摘要經(jīng)濟(jì)活動通常表現(xiàn)為復(fù)雜的非線性特性，針對這種特性，給出了用人工神經(jīng)網(wǎng)絡(luò)（ANN）模型建立經(jīng)濟(jì)活動的預(yù)測模型的原理和方法，并描述了構(gòu)筑于神經(jīng)網(wǎng)絡(luò)方法之上及其與神經(jīng)網(wǎng)絡(luò)方法相結(jié)合的先進(jìn)的模型方法，為刻畫復(fù)雜的、非確定的或信息不完整的經(jīng)濟(jì)活動對象提供了思路。

關(guān)鍵詞經(jīng)濟(jì)活動預(yù)測模型人工神經(jīng)網(wǎng)絡(luò)

經(jīng)濟(jì)活動諸如商品價格走勢、生產(chǎn)活動的產(chǎn)量預(yù)測、加工的投入產(chǎn)出分析、工廠的成本控制等方面都是重要的技術(shù)經(jīng)濟(jì)層面。定量化的經(jīng)濟(jì)活動分析是經(jīng)濟(jì)學(xué)研究的必由之路，而建模是量化分析的基礎(chǔ)，這是因為模型為科學(xué)分析和質(zhì)量、成本等控制提供了理論依據(jù)。本文針對經(jīng)濟(jì)活動中大多數(shù)研究對象都具有的非線性特點，給出了用人工神經(jīng)網(wǎng)絡(luò)（ArtificialNerveNetwork）模型建立經(jīng)濟(jì)活動的預(yù)測模型的原理和方法，并描述了神經(jīng)網(wǎng)絡(luò)與各種先進(jìn)的建模方法相結(jié)合的模型化方法，為經(jīng)濟(jì)活動的分析、預(yù)測與控制提供了理論基礎(chǔ)。

1神經(jīng)網(wǎng)絡(luò)模型方法

現(xiàn)實的經(jīng)濟(jì)系統(tǒng)是一個極其復(fù)雜的非線性系統(tǒng)，客觀上要求建立非線性模型。傳統(tǒng)上使用回歸與自回歸模型刻畫的都是線性關(guān)系，難于精確反映因變量的變化規(guī)律，也終將影響模型的擬合及預(yù)報效果。為揭示隱含于歷史記錄中的復(fù)雜非線性關(guān)系必須借助更先進(jìn)的方法———人工神經(jīng)網(wǎng)絡(luò)(ANN)方法。

人工神經(jīng)網(wǎng)絡(luò)具有并行處理、自適應(yīng)、自組織、聯(lián)想記憶及源于神經(jīng)元激活函數(shù)的壓扁特性的容錯和魯棒性等特點。數(shù)學(xué)上已經(jīng)證明，神經(jīng)網(wǎng)絡(luò)可以逼近所有函數(shù)，這意味著神經(jīng)網(wǎng)絡(luò)能逼近那些刻畫了樣本數(shù)據(jù)規(guī)律的函數(shù)，且所考慮的系統(tǒng)表現(xiàn)的函數(shù)形式越復(fù)雜，神經(jīng)網(wǎng)絡(luò)這種特性的作用就越明顯。

摘要人工神經(jīng)網(wǎng)絡(luò)是一種新的數(shù)學(xué)建模方式，它具有通過學(xué)習(xí)逼近任意非線性映射的能力。本文提出了一種基于動態(tài)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，闡述了其基本原理，并以典型實例驗證。

關(guān)鍵字神經(jīng)網(wǎng)絡(luò)，BP模型，預(yù)測

1引言

在系統(tǒng)建模、辨識和預(yù)測中，對于線性系統(tǒng)，在頻域，傳遞函數(shù)矩陣可以很好地表達(dá)系統(tǒng)的黑箱式輸入輸出模型；在時域，Box-Jenkins方法、回歸分析方法、ARMA模型等，通過各種參數(shù)估計方法也可以給出描述。對于非線性時間序列預(yù)測系統(tǒng)，雙線性模型、門限自回歸模型、ARCH模型都需要在對數(shù)據(jù)的內(nèi)在規(guī)律知道不多的情況下對序列間關(guān)系進(jìn)行假定。可以說傳統(tǒng)的非線性系統(tǒng)預(yù)測，在理論研究和實際應(yīng)用方面，都存在極大的困難。相比之下，神經(jīng)網(wǎng)絡(luò)可以在不了解輸入或輸出變量間關(guān)系的前提下完成非線性建模[4，6]。神經(jīng)元、神經(jīng)網(wǎng)絡(luò)都有非線性、非局域性、非定常性、非凸性和混沌等特性，與各種預(yù)測方法有機結(jié)合具有很好的發(fā)展前景，也給預(yù)測系統(tǒng)帶來了新的方向與突破。建模算法和預(yù)測系統(tǒng)的穩(wěn)定性、動態(tài)性等研究成為當(dāng)今熱點問題。目前在系統(tǒng)建模與預(yù)測中，應(yīng)用最多的是靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)，這主要是因為這種網(wǎng)絡(luò)具有通過學(xué)習(xí)逼近任意非線性映射的能力。利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)建立系統(tǒng)的輸入/輸出模型，本質(zhì)上就是基于網(wǎng)絡(luò)逼近能力，通過學(xué)習(xí)獲知系統(tǒng)差分方程中的非線性函數(shù)。但在實際應(yīng)用中，需要建模和預(yù)測的多為非線性動態(tài)系統(tǒng)，利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)必須事先給定模型的階次，即預(yù)先確定系統(tǒng)的模型，這一點非常難做到。近來，有關(guān)基于動態(tài)網(wǎng)絡(luò)的建模和預(yù)測的研究，代表了神經(jīng)網(wǎng)絡(luò)建模和預(yù)測新的發(fā)展方向。

2BP神經(jīng)網(wǎng)絡(luò)模型

BP網(wǎng)絡(luò)是采用Widrow-Hoff學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。典型的BP算法采用梯度下降法，也就是Widrow-Hoff算法?，F(xiàn)在有許多基本的優(yōu)化算法，例如變尺度算法和牛頓算法。如圖1所示，BP神經(jīng)網(wǎng)絡(luò)包括以下單元：①處理單元(神經(jīng)元)（圖中用圓圈表示），即神經(jīng)網(wǎng)絡(luò)的基本組成部分。輸入層的處理單元只是將輸入值轉(zhuǎn)入相鄰的聯(lián)接權(quán)重，隱層和輸出層的處理單元將它們的輸入值求和并根據(jù)轉(zhuǎn)移函數(shù)計算輸出值。②聯(lián)接權(quán)重(圖中如V,W)。它將神經(jīng)網(wǎng)絡(luò)中的處理單元聯(lián)系起來，其值隨各處理單元的聯(lián)接程度而變化。③層。神經(jīng)網(wǎng)絡(luò)一般具有輸入層x、隱層y和輸出層o。④閾值。其值可為恒值或可變值，它可使網(wǎng)絡(luò)能更自由地獲取所要描述的函數(shù)關(guān)系。⑤轉(zhuǎn)移函數(shù)F。它是將輸入的數(shù)據(jù)轉(zhuǎn)化為輸出的處理單元，通常為非線性函數(shù)。

[摘要]為了尋找國際黃金價格與道瓊斯工業(yè)指數(shù)、美國消費者指數(shù)，國際黃金儲備等因素之間的內(nèi)在關(guān)系，本文對1972年～2006年間的各項數(shù)據(jù)首先進(jìn)行歸一化處理，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行模擬訓(xùn)練，建立了基于BP神經(jīng)網(wǎng)絡(luò)的國際黃金價格預(yù)測模型。

[關(guān)鍵詞]MATLABBP神經(jīng)網(wǎng)絡(luò)預(yù)測模型數(shù)據(jù)歸一化

一、引言

自20世紀(jì)70年代初以來的30多年里,世界黃金價格出現(xiàn)了令人瞠目的劇烈變動。20世紀(jì)70年代初,每盎司黃金價格僅為30多美元。80年代初,黃金暴漲到每盎司近700美元。本世紀(jì)初,黃金價格處于每盎司270美元左右,此后逐年攀升,到2006年5月12日達(dá)到了26年高點,每盎司730美元,此后又暴跌,僅一個月時間內(nèi)就下跌了約160美元,跌幅高達(dá)21.9%。最近兩年，黃金價格一度沖高到每盎司900多美元。黃金價格起伏如此之大,本文根據(jù)國際黃金價格的影響因素，通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型來預(yù)測長期黃金價格。

二、影響因素

劉曙光和胡再勇證實將觀察期延長為1972年～2006年時,則影響黃金價格的主要因素擴(kuò)展至包含道瓊斯指數(shù)、美國消費者價格指數(shù)、美元名義有效匯率、美國聯(lián)邦基金利率和世界黃金儲備5個因素。本文利用此觀點，根據(jù)1972年～2006年各因素的值來建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

摘要基于粒子群優(yōu)化的算法具有全局隨機搜索最優(yōu)解的特點。本文嘗試把PSO算法和神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練的常用算法BP算法結(jié)合起來進(jìn)行數(shù)據(jù)的訓(xùn)練，實現(xiàn)對一組數(shù)據(jù)的訓(xùn)練，并對結(jié)果與BP算法的訓(xùn)練結(jié)果進(jìn)行了對比，得到了較好的效果。

關(guān)鍵詞神經(jīng)網(wǎng)絡(luò)；反向傳播算法；PSO算法；適應(yīng)度函數(shù)

人工神經(jīng)網(wǎng)絡(luò)是由人工神經(jīng)元互連而成的網(wǎng)絡(luò)，它從微觀結(jié)構(gòu)和功能上實現(xiàn)對人腦的抽象和簡化，具有許多優(yōu)點。對神經(jīng)網(wǎng)絡(luò)的權(quán)值系數(shù)的確定，傳統(tǒng)上采用反向傳播算法（BP算法）。BP網(wǎng)絡(luò)是一種多層前向反饋神經(jīng)網(wǎng)絡(luò)，BP算法是由兩部分組成：信息的正向傳遞與誤差的反向傳播。在反向傳播算法中，對權(quán)值的訓(xùn)練采用的是爬山法（即：δ算法）。這種方法在諸多領(lǐng)域取得了巨大的成功，但是它有可能陷入局部最小值，不能保證收斂到全局極小點。另外，反向傳播算法訓(xùn)練次數(shù)多，收斂速度慢，使學(xué)習(xí)結(jié)果不能令人滿意。

粒子群優(yōu)化算法（ParticleSwarmOptimizer,PSO）是一種進(jìn)化計算技術(shù)(evolutionarycomputation)。源于對鳥群捕食的行為研究，PSO中，每個優(yōu)化問題的解都是搜索空間中的一只鳥，我們稱之為粒子。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應(yīng)值(fitnessvalue)，每個粒子還有一個速度決定他們飛翔的方向和距離。然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。如果用粒子群算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練，會得到較快的收斂速度，而且可以避免局部最值得出現(xiàn)。研究表明PSO是一種很有潛力的神經(jīng)網(wǎng)絡(luò)算法。

本文提出了一種基于PSO算法的BP網(wǎng)絡(luò)學(xué)習(xí)算法，并通過MATLAB7.0實現(xiàn)對一組簡單的向量進(jìn)行訓(xùn)練對PSO—BP算法和BP算法進(jìn)行了對比，試驗結(jié)果說明PSO—BP算法適合訓(xùn)練BP網(wǎng)絡(luò)，并且也有希望應(yīng)用于其他種類的前向網(wǎng)絡(luò)的訓(xùn)練。

1PSO算法

[摘要]本文從生物神經(jīng)元的角度簡單闡述了人腦高級思維的形成機制。通過對反射、認(rèn)知、創(chuàng)造等概念的重新定義，全面的解析人腦的工作原理，以及在這一運行機制下對于外界所反應(yīng)出來的相關(guān)現(xiàn)象。

[關(guān)鍵詞]反射認(rèn)知創(chuàng)造神經(jīng)網(wǎng)絡(luò)人工智能

一、生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)

生物神經(jīng)系統(tǒng)是以神經(jīng)元為基本單位，神經(jīng)元的外部形態(tài)各異，但基本功能相同，在處于靜息狀態(tài)時（無刺激傳導(dǎo)），神經(jīng)細(xì)胞膜處于極化狀態(tài)，膜內(nèi)的電壓低于膜外電壓，當(dāng)膜的某處受到的刺激足夠強時，刺激處會在極短的時間內(nèi)出現(xiàn)去極化、反極化（膜內(nèi)的電壓高于膜外電壓）、復(fù)極化的過程，當(dāng)刺激部位處于反極化狀態(tài)時，鄰近未受刺激的部位仍處于極化狀態(tài)，兩著之間就會形成局部電流，這個局部電流又會刺激沒有去極化的細(xì)胞膜使之去極化等等，這樣不斷的重復(fù)這一過程，將動作電位傳播開去，一直到神經(jīng)末梢。

神經(jīng)元與神經(jīng)元之間的信息傳遞是通過突觸相聯(lián)系的，前一個神經(jīng)元的軸突末梢作用于下一個神經(jīng)元的胞體、樹突或軸突等處組成突觸。不同神經(jīng)元的軸突末梢可以釋放不同的化學(xué)遞質(zhì)，這些遞質(zhì)在與后膜受體結(jié)合時，有的能引起后膜去極化，當(dāng)去極化足夠大時就形成了動作電位；也有的能引起后膜極化增強，即超極化，阻礙動作電位的形成，能釋放這種遞質(zhì)的神經(jīng)元被稱為抑制神經(jīng)元。此外，有的神經(jīng)元之間可以直接通過突觸間隙直接進(jìn)行電位傳遞，稱為電突觸。還有的因樹突膜上電壓門控式鈉通道很少，樹突上的興奮或抑制活動是以電緊張性形式擴(kuò)布的，這種擴(kuò)布是具有衰減性的。

圖1

摘要：ZISC78是IBM公司和Sillicon公司聯(lián)合生產(chǎn)的一種具有自學(xué)習(xí)功能的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)芯片，文中主要介紹了ZICS78芯片的功能、原理，給出了ZISC78神經(jīng)網(wǎng)絡(luò)芯片在艦載武器系統(tǒng)中進(jìn)行船舶運動實時預(yù)報的應(yīng)用方法。

關(guān)鍵詞：ZISC78；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）；實時；預(yù)報

1引言

神經(jīng)網(wǎng)絡(luò)是近年來得到廣泛關(guān)注的一種非線性建模預(yù)報技術(shù)。它具有自組織、自學(xué)習(xí)、自適應(yīng)和非線性處理、并行處理、信息分布存儲、容錯能力強等特性，對傳統(tǒng)方法效果欠佳的預(yù)報領(lǐng)域有很強的吸引力?；谏窠?jīng)網(wǎng)絡(luò)的非線性信息處理方法已應(yīng)用于軍事信息處理及現(xiàn)代武器裝備系統(tǒng)的各個方面，并有可能成為未來集成智能化的軍事電子信息處理系統(tǒng)的支撐技術(shù)。該技術(shù)在一些先進(jìn)國家已部分形成了現(xiàn)實的戰(zhàn)斗力。

船舶在波浪中航行，會受到風(fēng)、浪和流的影響，因而將不可避免地發(fā)生搖蕩運動。嚴(yán)重的搖蕩會使船員工作效率下降、物品損壞、軍艦的戰(zhàn)斗力下降。如果能夠預(yù)知未來一段時間船舶的運動情況，不僅有利于盡早采用先進(jìn)控制算法控制艦載武器平臺隔離船舶運動的影響，使其始終穩(wěn)定瞄準(zhǔn)目標(biāo)，而且還可獲得未來一個海浪周期內(nèi)的船舶運動情況，以研究船載武器上層的控制策略，從而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶運動的短期預(yù)報。此外，如能有效準(zhǔn)確地預(yù)報船舶的橫搖運動，對于提高船舶的耐波性和適航性也有重要意義。

國內(nèi)外學(xué)者也將神經(jīng)網(wǎng)絡(luò)用于船舶運動預(yù)報研究，但往往沒有考慮實時性等實現(xiàn)問題，因而不能實用化。神經(jīng)網(wǎng)絡(luò)實現(xiàn)技術(shù)是神經(jīng)網(wǎng)絡(luò)研究的一個重要方面。神經(jīng)網(wǎng)絡(luò)實現(xiàn)可分為全硬件實現(xiàn)和軟件實現(xiàn)兩種。目前神經(jīng)網(wǎng)絡(luò)的實現(xiàn)還主要以軟件模擬為主，由于現(xiàn)行的馮諾曼計算機體系結(jié)構(gòu)不能實現(xiàn)并行計算，因而神經(jīng)網(wǎng)絡(luò)軟件的實時應(yīng)用還受到一定限制。

1引言

在水利及土木工程中經(jīng)常會遇到地形面，地形面是典型的空間自由曲面，地形面在給出時，往往只給出一些反映地形、地貌特征的離散點，而無法給出描述地形面的曲面方程。然而有時需要對地形面進(jìn)行描述，或者當(dāng)給出的地形面的點不完整時，需要插補出合理的點。以往大多用最小二乘法或其它曲面擬合方法如三次參數(shù)樣條曲面、Bezier曲面或非均勻有理B樣條曲面等，這些擬合方法的缺點是：型值點一旦給定，就不能更改，否則必須重新構(gòu)造表達(dá)函數(shù)；在構(gòu)造曲線曲率變化較大或型值點奇異時，容易產(chǎn)生畸變，有時需要人為干預(yù)；此外，這些方法對數(shù)據(jù)格式都有要求。

神經(jīng)網(wǎng)絡(luò)技術(shù)借用基于人類智能（如學(xué)習(xí)和自適應(yīng)）的模型、模糊技術(shù)方法，利用人類的模糊思想來求解問題，在許多領(lǐng)域優(yōu)于傳統(tǒng)技術(shù)。用神經(jīng)網(wǎng)絡(luò)進(jìn)行地形面構(gòu)造，只要測量有限個點（可以是無序的），不需要其它更多的地形面信息和曲面知識，當(dāng)?shù)匦蚊鎻?fù)雜或者是測量數(shù)據(jù)不完整時，用神經(jīng)網(wǎng)絡(luò)方法更具優(yōu)勢，而且還可以自動處理型值點奇異情況。

本文提出用BP神經(jīng)網(wǎng)絡(luò)結(jié)合模擬退火算法進(jìn)行地形面的曲面構(gòu)造。

2模型與算法的選擇

為了對地形面進(jìn)行曲面構(gòu)造，首先要有一些用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初始樣本點，對所建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，學(xué)習(xí)訓(xùn)練的本質(zhì)就是通過改變網(wǎng)絡(luò)神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)能將樣本集的內(nèi)涵以聯(lián)結(jié)權(quán)矩陣的方式存儲起來，從而具有完成某些特殊任務(wù)的能力。權(quán)值的改變依據(jù)是樣本點訓(xùn)練時產(chǎn)生的實際輸出和期望輸出間的誤差，按一定方式來調(diào)整網(wǎng)絡(luò)權(quán)值，使誤差逐漸減少，當(dāng)誤差降到給定的范圍內(nèi)，就可認(rèn)為學(xué)習(xí)結(jié)束，學(xué)習(xí)結(jié)束后，神經(jīng)網(wǎng)絡(luò)模型就可用于地形面的構(gòu)造。

摘要：隨著商業(yè)銀行金融業(yè)務(wù)的發(fā)展和體制改革的不斷深化，國內(nèi)各商業(yè)銀行之間的競爭日趨激烈，這一趨勢在國內(nèi)金融產(chǎn)品營銷上的表現(xiàn)得尤為突出。各銀行為了獲取更多的客戶資源、占有更大的市場份額，往往采取“簡單”的性價比競爭和“此起彼伏”的推銷宣傳戰(zhàn)，其弊端顯而易見。這就要求銀行要采取以客戶為中心的策略，根據(jù)客戶的類型和需求提供多樣化、層次化、個性化的服務(wù)解決方案。因此，營銷模型成了預(yù)測利潤，提高客戶滿意度、忠誠度的有效指導(dǎo)工具。近幾年迅速發(fā)展起來的數(shù)據(jù)挖掘技術(shù)就是實現(xiàn)這一目標(biāo)的重要手段。本文通過BP神經(jīng)網(wǎng)絡(luò)對產(chǎn)品營銷響應(yīng)進(jìn)行預(yù)測分析，指導(dǎo)營銷方案的設(shè)置和提高效率。

關(guān)鍵詞：銀行；金融產(chǎn)品；預(yù)測；BP神經(jīng)網(wǎng)絡(luò)

營銷模型是企業(yè)比較常見的一種預(yù)測模型。目標(biāo)變量可以為預(yù)測誰會對某種產(chǎn)品或服務(wù)的宣傳進(jìn)行響應(yīng)，某種營銷方式的預(yù)測成功率等等；因變量是客戶及其行為的各種屬性，如:客戶類型、客戶年齡、客戶收入、采取的營銷手段等。利用響應(yīng)模型來預(yù)測哪些客戶最有可能對營銷活動進(jìn)行響應(yīng)或者預(yù)測一個新的同類營銷產(chǎn)品方案成功的機會，從而對他們采取相應(yīng)的營銷活動或者指定營銷方案的投入。而對響應(yīng)度不高的客戶群就不用對他們進(jìn)行營銷活動，從而減少活動成本，提高投資回報率。人工神經(jīng)網(wǎng)絡(luò)(Artificialneuralnetwork，ANN)簡稱神經(jīng)網(wǎng)絡(luò)，在1986年由Rumelhant和McClelland提出，在目前是應(yīng)用最為廣泛、取得的成就最多的神經(jīng)網(wǎng)絡(luò)之一?；舅枷胧牵瑢W(xué)習(xí)的過程由信號的正向傳遞和誤差的反向傳播兩個過程組成的，在正向傳遞過程中，訓(xùn)練樣本由輸入層輸入，根據(jù)一定的規(guī)則經(jīng)由隱含層處理后傳到輸出層，結(jié)構(gòu)是由多個簡單的處理單元按某種邏輯相互連接而形成的計算系統(tǒng)，具有自適應(yīng)自學(xué)習(xí)等特點，如果輸出層輸出的信號與期望的輸出不符，則轉(zhuǎn)到下一個過程，也就是誤差的反向傳播。優(yōu)點是解決非線性問題的建模，具備強大的輸入輸出非線性映射能力，現(xiàn)在廣泛用于智能制造、數(shù)據(jù)建模分析等行業(yè)。常用的神經(jīng)網(wǎng)絡(luò)有60多種，其中在營銷預(yù)測中應(yīng)用最多的是誤差反傳網(wǎng)絡(luò)即BP(Back—propagation)神經(jīng)網(wǎng)絡(luò)。其突出優(yōu)點就是具有很強的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)。本文通過BP神經(jīng)網(wǎng)絡(luò)對產(chǎn)品營銷響應(yīng)進(jìn)行預(yù)測分析，指導(dǎo)營銷方案的設(shè)置和提高效率，也可為銀行金融產(chǎn)品營銷方案的數(shù)據(jù)建模提供一定的理論依據(jù)。

1.基于BP神經(jīng)網(wǎng)絡(luò)算法建立挖掘模型

1.1樣本提取。樣本提取的基本原則：第一，極大地影響結(jié)果輸出并且容易被檢測或提取的變量用作輸入變量。第二，盡可能地不要在輸入和輸出之間存在太多的相關(guān)性或非相關(guān)性。同時根據(jù)輸入和輸出的性質(zhì)將它們分為兩類：字符變量和數(shù)值變量。后者可分為離散變量和連續(xù)變量。字符變量只有在轉(zhuǎn)換為離散變量時才能由網(wǎng)絡(luò)處理。第三，需要使用原始數(shù)據(jù)中的信號處理或特征提取技術(shù)來提取能夠反映網(wǎng)絡(luò)特征的參數(shù)作為輸入，即是進(jìn)行歸一化處理。因此，在建立營銷模式的過程中，我們不應(yīng)盲目選擇所有數(shù)據(jù)和信息，而應(yīng)選擇樣本數(shù)據(jù)，這不僅可以提高效率，還可以減少資源浪費。1.2樣本評估。首先，在設(shè)計訓(xùn)練樣本集的過程中，網(wǎng)絡(luò)的性能要求與訓(xùn)練樣本具有良好的相關(guān)性。樣本的大小和質(zhì)量對于網(wǎng)絡(luò)非常重要。對于樣本數(shù)量，營銷客戶具有大量樣本的網(wǎng)絡(luò)的特征。培訓(xùn)結(jié)果可以很好地體現(xiàn)其內(nèi)在規(guī)律。但困難在于采集樣本，并且具有大量樣本的網(wǎng)絡(luò)在提高其準(zhǔn)確性方面存在很大困難。通常，網(wǎng)絡(luò)映射的復(fù)雜性與網(wǎng)絡(luò)的大小成比例。訓(xùn)練樣本的數(shù)量通常是網(wǎng)絡(luò)連接權(quán)重總數(shù)的5倍至10倍。在許多情況下，很難滿足這些要求。其次，當(dāng)我們選擇和組織樣本時，我們需要選擇代表性樣本，平衡樣本類別，并交叉輸入不同類型的樣本。它是否具有良好的泛化能力是培訓(xùn)網(wǎng)絡(luò)測試的標(biāo)準(zhǔn)。它是將收集的樣本分為兩部分，一部分用于訓(xùn)練，另一部分用于測試集，但不用于測試訓(xùn)練集中的數(shù)據(jù)。測試集樣本的誤差遠(yuǎn)大于訓(xùn)練樣本的誤差，因此網(wǎng)絡(luò)的泛化能力很差。當(dāng)我們設(shè)計初始權(quán)重時，因為訓(xùn)練時間的長度與初始化方法密切相關(guān)，所以通過網(wǎng)絡(luò)權(quán)重的初始化來確定錯誤從哪一點開始。由于神經(jīng)元動作函數(shù)相對于原點的對稱性，零點附近的每個節(jié)點的凈輸入和輸出處于動作函數(shù)的中點，并且該位置的變化最敏感且遠(yuǎn)離飽和度。動作功能的區(qū)域。因此，有必要通過選擇較小的初始權(quán)重并使初始權(quán)重+1和-1相等來加速網(wǎng)絡(luò)的學(xué)習(xí)。

2.結(jié)果與分析

目前信息安全問題已經(jīng)得到社會的廣泛關(guān)注，目前在信息安全管理中主要依靠現(xiàn)有的病毒庫，采用病毒查殺的方法來保證系統(tǒng)安全。但是在實際上，這種病毒查殺方法并不具有高效、預(yù)先防御的功能，導(dǎo)致很多新型病毒出現(xiàn)后系統(tǒng)的安全保護(hù)出現(xiàn)滯后性。而PCA技術(shù)的出現(xiàn)進(jìn)一步強化信息安全管理能力，可以有效避免信息安全事件發(fā)生，具有先進(jìn)性，值得關(guān)注。

1PCA技術(shù)分析1.1PCA技術(shù)概括

在當(dāng)前的實時網(wǎng)絡(luò)環(huán)境下，網(wǎng)絡(luò)數(shù)據(jù)的流通數(shù)量越來越大，并表現(xiàn)出高度的數(shù)據(jù)維度特征，尤其是在業(yè)務(wù)的高峰時期，有效的識別數(shù)據(jù)特征并對異常數(shù)據(jù)進(jìn)行隔離是保證信息安全的關(guān)鍵。在這種情況下，基于統(tǒng)計學(xué)中的PCA技術(shù)（主成分分析方法）出現(xiàn)，并成為現(xiàn)階段處理網(wǎng)絡(luò)數(shù)據(jù)的常見方法，與傳統(tǒng)技術(shù)相比，該技術(shù)能夠進(jìn)一步降低數(shù)據(jù)維度，并最大程度上保證了數(shù)據(jù)所具有的原始特征。在這種情況下，數(shù)據(jù)量減少且維度降低有助于提高異常數(shù)據(jù)的監(jiān)測性能，這是傳統(tǒng)技術(shù)所不具備的。1.2主動成分分析方法的降維原理PCA技術(shù)是一種可以將高緯度數(shù)據(jù)的不同數(shù)據(jù)映射成為少數(shù)幾個能夠代表元數(shù)據(jù)特征值的降維方法，在經(jīng)過這種數(shù)據(jù)處理之后，這些少數(shù)的特征值可以反映出原有數(shù)據(jù)的特征屬性，并且為了保證數(shù)據(jù)處理效果，這些處理之后的數(shù)據(jù)是沒有關(guān)聯(lián)性的。在PCA的數(shù)學(xué)表達(dá)過程中，假設(shè)待處理的網(wǎng)絡(luò)異常源數(shù)據(jù)具有n個維數(shù)特征值，表述為：x1、x2……xn，在經(jīng)過PCA處理之后，就可以將其轉(zhuǎn)變?yōu)閚個綜合變量，通過這種計算方法可以確定不同綜合指標(biāo)因子y的維度數(shù)，并且從第一個變量開始一直到第n個變量數(shù)，且方差呈現(xiàn)出依次遞減的特征。

2基于主成分分析法的BP神經(jīng)網(wǎng)絡(luò)信息安全管理分析

2.1BP神經(jīng)網(wǎng)絡(luò)信息分析。BP神經(jīng)網(wǎng)絡(luò)最初是對人類大腦的工作進(jìn)行抽象模擬的技術(shù)，其中涉及到了計算機科學(xué)、生物學(xué)、數(shù)學(xué)等內(nèi)容，目前已經(jīng)在廣泛應(yīng)用在人工智能機器學(xué)中。從功能來看，BP神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)與訓(xùn)練過程來調(diào)整網(wǎng)絡(luò)的連接權(quán)值，最終達(dá)到從輸入到輸出過程的完整收斂狀態(tài)。所以在當(dāng)前的數(shù)據(jù)處理中，BP圣經(jīng)網(wǎng)絡(luò)具有滿意的網(wǎng)絡(luò)信息處理能力，針對網(wǎng)絡(luò)信息傳輸過程中存在的信息變形失真或者信息丟失不完整情況進(jìn)行抽象補充。最后，BP神經(jīng)網(wǎng)絡(luò)具有一定的自主學(xué)習(xí)能力，能夠識別訓(xùn)練樣本中各種異常數(shù)據(jù)，且對于異常數(shù)據(jù)的變形形式也有一定的識別效果。2.2基于BP的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)步驟。在BP神經(jīng)網(wǎng)絡(luò)中，在學(xué)習(xí)樣本從輸入層輸入到網(wǎng)絡(luò)中之后，神經(jīng)元的激活值開始從輸入層一直想輸出層傳遞，這個過程中，各層的神經(jīng)元在數(shù)據(jù)上否會得到相應(yīng)；之后根據(jù)減少目標(biāo)情況，可以反向從輸出層到隱含層再到輸入層，通過一層一層的修正權(quán)值，保證了數(shù)據(jù)處理過程。而在實際上，這種反向誤差的持續(xù)修正，可以提高網(wǎng)絡(luò)對輸入模式相應(yīng)的正確率。

3仿真分析

摘要：本文主要針對企業(yè)信貸業(yè)務(wù)帶來的風(fēng)險進(jìn)行相關(guān)研究，利用貝葉斯神經(jīng)網(wǎng)絡(luò)與雙規(guī)劃目標(biāo)模型，運用模擬退火算法制定出信貸策略，結(jié)合層次分析法制定出企業(yè)在受到突發(fā)因素影響下的信貸調(diào)整策略。首先通過Spearman相關(guān)性分析，篩選出衡量信貸風(fēng)險的五項指標(biāo)，因此選取該算法對123家企業(yè)建立風(fēng)險評估模型。其次擬合得出客戶流失率關(guān)于企業(yè)信貸利率的二次函數(shù)，計算銀行信貸收益函數(shù)，建立雙規(guī)劃目標(biāo)模型，運用Matlab模擬退火算法求最優(yōu)解，探究如何針對不同風(fēng)險下企業(yè)信貸策略，既保證銀行營利最大化，同時風(fēng)險又在可控范圍內(nèi)。最后通過對302家企業(yè)的指標(biāo)數(shù)據(jù)進(jìn)行風(fēng)險評估，預(yù)測其對應(yīng)的信譽等級，運用模擬退火算法，探究在總貸款1億元的限制條件下的信貸策略。

關(guān)鍵詞：貝葉斯神經(jīng)網(wǎng)絡(luò)擬合；模擬退火算法；信貸風(fēng)險；信貸業(yè)務(wù)；商業(yè)銀行

商業(yè)銀行在金融體系中扮演著重要角色，銀行最基本的業(yè)務(wù)是信貸，它也被用來作為企業(yè)融資的一種途徑，然而信用風(fēng)險是在信貸活動中最需要注意的。如何調(diào)整信貸策略需要根據(jù)每個行業(yè)所受影響程度的不同，而影響程度又涉及很多方面，因此采用層次分析法來構(gòu)建信貸策略調(diào)整機制，并計算出各個行業(yè)所受影響的指標(biāo)權(quán)重，進(jìn)而調(diào)整信貸策略。我國經(jīng)濟(jì)發(fā)展需要中小微企業(yè)的推動，它們可以提高社會生產(chǎn)力，為推動消費貢獻(xiàn)經(jīng)濟(jì)力量，同時也可以為人們提供更多的就業(yè)崗位。商業(yè)銀行通常是依據(jù)信貸政策，以及企業(yè)自身能力，并對企業(yè)信貸風(fēng)險進(jìn)行評估，根據(jù)其風(fēng)險等級來判斷是否可以對企業(yè)進(jìn)行放貸，如果可以進(jìn)行放貸，則要進(jìn)一步衡量貸款額度、利率和貸款的期限等具體的信貸策略，如何利用數(shù)學(xué)模型建立一個公平、合理、科學(xué)的信貸決策機制是我們需要解決的問題。

1問題分析

本文利用相關(guān)數(shù)據(jù)對123家企業(yè)的信貸風(fēng)險進(jìn)行評估，并給出該銀行在一定的年度信貸總額情況下，對這些企業(yè)所采用的信貸策略。信貸策略包括是否對企業(yè)放貸及貸款額度、利率和期限等，題目已給出期限為一年，需要考慮的是貸款額度及利率優(yōu)惠的決策機制，而是否提供貸款由企業(yè)實力和供求關(guān)系穩(wěn)定程度來決定，利率優(yōu)惠由企業(yè)信譽高低和信貸風(fēng)險大小決定，首先對數(shù)據(jù)做了預(yù)處理，剔除掉作廢發(fā)票等無效數(shù)據(jù)，利用Excel軟件對數(shù)據(jù)進(jìn)行篩選、提取，將衡量是否放貸和利率優(yōu)惠的指標(biāo)整理成數(shù)據(jù)集。其次運用Spearman相關(guān)系數(shù)對篩選的14個指標(biāo)進(jìn)行相關(guān)性分析，最終確定出顯著性較高的5項指標(biāo)作為衡量信貸風(fēng)險的評價指標(biāo)，為了保證信貸策略結(jié)果的精確性，我們先建立了PSO優(yōu)化的SVM模型，由于其訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù)的精確性較低，因此構(gòu)建了貝葉斯神經(jīng)網(wǎng)絡(luò)擬合模型，對123家企業(yè)的信貸風(fēng)險做出了評級，其擬合效果較好。商業(yè)銀行在進(jìn)行信貸活動時，不僅要評估企業(yè)風(fēng)險，還要考慮到自身的收益最大化，為此建立了信貸風(fēng)險評估模型及收益最大化的雙規(guī)化目標(biāo)模型，同時建立銀行收益函數(shù)。在算法方面，我們采用模擬退火算法并結(jié)合線性規(guī)劃原理，計算出銀行對于123家企業(yè)的具體信貸策略，即企業(yè)對應(yīng)的貸款額度比列以及相應(yīng)利率。

2模型的建立與求解