BP人工神经网络在企业SWOT分析中的应用.pdf

《BP人工神经网络在企业SWOT分析中的应用.pdf》由会员分享，可在线阅读，更多相关《BP人工神经网络在企业SWOT分析中的应用.pdf（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、http:/ -1-BP 人工神经网络在企业人工神经网络在企业 SWOT 分析中的应用分析中的应用 孟玲清，王晓雨，宋学娜 辽宁工程技术大学理学院，辽宁阜新（123000）E-mail：menglingqing_ 摘摘 要：要：所谓的人工神经网络，是指基于模拟人脑智能特点和结构的一种信息处理系统，其具有并行分布处理与存储、自组织、自适应和自学习功能，能分析较为复杂的非线性系统，被广泛应用在各行各业。本文阐述了人工神经网络基本原理，研究了 BP 算法在企业 SWOT分析中的应用。评价实例证明此方法的可行性。关键词：关键词：人工神经网络，BP 算法，SWOT 分析 1.引言引言 在分析了企业的外部

2、环境与内部环境和能力之后，管理者需要评估组织面临的机会（opportunities）、威胁（threats）、优势(strengths)、劣势(weaknesses)，并根据评估结果选择合适的战略。这种通过分析企业外部环境识别机会与威胁，以及分析内部资源与能力识别企业优势与劣势的方式通称为 SWOT 分析1（SWOT analysis）。在分析过程中，利用被分析对象表现出来的各种有用信息，经过适当地处理，做出正确的结论。本文在基于人工神经网络的基本原理2，给出一定训练样本，并研究 BP 算法3在企业 SWOT 分析中的应用。2.人工神经网络应用于人工神经网络应用于 SWOT 分析的基本原理分析

3、的基本原理 2.1 人工神经网络基本原理人工神经网络基本原理 人工神经网络2(Artificial Neural Network简称 ANN),亦称为神经网络（Neutral Networks,NN）,正是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。按照网络的拓扑结构和运行方式，按照网络的拓扑结构和运行方式，神经网络模型分为前馈多层式网络模型、反馈递归式网络模

4、型、随机型网络模型等。目前在模式识别中应用成熟较多的模型是前馈多层式网络中的 BP 反向传播模型，其模型结构如图 1 所示:图 1 典型 BP 网络结构模型 http:/ -2-2.2 反向传播学习算法（反向传播学习算法（BP 算法）算法）2.2.1 BP 算法的原理算法的原理 BP 网络模型处理信息的基本原理是：输入信号 Xi通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号 Yk，网络训练的每个样本包括输入向量 X 和期望输出量 t，网络输出值 Y 与期望输出值 t 之间的偏差，通过调整输入节点与隐层节点的联接强度取值 Wij和隐层节点与输出节点之间的联接强度 Tjk以及阈

5、值，使误差沿梯度方向下降4，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。2.2.2 BP 算法的学步骤算法的学步骤 下面给出 BP 学习算法的步骤3：(1)初始化 依据输入变量和输出变量个数给出网络联接权，权值是随机的，任意小。(2)提供训练样本。如果输入变量为 n 个，输出变量为 m 个，则每个训练样本形式为()12n12x,x,.,x;,.,mt tt。这里12,.,mt tt是输入为12nx,x,.,x时的期望输出。(3)计算实际输出 利用非线性函数：1jijii

6、y1 expw x=+，逐级计算各层节点（不包括输入层）的输出值，令最后的输出为12o,o,.,om。其中ijw是上一层第 i 个节点与本层第 j 个节点的联接权值。（4）权值调整 用递归方法从输出节点开始返回隐层节点，按下式调整权值ijijijwNwNo（+1）=（）+。这里io是上层第 i 节点的输出，是一个正的增益函数，也称做步长。若 j 是输出层节点，则()()jjjjjooto=1-，若 j 是隐层节点，则()jjjkjkkoow=1-，其中 k 是节点 j 所在层次的下层次的所有节点。（5）返回（2）步，重复之，直到误差满意为止。3.BP 网络的应用网络的应用SWOT 分析实例分析

7、实例 3.1 BP网络的建立网络的建立 http:/ -3-企业 SWOT 战略类型及其条件分析1如表 1 所示：表 1 企业 SWOT 战略类型及其条件分析 3.2 BP网络的输入输出向量选定网络的输入输出向量选定 以战略类型()1234Xxxxx=，输入，确定战略的条件()128Yyyy=?，作为输出，以不同的战略条件所确定的战略类型为训练样本进行学习，从而建立战略类型与战略条件之间的映射关系。具体关系见上面表 1。3.3 BP网络结构及样本的选取网络结构及样本的选取 企业 SWOT 分析的 BP 网络结构模型分为输入层、隐层、输出层，输入节点为 4 个，输出节点为 8 个，而隐层节点的个

8、数通常用公式 4anmn+=0，其中m为输出神经元数，n为输入单元数，a取101，之间的常数，所以将隐层数取定为 5，由于每一个隐层节点对应一个输入节点，则隐层节点数为5 420=个，三层网络的节点总数为32个。各单元的输入与输出的特征函数采用Sigmoid函数2,即隐层第j个节点的输出是其总输入的一个变换，总输入ijiijwnet=（其中i是上一层第i个节点的输出，ijw是上一层第i个节点与本层第j个节点的连接权值），记输出为j，取()()011jjnetjsjenetf+=，其中j是阈值，0用来调节函数的图像形状，而一般都取j为零值，0取为1。以下假定各种战略类型都选取一个训练样本，即选取

9、4个样本进行学习，将类型和条件的向量取值定为二进制数0或1，如()()123410 0 0 xxxx=，表示选择战略“增长型”，()()1280 0011yyy=?，表示“多元战略”的确定条件，具体样本如表 2 所示：表示符号 战略类型 表示符号 战略条件 1y 外部机会众多 1X 增长型战略 2y 内部优势强大 3y 外部机会众多 2X 由稳定向增长型 4y 内部状况不佳 5y 外部有威胁 3X 紧缩型战略 6y 内部状况不佳 7y 外部有威胁 4X 多元型战略 8y 内部优势强大 http:/ -4-表 2 BP 网络训练样本表 战略类型 确定战略类型的条件 样本序号 1234x x x

10、x 12345678y y y y y y y y 1 1 0 0 0 1 1 0 0 0 0 0 0 2 0 1 0 0 0 0 1 1 0 0 0 0 3 0 0 1 0 0 0 0 0 1 1 0 0 4 0 0 0 1 0 0 0 0 0 0 1 1 3.4 BP网络训练与检验网络训练与检验（1）将训练样本按照上文所提及的 BP 算法的步骤，利用Matlab神经网络工具箱进行样本学习训练。Matlab程序如下：X=1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1;Y=1 0 0 0;1 0 0 0;0 1 0 0;0 1 0 0;0 0 1 0;0 0 1 0;0 0 0

11、 1;0 0 0 1;net=newff(minmax(X),20,8,tansig,purelin,traingda);net.trainParam.show=100;net.trainParam.lr=0.05;net.trainParam.epochs=1000;net.trainParam.goal=1e-4;net,tr=train(net,X,Y)Z=sim(net,X)（2）当训练结束后，网络达到收敛，即：TRAINGDA,Epoch 0/1000,MSE 6.71316/0.0001,Gradient 3.90757/1e-006 TRAINGDA,Epoch 50/1000,

12、MSE 6.71989e-005/0.0001,Gradient 0.00735989/1e-006 TRAINGDA,Performance goal met.网络收敛如图 2 所示:0510152025303540455010-410-310-210-110010150 EpochsTraining-Blue Goal-BlackPerformance is 6.71989e-005,Goal is 0.0001 图 2 BP 网络收敛图 http:/ -5-（3）用非训练样本进行测试，以检验网络的判断能力，测试的结果如表 3 所示：表 3 测试结果 样本符号 1 2 3 4 战略类型 x

13、1 x2 x3 x4 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 战略条件 y1 y2 y3 y4 y5 y6 y7 y8 1.0007 0.0136 -0.0021 -0.0149 0.9951 -0.0084 0.0092 0.0116-0.0088 0.9927 0.0092 0.0143 0.0037 0.9992 -0.0014 -0.0023-0.0065 0.0022 1.0015 0.0037 0.0119 0.0117 0.9871 -0.0205-0.0004 -0.0005 0.0018 1.0000-0.0001 0.0038 -0.0003 0.9

14、962 测试结果如图 3 所示：.05101520253035-0.200.20.40.60.811.2 图 3 测试结果图 由测试结果图可以看出，输出结果可以近似看成 0 或 1，与训练的结果一致，则说明BP 算法在 SWOT 分析方面的可行性。4.总结总结 本文给出了基于神经网络的 BP 算法在企业 SWOT 分析中的应用，可以看到人工神经网络比起传统的处理信息的方法，推理能力及原理都先进了许多。尽管如此，BP 网络也有着自身的不足，如：网络隐层节点个数的确定是在一个范围内试验得出的，尚无理论依据；网http:/ -6-络是局部收敛而不是全局收敛；收敛速度慢等等，因此还需要从不同的侧面对

15、BP 算法进行修正。参考文献参考文献 1 卢昌崇，李品媛等著.管理学（第二版）M.东北财经出版社，2006 2 陈明著神经网络模型M.大连：大连理工大学出版社，1995 3 郭嗣琮著.信息科学中的软计算方法M.沈阳：东北大学出版社,2001 4 飞思科技产品研发中心著.神经网络理论与 MATLAB 7 实现M.电子工业出版社，2005 The Application Of The BP Manpower Neural Network In The Enterprises SWOT Analysis Meng Lingqing，Wang Xiaoyu，Song Xuena College of

16、Science，Liaoning Engineering Technology University，Fuxin，Liaoning(123000)Abstract The so-called manpower neural networks,is to refer to characteristic and structure simulating human brain intelligence-based one kind of information processing system,the person has the parallel distribution treatment

17、and memory,self organization,self fit in with and self study a function,can analyse comparatively complicated nonlinearity system,by extensive use in all professions and trades.The main body of a book have set forth manpower neural networks basal principle,application in analysing in enterprise SWOT having studied the BP algorithm.Estimate that the example testifies this method feasibility.Keywords：The Manpower Neural Network；BP Algorithm；SWOT Analysis