的內在驅使因素。作為新興商務模式代表之一的B2C電子商務模式如何留住有價值的老客戶，也成為一個亟待解決的重要問題。

2. B2C電子商務的客戶價值度量

Verhoef與Donkers[14]認為，客戶價值由當前價值和潛在價值構成，當前價值是指客戶已有的購買給企業帶來的利潤貢獻，而潛在價值則定義為客戶從企業購買所有可能的產品和服務所能給企業帶來的利潤貢獻。

考察現有的B2C電子商務企業的盈利模式發現，B2C電子商務企業的收入主要來源于：銷售收益和流量收益。銷售收益指傳統意義上銷售產品或服務獲得的收益，這一部分客戶的價值主要表現為客戶購買產品帶給企業的創收。流量收益主要是由于客戶的各種網上行為（如訪問網站、點擊相關產品頁面、產品購后評價、網絡社交平臺互動等）為企業創造的有形或無形的價值收益，比如廣告價值、注意力價值。然而，流量價值并非都直接來源于客戶的購買行為，而是客戶活躍的網絡行為表現的潛在價值。

客戶當前價值的本質是客戶的購買價值，即客戶直接購買為企業創造出的貢獻總和，可以用客戶的購買價值用來衡量。在某一段時間內，客戶實際購買過程中的購買量（包括單一品類購買數量與品類組合量）與購買金額，這兩個指標最直觀的反映了客戶的當前價值。

根據Verhoef與Donkers對潛在價值的定義可知，潛在價值體現在客戶可能拓寬購買品類的潛力，從營銷學的角度來看反映了客戶的需求結構。通俗解釋為，客戶對企業提供的產品或服務的不同需求偏好，客戶對一個企業越多的商品感興趣，就會嘗試購買以前從未買過的產品或服務，實現交叉購買。因此，可用購物種類數來反映需求結構。

根據陳明亮對客戶潛在價值（或增值潛力）的假定，客戶的潛在價值表現在各種可能增加企業利潤的表現上，如：購買頻率增加、口碑傳播價值。口碑傳播能夠形成一種“圈子效應”，為企業帶來其他增值性收益。尤其是在網絡環境下，圈子效應就更加明顯。例如，一條推薦信息第一次可能被10人轉發，轉發信息的10個人圈子中可能每個人又能影響10人轉發，那么經過兩次轉發受眾面已經達到100（102）人，經過N次轉發關注人群可能達到10n，這種注意力帶來的直接影響是急速提升的企業影響力與品牌附加值。在B2C電子商務模式中可用網絡曬單、評論來量化網絡口碑傳播。不論是增加購買頻率，還是口碑推薦，都是客戶對企業或企業提供的產品與服務的一種認可，反映出了客戶的忠誠，這種認可促成了客戶的增長性、持續性、圈子性的購買，為企業未來的利潤增加做出了貢獻。 鑒于此，客戶忠誠也可以用來衡量客戶的潛在價值。

3.基于客戶價值的B2C客戶分類指標

客戶分類最常使用的指標是傳統的RFM模型中三個行為變量，即R（Recency）、F（Frequency）、M（Monetary）。R（Recency）近度，表示最近一次購買行為距離現在的時間間隔。有研究表明，R值越低，客戶價值越高[15]。F（Frequency）頻率，指的是在某一段時間內客戶購買的總次數，可以用來考核一個客戶的潛在價值。M（Monetary）額度，指客戶在某段時間內的購買金額，也是用來衡量顧客價值大小最主要的因素。由于模型中的三個變量指標不涉及到客戶個人隱私，在實際交易過程中非常容易獲得且能夠被準確量化。因此，自Hughes提出RFM客戶分類模型以來，RFM模型被企業廣泛地應用在客戶分類中，如電信行業、銀行業、零售行業等。

FRM模型中購買頻率F與購買金額M兩個變量之間存在多重共線性，即F與M之間存在很強的關聯性，具體表現為當F增加時M也會明顯增加，從而無法準確衡量客戶的價值。鑒于RFM模型的缺點，Marcus提出了用平均購買金額替代總購買金額，用購買次數（Frequency）和平均購買金額A（Average monetary）來構建客戶價值矩陣。

客戶價值包括客戶當前價值和潛在價值兩個計量維度。結合B2C電子商務的客戶價值度量分析，客戶當前價值可以通過購買價值來衡量，客戶潛在價值可以通過客戶需求結構和客戶忠誠度來衡量。在B2C電子商務活動中，客戶從選擇商品到購后行為階段，企業往往能夠得到以下幾方面的準確數據：下單時間、訂單數量、訂單商品的品類、訂單金額、是否有曬單、評論等網上口碑宣傳行為。根據以上數據積累，B2C電子商務企業可以準確計算出每位客戶以下有用的數據信息：平均每次的購物金額、購買產品組合習慣（或購物種類數）、某段時間內的購買頻率、虛擬社區口碑宣傳度（如曬單評論數）。

結合RFM模型和Marcus價值矩陣分析可知，由于客戶平均購物金額與客戶購買種類數反映了客戶購買價值，可用來衡量客戶當前價值；客戶購買產品組合（或購物種類數）反映了客戶的需求結構，客戶某段時間內的購買頻率、虛擬社區口碑宣傳度（如曬單數評論數等）反映了客戶的忠誠度，因而可用來可衡量客戶的潛在價值。由此構造出B2C電子商務企業客戶的分類指標如下圖1

圖1 B2C電子商務企業客戶的分類指標

4. B2C客戶分類方法

對與傳統商務活動相比，數據存儲海量、信息更新動態變化、客戶轉移成本低等特性無疑是B2C電子商務客戶最顯著的特點。然而，在信息時代數據就意味著價值，B2C電子商務企業如何通過深層次分析這些數據，挖掘數據背后的價值，進而挖出對企業真正有價值的客戶，實施分類管理與服務，以增加客戶的轉移成本保持有價值的客戶，這些問題都無法通過傳統的分類方法實現。然而，數據挖掘能將客戶數據庫的大量數據轉變成描述顧客特征的一些圖像[16]，從技術方法上為B2C電子商務的客戶分類提供指導和幫助。

數據挖掘中可用于客戶分類的方法有很多種，包括決策樹分類法、貝葉斯分類法、基于規則的分類法、支持向量機、遺傳算法、粗糙集算法、模糊集算法、K-最近鄰分類、K-means聚類、K-中心聚類、自組織神經網絡等方法。國內不少學者已經將數據挖掘中的分類技術運用到B2C電子商務企業的客戶分類中，與傳統的分類指標（RFM模型中的三個變量）結合，將客戶劃分成不同的群體，并驗證了這些分類技術的有效性。其中，用比較多的分類技術有：K-means聚類分析、以 K-mean、SOM 和 PSO 算法為基礎混合型聚類算法（即KSP 算法）、與主成分分析結合的樸素貝葉斯算法等。

三、結論

客戶成為電子商務時代企業最重要的資產，國內外已經有大量關于客戶分類的研究，而且基于客戶價值的客戶分類也是學術界、企業界比較認可的客戶分類理論。文章針對B2C電子商務實際情形提出的客戶分類指標，易度量、可操作性強，提高了B2C電子商務客戶分類的成功性，有助于企業準確的認知與管理不同價值的客戶；此外，文章在分析B2C電子商務客戶的特點的基礎上，指出了數據挖掘技術中的分類技術可應用于B2C電子商務的客戶分類中。但文章并未對數據挖掘技術的分類做出詳細說明，該方面的研究有待進一步研究。

參考文獻：

[1]http：//.cn/hlwfzyj/hlwxzbg/hlwtjbg/201301/P020140116509848228756.pdf

[2]王曉燕，潘開靈，鄧旭東.我國B2C電子商務發展現狀研究[J].經濟研究導刊，2011（139）

[3]李琪.電子商務通覽[M]，中國商業出版社，P110

[4] Kalakota，R.& Whinston，A. B. A frontier of electronic commerce[M]. Reading， Mass， Addison-Wesley， 1996

[5]金淑敏.亞馬遜：看不見的巨人[J].富基商業評論，2011（2）

[6]盛曉白.網絡經濟通論[M].南京：東南大學出版社，2003

[7]瞿艷平.國內外客戶關系管理理論研究述評與展望[J].財經論叢，2011（3）

[8] 楊東龍.細分[M].北京：中國社會科學出版社，2003，6

[9]John J.Sviokla，Benson P.Shapiro. Keeping Customers[A]. Harvard Business School Press，1993

[10]Frederick Reichheld. The Loyalty Effect：the hidden force behind growth，profits and lastingvalue [M]. Harvard Business School Press， 1996

[11]Reichheld，Frederick F，Earl W，Sasser.Zero Defections： Quality Comes to Services [J].Harvard Business Review，1990

[12] 弗雷德里克·賴克赫德.忠誠度和市場營銷的復興[M].阿德里安·佩恩等.關系營銷——形成和保持競爭優勢[A].中信出版社，2002：359-382

[13]葛斯·哈伯.差異化營銷[M].內蒙古人民出版社，1998

[14]Verhoef P.C.，Donkers B..Predicting customer potential value an application in the insurance industry[J].Decision Support Systems.2001（32）189-199

[15]Wu，C.，Chen，H.L. Counting your customers： counting customer's in store decisions，interpurchase time and repurchasing behavior [J].European Jounral of Operational Research，2000，127（1） rnal of Operational Research，2000，127（1）：109- 119

[16] Michael J.A.Berry，Gordon S.Linoff.Mastering Data Mining： The Art and Science of Customer Relationship Management[M].Wiley，1999

作者簡介：

杜樂（1987-），女，北方工業大學碩士研究生，研究管理創新.