神经网络原理模板(10篇)

导言：作为写作爱好者，不可错过为您精心挑选的10篇神经网络原理，它们将为您的写作提供全新的视角，我们衷心期待您的阅读，并希望这些内容能为您提供灵感和参考。

篇1

中图分类号：TE328 文献标识码：A 文章编号：1009-914X（2016）03-0025-01

1.人工神经网络的基本原理

目前人工神经网络有四十种左右，结构、性能各不相同，但无论差异如何，它们都是由大量简单的基本处理单元广泛连接而成的。这种基本处理单元称为神经元，也称为节点，它是生物神经元的模拟物。最简单的节点是所有输入的加权和，并通过一个非线性函数输出结果

决定一个神经网络性质的要素有三个，即神经元特性、网络结构、训练方法（或叫学习方法）。所谓训练方法是指网络作什么方法适应或学习自动地形成网络中各个节点之间相互连接的权系数及各个节点的阀值。由于这三个要素的不同形成了丰富多彩的各种网络。在该项目的研究中，使用的神经网络是多层感知器（Multilayer Perceptron）。

2.多层感知器

多层感知器是一种层状结构有前馈神经网络，它由输入层，输出层，一个或多个隐蔽层（hidden layer）组成，隐蔽层也称为中间层，每个节点只与邻层节点相连接，同一层间的节点不相连。一个三层感知器可产生任意复杂的判定区，多层感知器使用的激活函数是S型函数。按训练方法多层感知器属于监督学习型，训练方法多采用误差反传播算法，简称BP算法。

3.误差反传播算法

函数（costfunction）最小化，估价函数等于期望输出与网络实际输出差的平方和。只有对应当前输出所属类的那个输出节点的期望输出是1.0，其余所有输出节点期望输出是0.0。网络训练时，开始取一些小的随机数（计算机自动生成），以这些随机数作为网络内部各个节点之间连接的权系数和各个节点上的阈值的初始值，然后，输入所有训练样本数据，根据网络求得输出结果，计算实际输出与期望输出的差值，并按照一定的规则，不断地修改节点间的连接权系数和节点内部的阈值，反复这一过程，直至权值收敛，并使估价函数降至可接收值。研究指出，真正的梯度下降法要求采取无穷小步长，权值改变的比例常数是学习率，学习率越大，权值改变量越大，网络收敛速度越快，但学习率大会产生震荡。为了增大学习率而不导致振荡，可增加一个冲量项（momentum term）。

4.神经网络油气预测

本次研究对三维地震资料进行了层位标定和构造解释，在构造解释的基础上分别提取地震属性，按其XY坐标重新进行网格化，将所提地震属性合并为一个整体。

该工区面积为1272平方千米，测线号1977-4639，共2664线，样点数为1905242点。预测层位为孔二段（EK2）。根据所选样本射孔井段深度及其试油结论，落实该段的含油气井和干井。统计结果表明：

在EK2内选择45口 （g107x1、g108、g143、g146x1、g2209、g61、g63、g68、g87、g89、g95、g996、g998、g999、n18、n20、n21、n22x1、n24、n59、n63、n69、n70、n73、n89、n91、wu7、y23、z19、z23、z25、z28、z31、z32、z34、z45、z46、z48、z49、z50、z52、z87、z88、z89、zx58）含油气井；

应用神经网络进行油气预测，首先应用Landmark软件提取地震层位属性，其后的实现步骤为：

①将每个地震属性在工区范围内作归一化处理，在此基础上可获得每一个地震道对应的地震属性样本。

②根据试油结论、地质分层数据表、射孔井段、井口坐标和井斜数据制作各砂层组和各井在该砂层组内的含油气性数据表，以便生成供神经网络学习用的训练样本集。上述数据及地震解释层位数据的可靠性都将影响预测结果准确性。

③训练样本集构成的参考原则：选取部分井旁样本组成训练样本集，留一部分井作为检验井，考核预测结果的可靠性。具体做法是：以射孔井段处的井下坐标在地面上的投影为原点，在指定的搜索半径范围内和指定产油气井旁抽取若干个样本作为含油气样本子集；在产油气井周边选择部分无油气井、并在无油气井旁抽取若干个样本作为无油气样本子集；将这两个样本子集合并在一起，便生成了训练样本集。

④将训练样本集提交给神经网络，让神经网络学会有油气和无油气的分类方法，即计算神经网络节点间的权系数。

⑤对工区内逐个样本进行分类，从而得到油气预测平面分布图。

EK2训练样本集是由含油气样本和干样本两个子集构成，从45口产油气井旁各抽取1-2个样本（其中g998、n20、n70抽取了两个样本），组成48个含油气样本，又从c14、g129、z37等22口干井旁各抽取1-4个样本（其中c14、g136、g137、g139、g157、g158、g194、jia6、x6、x7、y11抽取了2个样本，g128、g9、g990、wu15、z37抽取了3个样本，wucan1抽取了4个样本）组成48个干井样本，该层训练样本集的样本总数为含油气样本和干样本之和（96）。生成的训练样本集供神经网学习，“学习成绩”可以用不在训练样本集中井的含油气性来评判，即EK2的训练样本集共用67口井，用余下123口井（其中35口井为含油气井，其余88口井为干井）的含油气性来评价预测结果的可靠性。得到了EK2的油气预测图及顶面构造（等值线）与该层的油气预测叠合图。训练样本集选用了45口含油气井和22口干井，其余123口井作为验证井，EK2油气预测成果图（图7-9）显示，除了少数油气井（如g120、w38）在油气预测含油气边界处外，其余33口井均得到很好的验证，表明预测结果具有较高的符合程度（即符合度为33/35*100%=94%）。

5.结论

本次研究对三维地震资料进行了层位标定和构造解释，神经网络对工区内逐个样本进行分类，从而得到油气预测平面分布图。从分析结果看出，EK2含油气的地方，其预测值大部分都落在0.5至1的范围内，油气预测成果图展示了含油气区域的有利范围。从此次研究上看来利用神经网络预测油气是可行的。

参考文献

篇2

Abstract：With the development of the power of electronics technology，due to a variety of new non-linear loads are growing has caused much harmonic in power system，active power filter is the effective way to harmonic and compensate for the elimination.The working principle of active power filter system are briefly analyzed for this paper，and proposed a detection method based on neural networks，which are mainly using neural network load caused by harmonic resistance，etc.for effective analysis，to the original filter detection of the corresponding power system fundamental active current of more complete and thorough simulation results validate the design theory and analysis results are correct.

Key word：Harmonic;APF;neural networks

1.引言

在我国的可以发展和社会进步过程中，特别是各种高科技的产品以及衍生物的出现，发展进程不断加快，由于我国的地理结构，特别是资源分布不均决定了电网的地理结构配置，尤其是在恶劣环境状况下长远距离的电网配送传输，这样不得不造成电能在传输过程中的出现诸多问题，基于越来越到的三相交流正弦设备电压的稳定性，尤其是大量的非线性设备在交流电下产生的非正弦电流（电压等）信号，造成了其电能的有效性利用和一系列谐波的干扰等等。有源电力滤波器（Active Power Filter，APF）则应运而生，其优点是可以抑制一些谐波来提高电能的稳定性和电能的质量，其中在谐波处理这一块加入新型的神经网络，如现今的BP、FFT神经网络算法的运用在电力滤波器中，能够在谐波的处理过程中更加的准确和稳定，极大地加快了效率和保证了电能的质量，也是目前市场情景很广的一个重要课题。

2.电力谐波的检测方法

在现代的电力系统中，尤其的当前的三相交流电无时不刻地出现各种干扰性谐波，影响电能质量和效率。在传统的谐波检测中有一些比较传统的方法，特别在最初使用的无源滤波器进行简单且原始地滤波，这种滤波器在使用的同时也带来了很多的不便和出现更多新的问题，在后来也慢慢被淘汰。于是在后来演变了几种比较常用的方法，每种方法有其各自特点及应用范围，因此了解各种谐波检测方法的优缺点及其适用场合对拟制谐波是非常重要的。就目前广泛应用的是那些基于瞬时无功功率理论的p-q法，法和同步检测法以及基于正弦函数正交特性法的检测等方法，然后通过一些仿真比较各自的优缺点及适用场合，为有效拟制谐波提供理论及实际指导。分析及仿真表明，有效利用各种谐波检测方法的特点进行谐波拟制是非常有效、实用的，这是充分利用其反向特点分析的。

2.1 检测法

就目前大部分的谐波检测而言，基本都是运用检测法进行谐波检测，在谐波检测的基本工作原理是：将电压或电感器输出的电流信号转化为电压信号并进行适当的放大或缩小（根据实际信号的输出情况进行放大或缩小）。首先指令运算电路就是谐波检测的重要部分，其作用是在有源电力滤波器的补偿作用下得出其补偿电路的指令信号（电流信号），其中常用且最为重要的部分是三相电路的检测方法，在实际生活中常用的有两种：一种是电路谐波检测法，另一种是无功电流检测法。如下图1是电路-谐波检测的原理示意图.其方法的基本原理是利用三相电压源中的其中一项与同相位的正弦信号和相对应的余弦信号sinωt_cosωt，然后他们由一个相锁环（PLL）和sinωt_cosωt信号的发生电路模块得到。再根据定以及其公式计算出、。在图中、是由、、产生的、于是由、可以计算出、、，进而计算出、、。运算公式如图1所示。

图1 三相电流谐波检测原理示意图

（6）

（7）

（8）

（9）

用给定这些式子可以理想化的酸楚相应的补偿电流出来，这样根据所需的参数量来进行可控补偿。最终达到谐波抑制的目的。

2.2 基于神经网络的电流检测

在传统的APF（有源电力滤波器）中，我们很难有准确的测量方法，即是根据理想化的公式也只能进行理想的运算，然而在实际运行过程中，其测量参数准确度的有很大差距，于是我们提出了一种基于神经网络电流检测方法，这样在有源电力滤波器中有了很好检作用，其神经网络原理图 如下图2所视，它具有多种跟踪捕捉参数的能力，也能更为快速、准确地检测出来，达到的结果更接近理想值，在有源电力滤波器中加入运用神经网络是现今以及未来的一个趋势。

图2 神经网络结构图 图3 基于神经网络的基本原理图

3.建立相关模型并仿真

在APF的滤波基础上加入需要的神经网络模块，更能有效且准确地检测谐波并进行有效的补偿，最终得到需要的电流（电压）信号供日常实际生产。在被控参数的前馈期加入神经网络，可以很好的前馈控制，这样的优点是互惠产生不必要的延迟，同时可以减小工作时间。

3.1 模型建立

由于该研究主要针对于日常用的三相电力系统中，所以本文也是以三相交流为研究对象，其主要原理框图如图4所示

图4 加入神经网络的有源滤波的简易原理框图

我们可以很弄清楚地看到，滤波装置（APF）中加入可控串补神经经网调节模块，由图中可以看出主要对一些交流电流等相关参数进行补偿和抑制，在实际的运行环境中一系列的谐波、内外振荡和非稳定因素等干扰就得到了很好的抑制和处理，电压（电流）变得更稳定并且得到补偿和提高，很接近预期理论计算值，最终改善了运行环境，提高了电能的质量，同时更能有效地节省资源和提高电能有用功率。在每个模块达到自己的理论使用效果后，就可以很好地达到预期的结果。

3.2 仿真结果

本文研究对象主要是针对于三相交流电的电流参数进行测试，得到了一些列的仿真结果，基本能够反映研究的基本目的。下列图形分别给出了其三相交流电流谐波补偿抑制的仿真图像。

（1）当给定电压在380v、50Hz、α=30°时，在给与一定负载，得到的电流波形图如下图5所示，谐波很明显，三相正弦电流波形受到的干扰很明显，在有源滤波器的作用，谐波得到了很好的抑制并且提供了相应的补偿，是电流波形接近正常。

（2）当给定电压为380V、50Hz、α=30°时，同时给与一定负载，得到的电流波形图如下图6所示，谐干很明显，可知三相正弦电流波形受到的干扰很明显，在有加入神经网络后的有源滤波器的作用下，我们能够很明显地看到谐波得到了很好的抑制，且给予的补偿也很充分，电流的曲线图像变得更接近理想值，振幅也比以前增大了，从图像中我们可以得出在神经网络的作用下，有源电力滤波器的作用能够发挥得更加充分和完善，也是我们研究的重点和趋势。

4.总结

本文主要是在谐波污染现状上，对谐波进行系统的研究，尤其是在谐波检测的基础上进行研究，并设计了一种基于神经网络的有源电力谐波检测法，利用神经网络具有逼近任意非线性函数能力，响应快、超调小、误差小、鲁棒性好等一些优点，克服了有源电力滤波器补偿性能不足，检测效率低等缺点。其仿真结果表明基于该神经网络的谐波检测模块的试验中，可以得出其具有快速且准确的检测抑制效果，对今后的谐波抑制方面具有很好的发展前景。

参考文献

[1]杨军，王兆安.三相电路谐波电流两种检测方法的对比研究[J].电工技术学报，2005，6（7）.

[2]王兆安，刘建军.电力电技术[M].北京：机械工业出版社，2010.

篇3

【中图分类号】G40-057 【文献标识码】A 【论文编号】1009―8097(2009)07―0120―04

教育资源是信息化教学的基础。随着教育信息化的深层次推进,互联网中的信息资源以指数方式增长,这些资源不仅在内容上多种多样,在表现形式上更是丰富多彩。它对教育领域的冲击与渗透使得网络教育资源的利用受到重视,并随之出现了新型教学模式,如:基于资源的自主探索式学习和协作学习等。然而海量的网络教育资源既为教育带来了强大的服务功能,也为资源的建设与管理带来了新的挑战。教育资源具有数据量大、形式多样、针对性强、教育性强等诸多特点,如何将分散、无序的资源整合起来,使“用户能方便、高效地将其利用于自己的学习和工作之中,并在大范围内实现共享是网络教育资源建设者必须慎重面对的问题。”[1]

一 教育资源管理面临的问题

随着信息资源飞速增长,对教育资源管理的要求也更加苛刻。而网络环境的复杂给教育资源的管理带来许多不确定性。

1 教育资源管理系统在网络过载,受到攻击的情况下很容易崩溃。系统一旦崩溃,所有辛辛苦苦积累起来的资料化为乌有,资源的开发利用和共享无从谈起。目前“教育资源管理系统在输入错误、磁盘故障、网络过载或有意攻击情况下,很容易死机和崩溃。”[2]而鲁棒性(robustness)的大小是在异常和危险情况下系统生存的关键,代表了系统健壮与否。简而言之,系统的鲁棒性有待加强。

2 教育资源管理系统需要连续不断地吸收新的教育资源。向用户提供可靠的信息输出。但是在发生故障时,教育资源管理系统容易停止工作,给用户带来较大的损失。而容错性(Fault Tolerance)是指在故障存在的情况下管理系统不失效,仍然能够正常工作的特性。很明显,管理系统的容错性较差,犹如一个经常断电的供电站,给广大用户带来不必要的烦恼与损失。

3 教育资源的扩张速度极快,对海量教育资源的分类显得越来越困难。原先的人为分类跟不上信息传递的频率,导致很难在较短的时间内找到用户迫切需要的资料,浪费用户的时间,也给教育资源的进一步推广使用带来障碍。

二 人工神经网络的特点

人工智能(Artificial Intelligence)是探讨人类智能的基本机理,研究如何利用各种自动机来模拟人的某些思维过程和智能行为,从而构造智能人工制品的科学。

人类对人工智能的研究可以分成两种方式,对应着两种不同的技术:基于心理角度模拟的传统人工智能技术和基于生理角度模拟的人工神经网络技术。从人脑的生理结构来观察,人脑的每个神经元大约有103~4个树突及相应的突触,一个人的大脑总计约形成1014~15个突触。用神经网络的术语来说,即是人脑具有1014~15个互相连接的存储潜力。虽然每个神经元的运算功能十分简单,且信号传输速率也较低(大约100次/秒),但由于各神经元之间的极度并行互连功能,最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。根据人脑的生理特点,人工神经网络(Artificial Neural Networks,ANN)是由大量并行分布的单元广泛互连而成,通过各组成部分非同步化的变换,实现信息的整体处理任务,它的这一结构特点决定着人工神经网络具有高速信息处理的能力。它实质上是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。其“工作原理是通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。” [3]所以它具有自学习和自适应的能力,可以通过预先提供的一批相互对应的输入――输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果。

人工神经网络中神经元处理单元可表示不同的对象,例如特征、字母、概念,或者一些有意义的抽象模式。网络中处理单元的类型分为三类:输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间,不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度,“信息的表示和处理体现在网络处理单元的连接关系中。”[4]人工神经网络的本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能,并在不同程度和层次上模仿人脑神经系统的信息处理功能。正因为这个重要特征,“人工神经网络采用了与传统人工智能技术完全不同的机理,克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷,具有自适应、自组织和实时学习的特点。”[5]它与专家系统的最大区别是,专家系统属于人类智能的功能模拟,而人工神经网络则偏重走结构模拟的路子。与其它智能系统相比,人工神经网络具有以下特点:

1 学习能力:学习能力是神经网络具有智能的重要表现,即通过训练可抽象出训练样本的主要特征,表现出强大的自适应能力。例如实现图像识别时,只有先把许多不同的图像样板和对应的应识别的结果输入人工神经网络,网络就会通过自学习功能,慢慢学会识别类似的图像。

2 分布式结构:人工神经网络力图“体现大脑的分布式并行计算和非线性等特征,依此而建构的网络是一种具有大量连接的并行分布式处理器。”[6]具有通过学习获取知识并解决问题的能力,且知识是分布存储在与大脑神经元突触相类似的连接的权重中。在传统的串行体系计算机中信息分布在独立的存储单元中,而在神经网络中,信息则分散在神经元的连接上。神经网络的信息分布特性,使之具有强大的容错能力和记忆联想能力。信息的分布存储提供容错功能。由于信息被分布存放在几乎整个网络中,所以,“当其中的某一个点或者某几个点被破坏时,信息仍然可以被存取。系统在受到局部损伤时还可以正常工作。”[5]

3 并行处理:神经网络主要是对人脑的结构模拟。各种神经元在处理信息时是独立完成的,不同神经元之间具有并行性,这种并行处理使得信息处理速度大大加快。信息处理方式由原来冯•诺依曼设计的串行处理变为对信息并行处理。

三 人工神经网络应用于教育技术资源的管理之中

将网络布线由原来的星型布线转向神经网络布线方式。应用神经网络软件,网络采用分布式结构,信息采用统一并行处理的方式处理,从而加强了网络的鲁棒性、容错性。同时发挥神经网络的自学习能力,对待不同的信息资源进行模式分类。神经网络模型考虑采用目前比较成熟的误差反向传播网(BP神经网络)。教育资源分类考虑设计关键词进行训练,同时设立样本训练方法,用BP算法对该网络进行训练。训练结束之后,神经网络就可以作为教育资源分类器来进行使用。

BP(Back propagation反向传播)网络又称误差信号反馈网络,是神经网络中使用最广泛的一类。它是一种有教师的学习网络,能够实现从N维到M维的非线性映射,采用梯度下降法实现快速收敛。BP神经网络采用的是并行网格结构,包括输入层、隐含层和输出层,经作用函数后,再把隐节点的输出信号传递到输出节点,最后给出输出结果。由图1可见各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接。

该算法的学习过程由信息的前向传播和误差的反向传播组成。在前向传播的过程中,输入信息从输入层经隐含层逐层处理,并传向输出层。第一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出结果,则转入反向传播,将误差信号(目标值与网络输出之差)沿原来的连接通道返回,通过修改各层神经元权值,使得误差均方最小。神经网络理论已经证明“BP网络具有强大的非线性映射能力和泛化功能,任一连续函数或映射均可采用三层网络加以实现。”[3]

其BP神经网络模型设计方案如下:输入层、隐含层、输出层。输入层与外界的信息来源渠道紧密相连,称之为接受信息的服务器。隐含层包含若干个存储器,代表若干个知识单元。存储器需要具备输入输出渠道,具备自学习能力,可以接受外界信息,也可以传送信息。输出层由传送信息的服务器组成。输出层接受到隐含层传来的信息之后,根据用户要求传送相关信息。层间联接根据模型设计方案来铺设。神经网络中的每一个节点,无论其在输入层、隐含层、输出层上,每台计算机上必须有相应的神经元器件,以便网络进行自学与联想记忆。BP神经网络管理系统的硬件实现。是将协处理器插入标准计算机中,通过运行神经网络软件包,以实现神经网络的硬件功能,可以使神经网络在任何计算机硬件和软件环境中得到所需要的教育资源处理能力。其设计的模型具有如下特点:

1 教育资源并行分布方式处理:在神经网络中教育资源是分布储存和并行处理的,即神经网络把教育资源分布地存储在神经元之间的连接强度上,而且对教育资源的处理是由网络中神经元集体完成的。在BP神经网络中,教育资源的存储表现为神经元之间分布式的物理联系,它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分教育资源,而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。由于人工神经网络中神经元个数众多以及整个网络存储容量的巨大,使得它具有很强的不确定性处理能力。即使输入教育资源不完全、不准确或模糊不清,神经网络仍然能够联想思维持在于记忆中事物的完整图像。只要输入的模式接近于训练样本,系统就能给出正确的推理结论。

2 鲁棒性与容错性比较强:人工神经网络的结构特点和其信息存储的分布式特点,使得它相对于其它的判断识别系统如专家系统等,具有另一个显著的优点健壮性。当一个人的大脑因意外事故受轻微损伤之后,并不会失去原有事物的全部记忆。人工神经网络不会因为个别神经元的损失(网络过载、停电、突发故障)而失去对原有模式的记忆(管理功能)。另外“即使是突发事件,暂时使网络的硬件实现还是软件实现中的某个或某些神经元失效,整个网络仍然能继续工作。”[7]BP神经网络是一种非线性的处理系统。只有当神经元对所有的输入信号的综合处理结果超过某一阈值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统,可以实现对教育资源不间断、长时间的持续管理。它突破了传统管理系统的局限,标志着教育资源管理能力的较大提升。因而神经网络具有极强的鲁棒性与容错性,有联想记忆抽象概括和自适应能力。

3 具有自学习和自适应能力:神经网络抽象概括和自适应能力称之为自学习能力,自学习是神经网络中最重要的特征。通过学习,网络能够获得教育资源的分类知识,适应环境。在训练时,能从输入、输出的数据中提取出规律性的分类知识,记忆于网络的权值中。并具有泛化能力,即将这组权值应用于一般教育资源分类的能力。另外,BP神经网络的分类能力学习也可以在线进行。

以教育学院教育技术学资源管理为例,输入层由两台高性能的服务器组成,中间设七个知识单元,输出由两台输出服务器组成。隐层的七个神经元分别为计算机软件资源室、课堂教学资源室、“影视创作资源室、计算机教育应用资源室、网络技术资源室、传统教学资源室、传统媒体使用资源室。”[8]模型图如图2所示:

教育技术学资源管理系统一种可编程的动力系统,其存贮、加工和提取教育资源均是可编程的。输入层负责对教育技术学的相关教育资源进行筛选比较,然后根据学习后的分类能力对资源予以分类,将所有的教育技术资源分布式存储在隐层的各神经元中,需要处理时根据用户需要,从各个神经元中取出信息并行处理,输出到输出服务器中,提供给用户。用户可以将用户要求直接给输出处理平台,传递给输出层后,由输出层将用户要求反馈给中间隐层。也可以将要求送给输入处理平台,传递给输入层,进行筛选之后将信息传送给中间隐层。即使系统突然面临网络过载问题,由于存储是分布式的,可以很容易地将信息资源分配下去。即使突然停电,由于相关资源已经存储完毕,损失微乎其微。系统的鲁棒性大大加强。同时如果系统发生突然故障,由于输入渠道有两条,所以可以很轻松地用另一个服务器处理。输出处理时也是如此。因此系统的容错性也得到提高。至于模式分类,则需要较长时间的训练和大量的样本。一旦BP神经网络模型训练完毕,日后教育技术学资源分类就显得十分轻松。只需将关键词输入准确,便可以进入相应的知识单元存储起来。处理信息时,根据用户需要,有不少不同类别的资源需要统筹规划、联合利用,才能得到用户需要的结果。这儿就可以充分发挥神经网络并行处理的特点,有条不紊地对信息加以处理。其总体示意图如图3所示:

四 结语

教育信息化的核心问题是教育资源的应用和管理。神经网络式的教育资源管理系统把教育资源存储、教育资源管理、教育资源分类、教育资源动态升级四大特色功能进行整合,全面突破了“当前基础教育信息化过程中的应用‘瓶颈’。” [9]其最大的特点就是突出了教育资源的管理功能,通过以一个统一管理平台为核心的方式,对各类教育资源进行优化、整合,改善了以往教育资源管理从单一功能角度进行设计,各功能之间不能相互结合,造成资源管理困难和资源互不兼容的问题,实现了教育资源的价值最大化。值得注意的是,由于管理系统采用神经网络的结构特点进行设计,其鲁棒性、容错性和模式分类能力较强,较之传统教育资源管理方式比较起来,不仅提取和输入变得十分简单,而且对大量资源的分类式识别也大大加快,提高了管理效率。分布式存储提高了教育资源的存储容量,而“并行式处理又加大了教育资源的处理速度,同时系统在应付突发事件和网络攻击方面,应变能力大大增强,”[10]其可靠性与可用性也有突破性的提高。同时,在教育资源管理过程中,系统能抓住教育资源应用与管理过程中的关键问题,关注用户的反馈,即时更新教育资源,加强了教育资源的建设,为教育信息化的持续发展提供了有力的保障。

参考文献

[1] 余胜泉,朱凌云.教育资源建设技术规范体系结构与应用模式[J].中国电化教育,2006,(3):58-59.

[2] 穆肃.校本学科教学资源库的设计和实现[J].中国电化教育,2004,(1):56-61.

[3] 周志华著.神经网络及其应用(第1版)[M].北京:清华大学出版社,2004.

[4] 张广莹,徐丽娜,邓正隆.“神经网络控制”CAI课件研制中的几个问题[J].现代教育技术,1997,(2):32-33.

[5] 韩立群著.人工神经网络理论设计及应用(第1版)[M].北京:化学工业出版社,2002.

[6] 陶剑文.一种分布式智能推荐系统的设计[J].计算机工程,2007,(15):207-208.

[7] 王国旗,张辛亥,肖.采用前向多层神经网络预测煤的自然发火期[J].湖南科技大学学报(自科版),2008,(2):20-22.

篇4

[中图分类号]F270.7[文献标识码]A[文章编号]2095-3283（2013）01-00-02

一、 应用BP神经网络的必要性

随着经济全球化和信息技术的加快发展，我国企业面临着更为严峻的竞争压力。为了适应现代市场需求，企业必须优化配置人力资源，并科学制定人力资源规划。其中，科学的人力资源需求预测是人力资源开发和规划的基础，对人力资源管理活动将产生持续和重要的影响。

企业人力资源需求预测分析方法多种多样。在进行人力资源需求预测时，企业要考虑的因素复杂多变，如企业的目标和经营战略、生产状况的变化、工作设计或组织结构的变化等，而且各种影响因素与预测结果之间的相关性难以用定量的方法表示出来，是非线性相互制约的映射关系。将BP神经网络方法应用于人力资源需求预测领域，弥补和改进了人力资源需求预测分析方法，能较好地实现各指标与需求结果之间非线性关系的映射，对企业人力资源决策具有一定的参考和指导作用。

二、BP神经网络的基本原理

人工神经网络，简称神经网络，是一种包括许多简单的非线性计算单元或联结点的非线性动力系统，是用大量简单的处理单元广泛连接组成的复杂网络。Back-Propagation Network，简称为BP网络，即基于误差反向传播算法的多层前馈网络，是目前应用最成功和广泛的人工神经网络。它由输入层、隐含层和输出层组成。隐含层可以是一层或多层。BP神经网络自身具有的非线性映射、自学习、自适应能力、容易实现并行计算等优点，弥补和改进了供应商选择和评价方法，能较好地实现各指标与评价结果之间非线性关系的映射。

基于BP神经网络，构建供应商的选择评价模型，其基本思想为：假设输入变量为X=（X1，X2，···，Xi）'，隐含层输出变量为Y=（Y1，Y2，···，Yj）'，输出层变量为Z=（Z1，Z2，···，Zl）'，期望输出的目标变量为T=（T1，T2，···，Tl）'，Wij、Wjl分别为输入层到隐含层、隐含层到输出层的连接权值（如图1所示）。对于i个输入学习样本X1，X2，···，Xi，已知与其对应的输出样本为Z1，Z2，···，Zl。通过BP算法的学习，沿着负梯度方向不断调整和修正网络连接权值Wij和Wjl，使网络的实际输出Z逐渐逼近目标矢量T，也就是使网络输出层的误差平方和达到最小。

图1三层BP网络结构图三、BP神经网络在企业人力资源需求预测中的应用

根据上述BP神经网络主要思想，以A公司为例，分析如何运用MATLAB工具箱实现基于BP神经网络的企业人力资源需求预测。

1.样本数据处理

选取年份、产值、资产总计、利润4个指标作为输入向量，从业人员作为目标向量（见表1）。在对BP网络进行训练前，应该对数据进行归一化处理，使那些比较大的输入仍落在传递函数梯度大的地方。本例采用MATLAB工具箱中的premnmx（）函数把数据归一到[-1，1]之间，如表2所示。

对于BP网络，有一个非常重要的定理。即对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近，因而一个三层BP网络就可以完成任意的n维到m维的映射。本例采用单隐层的BP网络进行从业人员预测。由于输入样本为4维的输入向量，因此，输入层一共有4个神经元，网络只有1个输出数据，则输出层只有1个神经元。隐含层神经元个数根据最佳隐含层神经元数经验公式取15个。因此，网络应该为4×15×1的结构。隐含层神经元的传递函数为S型正切函数tansig（），输出层神经元的传递函数为线性激活函数purelin（）。

3.BP网络训练及仿真

建立网络后，对表2中的数据进行训练，训练参数的设定如表3所示，其他参数取默认值。

训练次数12100012目标误差120.00112学习速率120.01训练结果如图1所示，可见经过52次训练后，网络的目标误差达到要求。

图1训练结果网络训练结束后，运用MATLAB工具箱中的sim（）函数，将经过归一化后的数据表2进行仿真模拟，获得网络的输出，然后将运算结果通过postmnmx（）函数进行反归一化处理，得到BP网络预测值，最后检查BP网络预测值和实际从业人员数之间的误差是否符合要求，如表4所示。

4.预测结果评价

图2反映了该BP网络较好地逼近了输入矢量，即年份、产值（万元）、资产总计（万元）和利润（万元）与目标矢量，即从业人员（人）之间的线性关系。用BP神经网络对现有人力资源状况进行分析拟合，是人力资源需求预测的较理想方法。与传统的人力资源需求预测方法相比，将BP神经网络用于人力资源需求预测，克服了输入矢量和目标矢量非线性、不符合统计规律的问题。BP神经网络模型良好的容错和自学习能力，调用MATLAB工具箱函数，使预测过程更易实现，可以更好地对人力资源进行规划，提高人力资源预测精度。

图2BP神经网络的函数逼近结果将BP神经网络应用于企业人力资源需求预测，能较好地建立起各影响因素与预测结果之间的非线性关系，是企业预测人力资源需求的一种较理想的方法。但BP神经网络也存在着一些不足和问题。主要表现在学习速率太小可能会造成训练时间过长；BP算法可以使权值收敛到某个值，但并不能保证其为误差平面的全局最小值；网络隐含层的层数和单元数的选择一般是根据经验或者通过反复实验确定，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。因此，BP神经网络在企业人力资源需求预测领域的应用仍需根据企业自身实际情况做进一步的改进和完善。

[参考文献]

[1]飞思科技产品研发中心神经网络理论与MATLAB7实现[M]北京：电子工业出版社，2005.

[2]（美）海金（Simon Haykin）神经网络原理（原书第2版）[M]叶世伟，史忠植译北京：机械工业出版社，2004.

[3]丛爽面向MATLAB工具箱的神经网络理论与应用[M]中国科学技术大学出版社，1998.

[4]刘跃基于BP神经网络的人力资源估价研究[J]统计与信息论坛，2007（1）：96-99.

[5]艳明四种人力资源的定量预测方法及评述[J]统计与决策，2008（7）：30-32.

[6]国家统计局固定资产投资统计司，中国行业企业信息中心中国大型房地产与建筑业企业年鉴[M]北京：中国大地出版社，2003-2008.

篇5

中图分类号：R197.324文献标识码：A文章编号：1007-9599 (2012) 04-0000-02

一、网络经济对医院审计带来的积极影响

（一）有利于加快医院审计信息化建设

随着医院内部管理信息化、业务运行网络化、会计信息电子化的广泛建立，不仅使医院各项经济活动的会计处理工作均可以通过计算机系统和软件自动完成，还使医院的经营管理步入了信息化、网络化的轨道。在这样的网络经济环境下，医院审计工作的范围、对象、内容、方法等审计要素也随之发生了较大的变化，对传统的审计工作造成了巨大的冲击。为了满足医院管理信息化的发展需求，医院必须加快审计信息化建设，以改进传统审计工作的不足，提高医院整体信息化的建设水平。

（二）有利于实现医院审计目标

医院审计工作的目标在于紧紧围绕本院工作重心，以强化财务管理和内部控制监督为主要任务，实现维护国家财经纪律、促进医院健康发展的目标。所以，医院必须采取先进、科学的技术方法，借助于网络技术、信息技术和计算机技术对所获取的审计凭证和信息资料进行加工处理，作为审计结果的评估、判断依据，以此为医院领导提供可靠的决策信息，从而确保审计目标的实现。

（三）有利于提升医院内部审计质量

网络经济环境下，网络信息技术已经广泛被应用于医院的日常经营管理活动中，医院内部审计工作也不例外。审计工作利用现代科学技术，不仅可以极大地减轻审计人员的工作量，确保审计数据的准确性和完整性，还可以促进审计工作规范化、流程化，提高审计工作效率，降低审计管理成本，从而提升医院内部审计工作水平和质量。

二、网络经济对医院审计的管理策略

（一）运用计算机辅助审计方法

1.对医院日常会计信息的审计。当前的医院审计要求审计工作人员应对会计信息给予更多的分析，并利用计算机辅助审计来完成具体工作。首先，应多开发一些适用于计算机辅助审计的应用软件，这样便于审计人员借助这些审计软件来对会计信息进行相应的检查、测试、比较分析、统计、汇总等审计工作。如审计人员可以通过借助相应的审计软件对医院财务部门各个时期的指标进行比较，并从中找出异常状况，以便于进一步加以调查和分析；其次，也可以借助会计电算化自带的一些功能来完成审计工作。如审计人员可以利用会计电算化中的查询过滤功能，将某些明细账反映的医疗服务金额在指定数额以上的全部记录显示出来，借此来进行分析性复核；再次，使用办公自动化软件来辅助审计工作。如可借助EXCEL表格对材料成本差异核算进行复核。

2.计算机辅助审计信息管理与传递。在进行审计时，审计人员需要掌握大量的有关信息，如法律法规、被审计单位的具体情况、上一年度的审计底稿以及审计报告等等。在以往应用手工方式时，这些信息都是由人工进行整理和提供，既费时又费力，致使审计效率偏低。而利用计算机辅助审计，则可将这些信息全部存储到计算机中，通过计算机的快速查找功能，便可以迅速、准确地找到所需的信息。因此，为方便审计人员开展工作，应建立审计法律法规库、被审单位信息集料库以及审计档案库等，同时还应提供相应的更新、维护以及查询功能。

3.计算机辅助审计统计抽样。在网络经济环境下，现代审计已经建立起了一套较为完善的抽样技术。而将抽样技术合理地应用于审计工作当中，是审计理论与实践的一大重要突破，特别是统计抽样比非统计抽样更具科学性，其能够准确地将抽样误差控制在指定的范围以内。正因如此，计算机辅助审计的作用也随之得以展现，具体体现在以下几个方面上：其一，审计抽样随机数的选取。利用计算机辅助审计，则可通过程序编码并借助计算机自身的功能来选取随机数，既方便又快捷；其二，样本选取。使用恰当合理的统计抽样方法可以有效地避免抽取无代表性样本的风险，从而达到迅速、公正、客观的目的；其三，简化计算。借助计算机辅助审计，能够利用计算机的语言编辑功能，建立一些应用程序，并以此来计算有关的统计指标，如样本量、总体估算值等等，只要运行这些程序便能够快速地获得结果。

（二）使用高效的医院审计软件

在信息化的前提条件下，审计人员需要大量的时间和精力去对医院信息系统的具体功能进行了解，只有这样才能够确保处理的完整性、正确性以及合法性。而当一个医院信息系统建设完成并投入使用以后，对其的改进要比设计研发更加困难，并且费用也会更好。为此，除应对已经投入使用的医院信息系统进行审计外，还应加强事前和事中审计。这就要求审计人员应参与到医院信息系统的设计研发过程当中，这样能够及时发现问题，并进行相应的改进。此外，专业的审计软件也能够帮助审计人员完成审计工作。但是由于各个医院的信息系统都存在一定差别，统一性和标准性较差。针对这一问题，当前急需制定一个统一的数据格式标准或转换标准。同时也应对审计软件进行模块化和程序化，从而方便审计人员在现场制定审计方案，这样有利于审计工作的顺利开展。

（三）建立医院内部审计信息系统

医院内部审计信息系统是以医院信息系统和内部控制系统为基础，结合内部审计理论、风险管理理论，通过对医院经济活动所产生的财务数据进行实时监控，从而完成对医院整体资源审计管理的综合信息系统。该系统由以下三个子系统构成：其一，审计专家信息系统。其主要技术功能包括审计抽样和分析、审计取证、审计数据采集和转换、审计工作底稿编制、审计信息交互共享、审计报告、审计规则库定义和修订等；其二，审计监控系统。该系统直接嵌入到医院管理信息系统中，对财务数据资源进行实时监控；其三，数据库系统。该系统利用数据库技术实现内部审计数据与医院管理信息系统的转换，并将医院内部审计数据与财务医务信息进行集中、整合，而后对整个医院数据实施共享。内部审计信息系统可以通过数据库系统获取所有财务数据信息，加强了对医院日常经济活动的审计，同时也可以利用审计专家系统对财务数据实施回归分析、线性分析和统计分析，尤其能够发现数据记录中存在的疑点事件和违规行为，从而加强医院管理风险的控制。

（四）做好审计风险防范工作

现阶段，在网络经济环境下，计算机网络技术的不断发展，推动了其在管理领域中的应用，这使得以往传统的管理、控制、检查以及审计等技术均面临着严峻挑战。与此同时，国际会计公司、专业服务机构以及咨询公司等都将风险防范，尤其是计算机网络及信息系统的运行风险防范作为日常管理的工作重点。目前，网络系统在医院的应用日益普及，各类重要信息的载体也由传统的纸张转变为磁性介质。虽然这种介质在使用上比较方便，但是对其的保存要求却相对较高，它很容易受到高温、震动以及磁性物质的影响，这在一定程度上增大了保存风险。并且这种存储媒体的可变性较强，极易被非法访问和滥用。为了确保重要信息的安全性，必须加强风险防范。一方面可以通过制定相关的风险防范规章制度，如网络管理规定、安全保密规定以及会计核算软件安全运行管理细则等等；另一方面，还应不断强化医院内部控制，借此来保护自身的安全，进而保障会计信息的真实性、准确性以及可维护性，以此来降低审计风险。

（五）提高审计人员计算机水平

目前，理论基础知识的缺乏以及计算机审计整体水平偏低等情况，已成为影响医院内部审计信息化建设的主要因素之一，也在一定程度上阻碍了医院的健康发展。针对这一问题，必须采取积极有效地措施予以解决。首先，应加大对审计人员的培训力度。作为一名医院内审人员不仅要熟练掌握先进的审计方法和审计工具，如审计软件等，并且还要能够将这些软件有效地应用到实际审计工作当中，以此来提高计算机审计方面的专业水平。同时还应了解医院财务、会计专业方面的相关知识，从而成为既懂医院业务又熟悉计算机审计技术的复合型人才；其次，医院应通过不断引进具有较高审计水平及丰富计算机知识的人才，来提高医院内部审计队伍的整体水平；再次，在条件允许的前提下，医院还可建立审计人员与计算机网络及电子商务等方面专家全面联合的机制，这种机制的建立也是当前解决医院审计人员计算机水平偏低的有效途径之一。

篇6

1.互联网经济的特点对医院审计的管理工作的现实意义

1.1有利于医院审计网络化信息技术体系

在互联网经济的作用下，医院审计的管理工作也做出了相对的改新。在医院内建构了网络化的审计信息技术体系。此体系可以促使院内管理的高效性，还可以使医院的经营方向及范围更加的宽广。使医院内的各种经济管理及经济活动达到电算化形式的管理。有效提升院内的审计管理工作效率及质量。在互联网经济的作用下，院内审计的管理工作能够把计算机这一科学技术与不同的审计软件用在平时的院内审计工作中，在医院中搭建起网络化的信息技术审计体系，从而进一步地推动医院运营管理，助力于社会经济更进一层地发展。与此同时通过互联网经济的特点，使医院审计管理所针对的对象、审计规模及其工作内容等一些层面都产生了相应的转变。

1.2有利于?@现出医院内审计工作的目的

在现今互联网经济的不断发展中，医院审计的管理工作是医院整体管理的一个环节。其在医院的持续进步中，有着非常主要的作用，医院审计的管理工作可快速促进医院的经济发展。所以，医院审计的管理工作一定参照医院内部的工作主旨实行管理与发展，还应同时注重医院内的财政工作管理，做好院内部的财务控制管理与财务的监督工作。使医院审计和管理工作水平与质量得到有效地提升。医院在审计工作的管理中，一定遵照相应的法律规定来实行相适应的管理，遵守国家规定的所有财务规定，达到医院审计和管理工作良性地运营，体现医院审计的管理工作目的，促进医院更进一层地进步发展。如果想达到医院审计管理工作的理想目的，就一定要把互联网技术与计算机等科学技术应用到医院审计的管理工作中，来取得相应的审计资格，整理相应的信息数据，在由信息系统进行相应地处理完善，给医院审计和管理工作供应具有参照性的数据，给医院的一些决策，提供信息数据的帮助，体现医院审计的管理工作目的。

1.3有利于提高医院审计工作的水准

在互联网经济的作用下，比较多的当代信息化技术己经普遍地在医院的现实管理中得到应用，并且在医院的管理过程中发挥了有效的作用，使医院更进一层地进步发展。在医院审计的管理中也使用了科学信息化的技术，通过计算机系统这一科技，在医院审计和管理中建立完整的一套信息化的审计系统，如此不但能够降低审计人员的工作量，还可以深一层的提升院内审计工作的管理质量及技能。可让所有审计管理工作更为正规化、信息化，还可以在不同程度范围内减少医院审计的管理成本，保证审计管理的数据完善性与系统性，从而使医院审计和管理工作水准得到有效地提高。

2.在互联网经济的基础上提升医院审计管理的有效措施

2.1通过计算机系统使医院审计方法完善

在医院的平时财务数据审计工作管理中的应用。在医院的审计管理过程中，经常可见的财务数据审计工作，着重指出审计的工作人员对财务数据的研究与把握。在财务数据的审计工作中，可以参照工作中的现实状况，利用计算机这一高科技来辅助平时审计管理工作。在现实平时财务数据审计的工作中，可以使用现代的一些审计相应的软件，对相应的财务数据实行检查、统筹、研究等相关的审计工作，能够有利于提升财务数据的审计时效性与质量的保证。在财务数据审计的工作中，也能够应用一些自动电算化的计算机这一高科技的系统，来对医院财务数据审计工作施行审计的管理，以便提升审计的时效性。

2.2重视开发审计软件，使医院审计提高效率

在互联网经济这一网络经济的作用下，医院审计的管理工作必须要利用信息、互联网网络等现代的科学技术，渐渐达成医院审计的管理工作信息化技术的有效发展。在医院内部组建起相应的对于审计管理的信息系统中，审计的工作人员一定要对有关的系统实行理解和学习，熟悉各种系统的准确功能，如此才可以在现实审计管理的工作中，娴熟的应用审计管理的信息系统，保证审计信息的正确性与完善性。医院在建设审计管理的信息化系统时，要重视审计管理信息系统的开发与更新。供给足够的资金基础，使之医院信息系统能够顺利的开发和管理。还需对医院审计管理工作做到较好地完善。所以在现实医院审计的管理工作中，审计的相关工作人员要参加到医院的审计信息系统的开发当中来，如此才可以及时地发觉其中存在的相关问题，并及时地实行对应地整合与更正。例如某一医院的管理信息系统建构，完成了初步的以工作人员、财务、物质管理为主要的医院管理信息系统的建设，其中对物质管理的系统环节包含固定资产的管理系统、物资的管理系统、设备器材的管理系统。组建医院内部的相关财产调度平台，活跃及提高了财产应用效果。每个科室能够把本科室不用的资产公布到平台上，这时有对此资产需求的科室就能够在平台上实行观看并且申请使用。多种方式的终端平台系统，全部参与、操作起来较为容易。所有关于设备的管理与使用人员都可以依照自己科室的需求，恰逢时宜地登录系统进行操作，并可以实行查收、拍照、图片上传，操作的使用简便、好学、容易理解、入手比较快。

2.3利用信息技术，搭建医院审计信息化的本系

在互联网经济这一网络化经济的作用下，医院也建构了相关的审计管理信息化系统，通过有关的审计概论、管理概论，使医院内组成一个完善的一整套审计管理工作体系，能够对医院的全部经济运行所带来的财务数据信息实行有效及时地跟随与及时监控，持续对医院己有的审计管理工作信息系统加以改进完善，以便提升医院审计的管理工作水准及质量。现当下医院所组建的审计管理信息化系统是三个主要的部分所组成，第一个部分是，审计信息系统的专家系统，其着重能够对审计的数据信息实行研究分析、汇报等相关工作；第二个部分是，审计的监控系统，其着重对医院的财务信息实行及时的监控；第三个部分是，数据库信息系统，其着重是把审计的数据信息实行汇总、调整。达到信息能够共同享用。例如在博科yigo平台的基础上，开发医院固定资产的管理信息系统。把博科yigo平台的固定资产信息管理系统应用在医院审计和管理工作中，可以较大的提升医院内部的工作时效性，使医院的经济效益大大地增加，有利于医院切实地达成严格实行节约的准则。其容易、简单、好学的客户操作界面和强有力的系统功效，在大多同种系统中突现而出。

2.4做好培训，提高医院审计工作人的计算机操作水准

篇7

全面预算管理主要是指全员参与、财务及经营收支全额纳入预算、预算全过程的管理。它最早产生于企业，先后在美国通用电器、通用汽车公司提出并应用，并随着企业的发展而日益完善。近几年在国内医院也得到了应用，全面预算管理的实施，促进了医院内部人与人、部门与部门间的了解与合作，使医院战略目标与预算得到落实。

一、国内外医院预算管理的对比

医院的预算管理，国内外差别较为明显。以澳大利亚为例，该国每年对公立医院实行全额预算补贴，支付形式是按病种结算。医院必须按照就诊人次和诊断的疾病种类来计算收费金额，而后同政府部门或保险公司结算，这一方式与医院为患者提供的实际服务项目及成本无关。因此，医院对医疗成本的控制十分重视，在保证医疗质量的前提下，想方设法减少药品、检查、检验及材料的成本，严格禁止患者进行重复检查。项目的预算要求非常具体，数据精确度也非常高。而国内，医院的收费是按服务项目收取，每项医疗服务由物价部门统一确定收费标准，这种收费模式，导致医院把主要精力集中在“创收”上。但随着我国医疗体制改革的推进，特别是目前已经试点的单病种、临床路径管理，很多项目也逐步向国外先进管理模式靠拢。从新《医院财务制度》中可以看出，医院独立性越来越强，对预算管理要求也会越来越高，医院内部预算管理将更加全面，这就需要医院预算管理要在精、细、准上下功夫。

二、对现有医院预算管理方法的分析

现行医院预算管理方法不够科学，很难达到精、准要求。为了求得预算值，实际工作中一般采用平均值法，表示公式为：项目预算=其中，i为拆分的某个子项目；x为上期预算；y为上期决算；n为项目拆分后的子项目总数；k为调整系数。该方法是以上期预决算作为基础参照，求得一个参考值。值得注意的是，上期预算和上期决算的合理性并不能得到保证，因此这个参考值是不准确量。为使参考值趋于合理，并符合一般项目预算变化率，通常需要经专家组综合评价后，进行部分校正，确定相对合理的调整系数，最终将预算参考值与调整系数的乘积作为本期预算。而确定的系数合理到什么程度，很难判断，只能靠经验，很容易出现预算偏差。传统预算编制方法主要有固定预算、增量预算、零基预算、确定性预算和概率预算。所有这些预算方法都是按照线性思维考虑，各有利弊，在医院部分预算项目管理中，也可能综合运用，但很难考虑到医院整体的综合性、复杂性，以及项目之间的相互影响力。因此，单靠人为估算不是科学的办法，在实际执行中存在许多不确定性，不能保证预算目标得以实现，无法满足医院精细化和全面管理的需要。而新型的神经网络预算方法基于非线性，有较高的复杂度，而且考虑了误差反馈校验。该方法应用到医院全面预算管理全过程，可以满足医院全面预算的精细化需求。

三、神经网络的特点

神经网络（NeuralNetworks）是20世纪80年代兴起的一种实用的多学科交叉处理技术，是模仿人脑行为特征、进行分布式并行信息处理的数学算法模型。它具有非线性和自适应的动态系统特征，这一处理方法依靠系统的复杂程度，通过调整内部大量节点之间相互连接的权重，从而达到处理信息的目的。神经网络有两大智能特性，即具有自学习和自适应调控的能力，可以通过预先提供的一组相互对应的输入——输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出目标结果，这种学习分析的过程通常被称为“训练”，就像人类一样，通过学习和训练，学习新技术、新方法，用于解决实际工作中的新问题。神经网络已经成为一种智能控制方法，广泛应用于生产、企业管理等多种社会实践中，进行预测、控制。

四、神经网络应用于医院预算管理的可行性

医院信息化建设的普及，给精细化管理提供了基础数据元，为全面预算的精准控制打下了基础。特别是部分医院建立了大数据中心、信息系统平台，可以直接通过接口采集各类原始数据。将相关数据进行模型化处理，采用神经网络算法，即可应用于预算管理的全过程。使用神经网络算法，仿人脑思考，使得预算计算方法更加科学，由过去的一般线性计算发展到非线性，增加了复杂度，与实际更趋一致。以人员工资支出为例，过去只作正常增资额，作线性处理，而现在可以把员工工资分成三部分，一是人员变动情况；二是基本工资正常增资，可使用人事信息，采用分段函数准确计算出下一预算周期的基础工资额；三是绩效工资，它处于比较复杂的非线性变化，因为要参考每月的实际工作量及医院收支变化，还要引入各种医疗因素的反馈信息，再加上医院上期数据对下期发展的影响因素等等。面对这种诸多因素的复杂影响时，一般算法很难进行合理处理，而采用神经网络算法，却可以解决。这只是列举了一个较为简单的例子，相对于人员工资支出，医院新建项目、新技术应用等的预算精确管理则更为复杂，需要考虑的因素也更多。针对医院全面预算中出现的一些不确定性和高度非线性因素的影响，神经网络的独特优点有了用武之地，它能够充分接近复杂的非线性映射关系，可以学习和适应不确定因素的动态特质，具有较强的容错性，此外，由于神经网络采用矩阵算法，可以进行快速的海量数据运算。

五、神经网络在医院全面预算管理中的应用

（一）神经网络的构成

神经网络一般包括三层：输入层、隐含层和输出层。针对医院全面预算，输入层可以是各种医院基本元数据以及医院综合运行指标，越细化越好。隐含层是神经网络的算法核心，是复杂的智能化处理的中间态，这对神经网络使用者来说是不可见的。输入层参数主要包括：科室基本情况，包括床位、科室人员、影响力等；患者基本情况，指本科室患者信息，如年龄、性别、职业等；疾病情况，包括ICD10疾病诊断、病程及入出院情况等；患者医保类型；检查、检验、治疗、手术等情况；科室请领的相关物耗等信息；科室设备使用情况；科室消耗的水、电、氧气等；门诊诊疗情况；输液用药情况；医院运行指标，如门诊人次、住院床日等；按账单类别分类的门诊、住院费用；人员工资成本；患者满意情况；其它各类指标（整个医院相关运行指标近百种）。输出层：包含单项目预算、患者医保预算、科室预算等各种收入预算、支出预算，涵盖医院全面预算涉及的各方面内容。

（二）神经网络的建设

决定神经网络拓扑结构的是隐含层（隐含层可能是多层）及其所含节点数，以及节点与节点之间的连接方式。要从零开始建设一个神经网络，首先要做的是确定隐含层和节点数，对应的活动函数的形式以及权重限制等。如果采用成熟的工具软件箱，将会大大节约调整时间，减少建设适应周期。数据从输入层到输出层的过程是一个从前向后的传播过程，后面节点的数值通过它前面相连的节点传递过来，然后把这个值按照各个连接权重的大小加权，输入活动函数再得到新的数值，继续传播到下面的节点。当节点的输出值与我们预期的值不同，也就是发生误差时，神经网络就要“学习”。学习过程如下：如果一个节点输出发生较大误差，那么就需要看这一误差是受哪些输入节点的影响而造成的，是不是受到了权重最高的节点的影响，如果是，则要降低这一节点的权重，同时升高其它节点的权重值。对那些降低权重的节点来说，也需要用同样的方法来进一步降低它前面的节点的权重。按照这样的做法把权重值进行调整，一步步向前传播，直到权重调整到输入节点为止。对训练的每一条记录都要重复这个步骤，用向前传播得到输出值，如果发生较大误差，则用此方法进行学习。当把训练的每一条记录都运行过一遍之后，便完成了一个训练周期。结合医院实际运作方式，一般一个训练周期定为一个月，要完成神经网络的训练可能需要很多个训练周期，至少要几十次，经常要经过上百次学习。神经网络学习次数越多，误差越小，未来的医院预算执行越准确。训练学习完成之后得到的神经网络就是相对完善的模型，描述了全面预算受医院基础变量影响的变化规律。

（三）误差校正

对于单输入、单输出神经网络模型，非线性系统可用如下差分方程表示：y(t+1)=f[y(t),y(t-1),…,y(t-k+1);x(t),x(t-1),…,x(t-k+1)]其中，y(t)、x(t)分别表示在t时刻的输出、输入变量，f()为未知的非线性映射，k为输入输出的系统阶次。针对医院预算实际情况，我们按上图中所示的神经网络模型，有n个医院基础信息和运行指标输入变量，m个预算种类输出变量，此非线性系统可用差分方程表示为：通常有两种方法，可以预测神经网络未来的输出，一是递推法，二是非递推法。由于神经网络结构相当复杂，建模难度极大，一般不采用非递推法。在此我们利用递推法，来预测神经网络未来d步的预算输出。

篇8

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 03. 034

[中图分类号] F272.92 [文献标识码] A [文章编号] 1673 - 0194（2014）03- 0074- 05

人力资源危机在旅行社行业吸引人才、培养人才、留住人才的各个环节都有体现，影响旅行社行业人力资源管理的效果，影响旅行社行业的稳定与发展。因此，如何对旅行社行业人力资源危机状况进行评判，进而采取应对措施，是当前旅行社行业人力资源管理的一个迫切任务。本文引入人工神经网络中的BP网络，构建河南省旅行社人力资源危机预警模型，以期提早应对危机。

1 BP网络简介

BP网络由一个输入层、若干隐含层和一个输出层构成，是一种具有3层或者3层以上结构的多层神经元网络，网络中的神经元分层排列，它的左、右各层之间各个神经元实现全连接，即左层的每一个神经元与右层的每个神经元都有连接，而上下层各神经元之间无连接。每一层内神经元的输出均传送到下一层，这种传送由连接权来达到增强、减弱或抑制的作用，除了输入层的神经元以外，隐含层和输出层神经元的净输入是前一层神经元输出的加权和。每个神经元均由它的输入、活化函数和阈值来决定它的活化程度。在人工神经网络的实际应用中，80%～90%的模型是采用BP网络或它的变化形式。BP网络可以有多层，但前向三层BP网络最具代表性，应用也最为广泛。

2 基于BP网络的河南省旅行社人力资源危机预警模型的构建

2.1 构建旅行社人力资源危机预警指标体系

人力资源危机预警指标体系由一系列能敏感反映人力资源管理活动状态和结果表现的指标构成。笔者通过分析河南省旅行社人力资源危机现状，遵循灵敏性、科学性、可测度性、相对独立性、预见性和可比性等原则，筛选出独立性较强、代表性较强和贡献性高的最小评价指标体系，本文借助了专家打分的方法，各指标的具体值域范围见表1。

2.2 建立基于BP网络的旅行社人力资源危机预警模型

2.2.1 用主成分分析法对模拟数据进行预处理

根据表1，本文共模拟了8组数据（见表2），以建立基于BP网络的河南省旅行社人力资源危机预警模型。

对表2中的极小值指标（如员工隐性流失率等）先取倒数，再利用SPSS统计分析软件进行主成分分析，所得结果见表3。

本文共提取出6个公共因子，其特征值的方差贡献率累积达到了96.044%（通常情况下，累积贡献率达到85%即可）。本文选择参数0.65作为划分主要、次要指标的载荷系数临界值，以满足下一步研究的要求。最后得到由10项指标构成的新的人力资源投资风险预警评价指标体系，如表4所示。

2.2.2 BP网络模型输入节点的选择

根据 Kolmogorov定理（即映射网络存在定理），一个三层BP网络即可在任意希望的精度上实现任意的连续函数 。因此，本研究中采用三层BP网络模型。影响旅行社人力资源危机度的评价因子主要有人才引进率、招聘引进员工胜任度等10个，因此，可确定BP网络的输入层节点数为10。

本文选择上述简化后的10项指标作为BP模型的输入节点。由于BP神经网络的隐层一般采用Sigmoid转换函数，为提高训练速度和灵敏性以及有效避开Sigmoid函数的饱和区，一般要求输入数据的值在0～1之间。因此，需要对输入数据进行预处理。

进行输入节点的输入时，需要先对原始的模拟数据进行归一化处理，将它们转化为闭区间[0，1]上的无量纲性指标值。本着尽可能体现被评价对象之间的差异化原则，即使其离差平方和最大的原则，本文采用了极值处理法进行归一运算：

若Mj = max{xij}，mj = min{xij} 则x′ij = ■

式中，xij为原始数据，x′ij∈[0，1]为归一化后的无量纲性指标，其归一化结果见表5。

2.2.3 BP网络模型隐层节点的选择

对于隐层节点的选择是一个非常复杂的问题，因为神经网络巨量并行分布的结构和非线性的动态特性决定了从理论上得到一个简单通用的简洁解析表达式或隐层单元确定公式是十分困难的，甚至是不可能的。隐层节点数的选择与问题的要求和输入输出单元的多少都有直接关系：如果隐节点数过少，网络不强壮，就不能识别以前没有看到的样本，容错性就差，或由于网络太小可能训练不出来；但隐节点太多又会使学习时间过长，误差也不一定最佳。因此，必定存在一个最佳的隐节点数，可用公式q = ■ + a作为参考。其中，q为隐含节点数，m为输入神经元数，n为输出神经元数，a为1 ～ 10之间的常数。

为使隐节点数更合适，本文将根据网络的实际输出与期望输出矢量的均方误差大小及训练步数的多少来综合确定，最终隐含节点选为9，其模型训练精度最佳，训练步数也最少。

2.2.4 BP网络模型输出节点的选择

从表5中选出对应于新预警评价指标体系的数据再次进行主成分分析，步骤同前，所得结果如表6所示。

本文共提取出4个公共因子，其特征值的方差贡献率累积达到92.232%。它们共同决定旅行社人力资源危机的状况。

公因子1上载荷值大于0.65的指标有：招聘引进员工胜任度、培训与员工需求吻合度、员工对评价制度和使用制度的满意度，涉及旅行社人力资源危机的多个部分，可称之为“综合因子”；公因子2上的载荷值大于0.65的指标有：人力资本投资收益率、病假发生率，可称之为“员工发展与保健因子”；公因子3上的载荷值大于0.65的指标有：员工对激励机制的满意度、缺勤率，可称之为员工“价值取向因子”；公因子4上的载荷值大于0.65的指标主要有：员工离职增长率，主要是对员工流失指标的反映，可称之为“员工流失因子”。

第一，计算各公因子的得分。由于在查找旅行社人力资源危机风险因素提出对策时，通常只研究各公共因子上的主要载荷指标，而不考虑其他冗余指标。因此，为使警情分析输出更精确，从而能更准确地分析旅行社人力资源危机风险的内容，更有针对性地提出人力资源危机预警对策，本文忽略各公因子内部的冗余指标（载荷系数小于0.65的指标），只根据主要指标（载荷系数大于等于0.65的指标）的载荷系数，通过下列算式来计算各公共因子得分：

FP1 = ■

FP2 = ■

FP3 = ■

FP4 = ■ = t34

式中，tij是表中指标Xij均值为0、标准差为1的标准化变量；p为数组序号，p = 1，2，…，8。？摇

第二，以各公共因子的方差贡献率占4个因子总方差贡献率的比重作为权重进行加权汇总，得出各数组的最终因子综合得分Fp：

Fp = ■

通过综合因子Fp（见表7）来反映旅行社人力资源危机程度，据此制定相应的防范策略。BP网络最后一层的传输函数Purelin使得网络输出可以是任意值，因此，本文将旅行社人力资源危机预警层次设置为4个级别，如表8所示，BP网络的输出层节点数为4，代表不同的旅行社人力资源危机等级，即安全、基本安全、风险和较大风险，4个等级对应的标准输出分别为[1000]、[0100]、[0010]、[0001]。

依前分析输出节点选择4个，10组输出的4个端子的数值就对应于10组人力资源危机预警指标数据所反映的旅行社人力资源危机状况。

结合旅行社人力资源危机的表现形式，本文提出了以下人力资源危机等级所对应的标准（见表8）。

Ⅰ级状态：旅行社人力资源各方面管理良好，没有明显危机迹象，处于安全状态，但仍需注意各方面的情况，防止突发性危机的出现。

Ⅱ级状态：旅行社人力资源各方面正常，基本看不出什么问题，不过需要提前采取相应措施以提防潜在危机和突发性危机的发生。

Ⅲ级状态：旅行社人力资源出现危机，会带来一定的损失，但不明显，会对旅行社人力资源各方面造成一定负面影响。

Ⅳ级状态：旅行社人力资源出现严重危机，对人力资源各方面造成非常明显和严重的影响，甚至导致旅行社倒闭。

综上所述，本文建立的BP网络人力资源危机预警模型的构造为：10 × 9 × 4（即10个输入神经元，9个隐层神经元，4个输出神经元）。

3 基于BP网络的旅行社人力资源危机预警模型的训练和检测

本文采用MATLAB工程计算软件的神经网络工具箱设计、训练并检测已建立的BP神经网络预警模型。

3.1 基于BP网络的旅行社人力资源危机预警模型的训练

本文将表6归一化后的前6组指标值作为BP网络的输入，由表7确定的风险程度矩阵作为与之相对应的期望输出，导入MATLAB的图形用户界面――GUI（Graphical User Interfaces），即可创建网络进行训练。主要训练参数设置如下（未提及的参数均采用默认值）。

（1） 训练函数：TRAINLM函数，它适用于中、小规模网络的函数拟合问题，收敛快，收敛误差小。

（2） 权值调节规则：LEARNGDM函数，采用动量梯度下降方法对权值和阈值进行调整。

（3） 网络层数：3层。

（4） 性能函数：MSE函数，表示输出矢量与目标矢量之间的均方误差。

（5） 期望误差：ε = 0.001。

由图1可知，当网络训练至第三步时，网络性能达标。BP网络模型的训练输出见表9，至此，BP网络模型训练完毕。

3.2 基于BP网络的旅行社人力资源危机预警模型的检测

同理，用第7、第8组归一化后的指标数据及对应的风险程度矩阵作为模型检测的输入和期望输出，检测结果见表10。检测结果表明，实际输出与期望输出十分接近，误差满足要求。

由此可以得出结论，基于BP网络建立的旅行社人力资源危机预警模型是有效的，可以用这个经过训练、检测完毕的BP网络危机预警模型对旅行社人力资源危机进行预警实证研究，以防范人力资源风险，保证旅行社企业良性运行，同时对整顿治理旅游市场秩序起到监督和促进作用。

主要参考文献

篇9

高等教育是我国教育体系的最高层次,它直接影响了我国培养高层次人才的水平。近几年随着我国各个行业改革步伐的加快,高等教育的改革也在逐年加快,招生规模日益扩大,学生人数也在稳步增加。高层次人才培养的水平不应该只表现在数量上面,更加重要的是质量上的高标准。这必然对管理上提出了更加高的要求。全国已经有许多高校研究开发了各自的学生信息管理系统,但是市场上面还没有一种非常灵活非常实用的学生信息管理系统软件。因此本文研究的基于网络环境的学生信息管理系统有一定的市场价值,下面主要就信息管理系统功能设计方面进行一定的探讨。

 

这里的功能设计是指详细的功能设计,在需求分析完成后,设计人员已经有了一个概要设计的功能描述,但是这个并不是软件开发过程中可以使用的功能设计文档,还需要对软件的功能进行更加详细的定义。本系统主要有下列功能模块,如图1。

 

1 用户信息管理模块

 

在用户信息和用户权限管理方面,学生信息管理系统设计采用了一套比较严格的用户信息管理办法。主要是采用三级权限分配机制,给不同级别用户分配不同的权限,这样可以防止非法用户对学生信息的修改、删除,保持学生信息的稳定和安全。

 

2 学生基本信息管理模块

 

学生基本信息管理是比较重要的信息管理模块,学生基本信息管理包括学生的基本信息(姓名、性别、出生日期等)和社会关系信息、学习简历信息的录入、修改和删除等,每届学生毕业以后,需要对毕业生进行基本信息的转换,将在校生信息转换成校友信息,在每年新生开学的时候,需要新生的信息导入,并录入学生的社会关系和学习简历信息,为学生在校信息的管理提供基本数据信息支持。

 

3 学生在校信息管理模块

 

学生在校信息管理是学生在校各项信息管理的集合。

 

(1)学生学籍异动。

 

学生学籍信息记录了每个在校学生的学籍情况,由于入学时学生的基础、爱好和特长不一样,基础知识掌握的水平不一样,那么领悟知识的能力和学生的基本素质也就不一样,这难免存在个别学生的升降级、转院系、专业等情况,以及学分制的建立和实施,学籍异动管理模块具有处理学生学籍异动记录的功能。

 

(2)学生奖励处分管理。

 

这个模块用于管理学生在校期间的奖励和处分的信息,通过学生管理部分的信息录入和撤销,对学生在校期间的行为表现可以有一个明了的轮廓。

 

(3)学生奖学金信息管理。

 

随着高等教育逐步实现收费上学,学校的奖学金的发放种类较多,奖学金管理模块用于管理学生获得奖学金的信息,对于学生操行评定的登记确定和学生就业的信息检索有重要的作用。

 

(4)学生综合测评信息管理。

 

在学生交费上学的同时,学校综合测评的范围占学生人数的60%,为了准确地将综合测评获得学生的登记、人数统计分析准确,并将现金通过银行支付到“一卡通”上,要做到准确无误的数据管理。

 

(5)学生上网登记信息管理。

 

为了让在校学生充分享受学校的丰富网络资源,学校在学生宿舍为学生安装了校园宽带网络,学生通过到网管中心申请开通网络以及交费的过程,实现了数据的共享和网络资源的充分利用。

 

(6)学生宿舍信息管理。

 

学生宿舍管理属于后勤管理的一部分,宿舍管理信息包括学生宿舍楼栋信息、宿舍信息,以及学生在宿舍的入住信息,宿舍信息的准确采集,为学校后勤人员对宿舍进行合理分配,新生入学宿舍的合理安排,以及学生所在宿舍信息的检索提供了有益的帮助。

 

4 学生信息检索与统计模块

 

学生信息检索是学生信息管理系统中开放的信息管理模块,学生管理人员通过对学生信息检索达到查询学生信息的目的。

 

用户检索学生信息的方法:可以通过院系、班级来检索,也可以通过学生生源地区、学生宿舍来检索,还可以通过输入学生学号检索,检索的方便性极大地提高了检索的效率。检索信息的完整,可以了解学生在校期间的学习、生活、奖惩等情况。

 

5 系统附件

 

系统附件是用户和用户之间以及用户本人进行信息传送和信息记录的模块,包括短信发送和阅读,记事本,通讯录,公众论坛和单独聊天室等。这些功能的开发大大方便了用户之间的信息传送,权限的分级管理,让信息的安全得到了充分的保障。

 

6 系统数据备份与事件记录模块

 

系统数据备份和事件记录包含以下二个方面的内容。

 

(1)数据备份和回复:数据备份和回复是网络数据库重要的环节,数据库在运行的过程中不可避免的收到黑客的骚扰和攻击,如何在受到攻击时能照常保持数据库的稳定以及在受到攻击以后如何快速的回复数据库,保持数据的完成和不遗失问题,我在这方面采用的是四个办法,一是在服务器上安装正版的操作系统,并保持服务器操作系统的及时更新;二是在服务器上安装防火墙和防病毒软件,拒绝和记录非法用户攻击的记录;三是利用软件ghost,将操作系统和数据库安装在不同的驱动器上,在操作系统受到攻击而瘫痪的时候,可以在20分钟以内将操作系统恢复成受到攻击以前的状态;四是采用双机备份的技术,在另外一个服务器上安装相同的数据库,这个数据库在设定的时间内对重要信息进行备份,在主数据库受到攻击后能在5分钟将数据恢复完成。

 

篇10

1.引言

许多金融学家和计量学家对发达国家成熟市场的波动性进行了广泛的研究，但是在对股市的预测上，由于人们在知识、能力、经验上存在着较大的差异，加之问题本身又具有很大的随机性和高度的非线性，即使是一些金融专家、炒股高手对出现的同一复杂行情进行分析，往往也会得出不同的结论。此外，传统方法还要事先知道各种参数，以及这些参数在什么情况下应作怎样的修正。这都给预测股市带来一定的困难。

基于以上股市预测的困难性，本文提出了人工神经网络的预测方法。随着计算机、人工智能尤其是专家系统的发展，人工神经网络技术逐渐成熟并开始应用于各个领域。人工神经网络（ANN，简称神经网络）作为一种由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统，恰好能有效解决股市预测处理中常见的困难，因此它很快在股市预测分析与处理领域得到了广泛的应用。

2.BP神经网络介绍

2.1 BP 网络算法的基本原理

2.1.1 标准的BP 网络算法的基本原理

BP(Back Propagation)网络是反向传播的多层前馈式网络，是目前使用最为广泛的一种人工神经网络。它的核心是BP算法，一种对于多基本子系统构成的大系统进行微商计算的严格而有效的方法，采用最小均方差学习方式。BP 神经网络的原理说到底就是给它一些输入变量，然后就有一个输出，输出值的情况与实际的情况进行比较，差多少，然后再进行网络的内部调整，属于有导师的学习规则，使得网络输出与实际逼近。

神经网络能学习和存贮大量的输入―输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。人工神经网络由非线性函数组成，而由一系列不同权重的线性过滤器组合而成：

2.1.2 BP网络算法的优化

由于常用的BP算法主要缺点为收敛速度慢，局部极值，难以确定隐含层和隐含层的个数，使得在实际应用中BP算法很难应用，因此，出现了许多改进算法。BP算法的改进主要有两种途径，一种是采用启发式学习方法；另一种则是采用更有效的优化算法，本文采用了动量法和学习率自适应调整的策略，从而提高了学习速度并增加了算法的可靠性。动量法降低了网络对于误差曲面局部极值的敏感性，有效地抑制了网络陷于局部极小。

2.2 BP神经网络的模型识别及步骤

模式通常指对事物的一种定量描述或结构描述，“识别”是指对客观事物按其物理特征进行分类。模式识别的基本原理就是从待识别对象和理想标本之间若干特征的相似性推断它们之间总体的相似性。BP神经网络模式识别过程分为训练阶段和模式分类阶段，分为初始化、数据与处理、网络训练以及模式分类四个步骤。以下利用实证分析来进行着四个步骤。

3.实例分析

下面以上证的某股600个交易日的股票价格收盘指数作为原始样本数据，对上述神经网络模型进行求解，预测20天的收盘价，与实际收盘价进行比较，并求出其误差：

式中，表示第日的实际收盘指数，表示第日的预测值，表示误差。主要按照如下几部分来处理：（1）准备600个数据的时间序列，进行归一化。BP神经网络中每个神经元的输出值由传递函数Sigmoid函数来计算，其输出值的范围是（0，1）；（2）留出最后20个数据，作为预测检验使用；（3）绘制图像，包括实际值和预测值，能量函数；（4）分析实际和预测两曲线的趋势。

采用I-J-K学习模型，该模型是输入层I个神经元，隐层J 个神经元，输出层K个神经元。利用BP神经网络模型训练500次、800次、1000次的输出值和期望值以及能量函数（或者叫误差函数）E，结果见图1到图3。

通过上面的图示，可以看到用BP神经网络预测的效果比较明显，这说明该模型适用于短期预测吗，股市的波动在很多地区都是非常剧烈的，各种因素的综合作用也使得长期股指的变动具有极大的不确定性，使得预测变得很困难。而BP网络的算法原理和自学习的特点使其能够充分挖掘出隐含在样本数据中的规律性，实现从输入空间到输出空间的非线性映射，对样本数据进行精确的拟合。从而BP神经网络的方法对于股市上的一些很难看出规律的数据列的预测而言，无疑是一个比较精确的预测方法。

4.结论

本文介绍了股市的特点以及股市预测的困难性，提出了利用BP神经网络的方法来解决股市预测问题。文章介绍了BP神经网络算法的基本原理，BP神经网络算法的优化，BP神经网络模型识别及步骤，最后后以上海证券交易所每日股票价格收盘指数为分析对象，把原理应用于实际，利用BP神经网络对股票价格收盘指数进行了短期预测，并计算出预测值和实际值的误差。通过实验发现该模型收敛速度快，预测精度非常高，对预测短周期内股指波动具有较强的适用性。

参考文献

[1]高琴.人工神经网络在股市预测模型中的应用[J].微电子学与计算机,2007年第24卷第11期.

[2]周翠红,路迈西.线性回归与人工神经网络预测煤炭发热量[J].煤炭科学技术,第37卷第12期.

[3]尹庆双,奉莹.人工神经网络在第三产业就业分析中的应用[J].人口与经济,2009年第6期.

[4]邹文安,刘宝,姜波,杨春生.基于Excel 技术平台人工神经网络BP模型及应用[J].水文,第30卷第1期.

[5]康进,刘敬伟.非参数回归估计与人工神经网络方法的预测效果比较[J].统计与决策,2009年第23 期.