神经网络

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络范文第1篇

关键词 人工；神经网络；机器学习方法

中图分类号Q1 文献标识码A 文章编号 1674-6708（2011）40-0111-02

0 引言

机器学习方法经常被应用到解决医学和生物信息学的问题。在这个报告中我列举了一些把机器学习方法应用到生物信息学领域的实例。比如：组建多重神经网络，运用该神经网络对4种不同形势的肿瘤患者进行分类。

1 介绍

人工神经网络属于机器学习领域。关于人工神经网络的概念最早提出于1940年代。后来在1980年代后被推广应用，尤其是在医学领域。

其中一个非常有用的用途是对疾病进行分类，达到诊断的目的，或者对基因表达进行分类。在这类神经网络里面，k点最近邻居算法是最常被采用的算法。

人工神经网络的优点是：不需要人们蛆关注神经网络里面的细节信息；人工神经网络可以很容易地被重新训练来应对不同地分类数据。人工神经网络可以用来解决有监督学习和无监督学习，比如：自组织特征映射（self-organized feature map）就可以用来解决无监督学习的问题。

它的不足之处在于：人工神经网络往往需要大量的训练数据，而这些训练数据往往不是很容易获得。人工神经网络可以被看作是一个黑盒，它的细节隐藏在点点之间的权值里面。这些权值的意义是人类无法理解的。同时，人工神经网络需要被仔细的训练以避免过拟合的情况出现。我们常常需也要降低高维数据的维度。下面，我将分析介绍人工神经网络的具体应用。

人工神经网络的结构如图1所示：

X1 ,X2 ,X3是该神经网络的输入值，w0 ,w1 ,w2 ,w3 是该神经网络的输入结点到内部节点的路径权值，每个神经元的激活函数是如上图右侧所示的函数图像。

这个函数被称作为sigmoid函数，表达式如下：

多重神经网络通常有3层，事实上，3层神经网络以能进行很好的分类效果。这三个层包括输入层，隐藏层，输出层。在每个神经元内部我们可以选择sigmoid激活函数或其他种类的激活函数。

如图2所示：

单个神经元仅能提供线性的分割面，所以多层神经网络可以提供非线性的分类函数（即：若干个线性分割面的复杂组合）。这并不意味着4层神经网络就一定比3层神经网络能一共更好的分类效果，因为层数越多，需要的训练集就越庞大，得到的效果也不会提高。

既然有训练问题，就会涉及到训练算法。较为早的和著名的训练算法是delta 规则。它于20世纪60年代被提出。它的原理是计算理论输出值和世纪输出值的均方差。tp 为理论输出值，yp为实际输出值，表示为：

训练的开始阶段，我们通常设定一个随机选取值，令该值等于：

该公式里，α是学习速率，学习速率越大，学习的过程就越快，完成学习的时间短。但如果学习的速率过大，可能导致网络的理想权值在合理结果的附近游摆而永远无法获得理想的权值。

神经网络被训练好了以后，它就被用到解决目标问题。原始的数据集可以被分为两部分：一部分用来训练，一部分用来测试。

有时候神经网络会把训练数据集里面的噪音点的特征纳入自己的权值表达里，从而该神经网络无法真正体现该点集的真实特征。我们把这种情况叫做过拟合。过拟合是由于网络比待估函数复杂造成的。比如一个可以同3层网络解决的问题，我们用4层网络或者由更多神经元的三层网络去解决该问题，就容易造成过拟合。为了更好的明确训练时所采用的神经网络的隐藏层的层数，Livingstone 和 Manalack 提出了如下计算公式：

D = m*o/w

该公式里m是训练样本的数目，o是该网络的输出值，w是网络权值的数目，D就是隐藏层的数目。

得到了隐藏层的数目之后，我们可以以这个数目创建神经网络，边训练边削减，直到我们获得一个一半化的网络。对于没有隐藏网络层或只有一个隐藏网络层的神经网络，我们需要先确定它要解决的问题是否是线性的。

适当的训练方案是能也可以使网络的复杂性和数据的复杂性得到合适的匹配。一个合适的训练方案应该是如下步骤：首先选择一个很大的网络并且把它的每个权值都设到一个很小的值上。通过训练，这些权值可以逐渐游摆到一个合理的值。

由于初始数据集通常要被分为训练集和测试集。在医学领域，我们能获得的数据集往往很小，比如某种病的病人数目不会很大。所以我门需要采用交叉验证的技巧来是较小的数据集在被分为训练集和测试集之后能较好的训练神经网络。

神经网络范文第2篇

关键词：神经网络；智能；计算；应用研究

中图分类号：TP393文献标识码：A文章编号：1009-3044(2008)20-30326-02

Application of Neural Network Forefront

LI Bing-fu1,2

(1.Zhanjiang Normal College, Zhanjiang 524048, China; 2.Chongqing University, Master of the Computer College, Chongqing 400030, China)

Abstract: The rise of neural networks, has been on the cognitive and intellectual nature of the computer industry and basic research has produced an unprecedented excitement and great role. Therefore, in all fields has greatly applied research.

Key words: Neural Networks; Intelligent; Computing; Applied Research

1 引言

神经网络是一门模仿人类神经中枢――大脑构造与功能的智能科学，利用物理器件来模拟生物神经网络的某些结构和功能，即由许多功能简单的神经元互联起来，形成一种能够模拟人的学习、决策和识别等功能的网络系统。他具有快速反映能力，便于对事物进行适时控制与处理；善于在复杂的环境下，充分逼近任意非线形系统，快速获得满足多种约束条件问题的最优化答案；具有高度的鲁棒性和容错能力等优越性能。

神经网络的崛起，已对认知和智力的本质的基础研究乃至计算机产业都产生了空前的刺激和极大的推动作用。因此在各个领域都有很大的应用研究。

2 神经网络（ANN）的研究内容

1) 理论研究：ANN模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的ANN模型，在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法；2) 实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径；3) 应用的研究：探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等。

3 神经网络在各领域的应用研究

3.1 智能机器领域的应用研究

智能机器领域的应用研究主要是进一步研究调节多层感知器的算法，使建立的模型和学习算法成为适应性神经网络的有力工具，构建多层感知器与自组织特征图级联想的复合网络，是增强网络解决实际问题能力的一个有效途径。重视联结的可编程性问题和通用性问题的研究，从而促进智能科学的发展。通过不断探索人类智能的本质以及联结机制，并用人工系统复现或部分复现，制造各种智能机器，可使人类有更多的时间和机会从事更为复杂、更富创造性的工作。

智能的产生和变化经过了漫长的进化过程，我们对智能处理的新方法的灵感主要来自神经科学，例如学习、记忆实质上是突触的功能，人类大脑的前额叶高度发育，它几乎占了30%大脑的表面积，在其附近形成了人类才出现的语言运动区，它与智能发育密切相关，使神经系统的发育同环境的关系更加密切，脑的可塑性很大，能主动适应环境还能主动改造环境，人类向制造智能工具方向迈进正是这种主动性的反映。脑的可塑期越长，经验对脑的影响就越大，而人类的认知过程很大程度上不仅受经验主义的影响，而且还接受理性主义的模型和解释。因此，对于智能和机器的关系，应该从进化的角度，把智能活动看成动态发展的过程，并合理的发挥经验的作用。同时还应该从环境与社会约束以及历史文化约束的角度加深对它的理解与分析。

神经网络是由大量处理单元组成的非线性、自适应、自组织系统，它是在现代神经科学研究成果的基础上提出的，试图模拟神经网络加工、记忆信息的方式，设计一种新的机器，使之具有人脑风格的信息处理能力。智能理论所面对的课题来自“环境－问题－目的”，有极大的诱惑力与压力，它的发展方向就将是，把基于联结主义的神经网络理论、基于符号主义的人工智能专家系统理论和基于进化论的人工生命这三大研究领域，在共同追求的总目标下，自发而有机的结合起来。在21世纪初，智能的机器实现问题的研究将有新的进展和突破。

3.2 神经计算和进化计算的应用研究

计算和算法是人类自古以来十分重视的研究领域，本世纪30年代，符号逻辑方面的研究非常活跃。例如Church、Kleene、Godel、Post、Turing等数学家都给出了可计算性算法的精确数学定义，对后来的计算和算法的发展影响很大。50年代数学家Markov发展了Post系统。80年代以后，神经网络理论在计算理论方面取得了引人注目的成果，形成了神经计算和进化计算新概念，激起了许多理论家的强烈兴趣，大规模平行计算是对基于Turing机的离散符号理论的根本性的冲击，但90年代人们更多的是批评的接受它，并将两者结合起来，近年来，神经计算和进化计算领域很活跃，有新的发展动向，在从系统层次向细胞层次转化里，正在建立数学理论基础。随着人们不断探索新的计算和算法，将推动计算理论向计算智能化方向发展，在21世纪人类将全面进入信息社会，对信息的获取、处理和传输问题；对网络路由优化问题；对数据安全和保密问题等等将有新的要求，这些将成为社会运行的首要任务，因此，神经计算和进化计算与高速信息网络理论联系将更加密切，并在计算机网络领域中发挥巨大的作用，建立具有计算复杂性、网络容错性和坚韧性的计算理论。

基于人类的思维方式的转变：线性思维转到非线性思维。神经元、神经网络都具有非线性、非局域性、非定常性、非凸性和混沌等特性，故此在计算智能的层次上进行非线性动力系统、 混沌神经网络以及对神经网络的数理研究。从而进一步研究自适应性子波、非线性神经场的兴奋模式、神经集团的宏观力学等。因为，非线性问题的研究是神经网络理论发展的一个最大动力，也是它面临的最大挑战。此外，神经网络与各种控制方法有机结合具有很大发展前景，建模算法和控制系统的稳定性等研究仍为热点问题，而容忍控制、可塑性研究可能成为新的热点问题。开展进化并行算法的稳定性分析及误差估计方面的研究将会促进进化计算的发展。把学习性并行算法与计算复杂性联系起来，分析这些网络模型的计算复杂性以及正确性，从而确定计算是否经济合理。因而关注神经信息处理和脑能量两个方面以及它们的综合分析研究的最新动态，吸收当代脑构象等各种新技术和新方法是十分重要的。

离散符号计算、神经计算和进化计算相互促进或者最终导致这3种计算统一起来，这算得上是我们回避不了的一个重大难题。预计在21世纪初，关于这个领域的研究会产生新的概念和方法。尤其是视觉计算方面会得到充分地发展。我们应当抓住这个机会，力求取得重大意义的理论和应用成果。

3.3 神经网络结构和神经元芯片的应用研究

神经网络结构的研究是神经网络的实现以及成功地实现应用的前提，又是优越的物理前提。它体现了算法和结构的统一，是硬件和软件的混合体，这种硬软混合结构模型可以为意识的作用和基本机制提供解释。未来的研究主要是针对信息处理功能体，将系统、结构、电路、 器件和材料等方面的知识有机结合起来，建构有关的新概念和新技术，如结晶功能体、最子效应功能体、高分子功能体等。在硬件实现上，研究材料的结构和组织，使它具有自然地进行信息处理的能力，如神经元系统、自组织系统等。神经计算机的主要特征是具有并行分布式处理、学习功能，这是一种提高计算性能的有效途径，使计算机的功能向智能化发展，与人的大脑的功能相似，并具有专家的特点，比普通人的反应更敏捷，思考更周密。光学神经计算机具有神经元之间的连接不仅数量巨大而且结合强度可以动态控制，因为光波的传播无交叉失真，传播容量大，并可能实现超高速运算，这是一个重要的发展领域，其基础科学涉及到激光物理学、非线性光学、光紊乱现象分析等，这些与神经网络之间在数学构造上存在着类似性。近年来，人们采用交叉光互连技术，保证了它们之间没有串扰，它有着广阔的发展前景。在技术上主要有超高速、大规模的光连接问题和学习的收敛以及稳定性问题，可望使之得到突破性进展；另一种是采用LSI技术制作硅神经芯片，以及二维VLSI技术用于处理具有局部和规则连接问题。在未来一、二十年里半导体神经网络 芯片仍将是智能计算机硬件的主要载体，而大量的神经元器件，如何实现互不干扰的高密度、高交叉互连，这个问题可望尽早得到解决。此外，生物器件的研究正处于探索之中，研究这种模型的理论根据是当硅集成块和元件间的距离如果接近0.01微米时，电子从邻近元件逸入的概率将很有限，便产生“隧道效应”的现象，它是高集成电路块工作不可靠的原因之一。而生物芯片由于元件是分子大小的，其包装密度可成数量级增加，它的信号传播方式是孤电子，将不会有损耗，并且几乎不产生热。因此，它有更诱人的前景。随着大量神经计算机和神经元芯片应用于高科技领域，给神经网络理论和方法赋予新的内容，同时也会提出一些新的理论课题，这是神经网络迅速发展的一个动力。

4 结束语

近年来，我国“863”计划、攻关计划、“攀登”计划和国家自然科学基金等，都对神经网络的研究给予了资助，吸引了大量的优秀青年人才从事神经网络领域的研究工作，并促进我国能在这个领域取得世界上的领先地位。在21世纪科学技术发展征程中，神经网络理论的发展将与日俱增。

参考文献：

[1] 阎平凡.人工神经网络的容量、学习与计算复杂性[J]. 电子学报,1995,23.

神经网络范文第3篇

关键词：期货；主成分分析；RBF神经网络；预测

1引言

在对实际问题进行描述和处理中，为了能够获得更加全面的信息，我们经常需要统计多个变量的数据。但是这些多个变量之间经常存在一定的相关性，并不是每个变量都是我们所需要的，或者说它们携带的信息可能是重复的。因此我们希望用少数几个变量来代替原有的多个变量。主成份分析法的基本思想就是通过对原始数据的降维，将多个相互关联的变量转化为少数几个互不相干的变量的统计方法。

由于期货价格的变化是一个非线性的时间序列，利用传统的统计方法对期货的价格直接进行预测，所得到的结果不是很理想。而神经网络在非线性模式中具有优势,因而它不需要建立复杂的数学模型就可以完成期货价格预测。基于BP网络和RBF网络的预测都有较好的结果,但是相对BP网络而言,利用RBF神经网络不仅解决了常用BP网络易陷入局部最小的问题,而且训练时间更短,预测的精度也比BP网络高得多。本文提出使用基于主成分分析法的RBF神经网络方法对期货价格进行预测。通过主成分分析法对原始数据降维，然后,再用这些个数较少的新输入变量作为RBF神经网络的输入进行模拟预测。由于主成分之间是相互独立的,所以由各主成分组成的输入空间不存在自相关性,从而有效地简化了RBF网络在高维时难以寻找网络中心的问题,提高了预测精度。

2主成分分析法简介及RBF神经网络算法概述

2.1主成分分析法

主成分分析法的步骤如下：

（1）原始数据的标准化处理。

主成分分析法的目的就是使用较少的变量代替并综合反映原来较多的信息，综合后的变量就是原来多变量的主要成分，利用这些综合后的主要成分去代替原来的变量去解决实际问题。这里首先利用以下公式对原始变量进行标准化处理。其中原变量为xij，其含义为第j个变量的第i个值，则处理后的变量值为yij，

（3）计算矩阵R的特征根和特征向量。

利用R的特征方程|R-λi|=0求出其特征根，其对应的特征向量利用|R-λi|A=0和AA''''=1求得。然后对所求得的特征根按照大小顺序进行排列。

（4）计算方差贡献率与累计方差贡献率。

利用公式Ki=λi/∑ni=1代入所求的特征根λi，求出各个主成分的贡献率Ki，其贡献率就代表了原数据信息量的百分比。

（5）确定主成分计算其得分值。

主成分的确定方法主要有两种：（1）当前K个主成分的累计贡献率达到某一特定值的时，则保留前K个主成分。一般采用超过85%以上。（2）选取特征值大于1的主成分。这两种可视情况进行选取，一般前者取得主成分要多，后者要少，通常情况下是将两者结合一起来进行使用。

2.2RBF神经网络算法概述

径向基（RBF）网络是以函数逼近理论为基础构造的一类向前网络。其网络结构为三层，隐含层采用高斯函数为激励函数，理论上,只要隐含层中有足够的径向基神经元,径向基函数网络就可以逼近任何非线性函数。输出层为简单的线性加权函数，其网络结构如图所示。

其中W1i为每个隐含层神经元与输入层相连的权值向量，Xq为输入矢量，b1i为阈值。则隐含层的第i个神经元的输入为：

kqi=j(w1ji-xqj)2×b1i

输出为：

rqi=exp((-kqi)2)=exp(-(||w1ji-Xq||×b1i)2)

输出层的输入则为各隐含层神经元的加权求和。由于激励函数为线性函数，因此输出为：

yq=∑ni=1ri×w22

RBF网络首先通过无教师学习确定训练输入层与隐含层间的权值w2。再通过有教师学习,确定训练隐含层与输出层间的权值w1i。在RBF网络训练中，隐含神经元的数量确定是一个关键的问题。其基本原理是从0个神经元开始训练，通过检查输出误差使网络自动增加神经元。每次循环使用，使网络产生的最大误差所对应的输入向量作为权值向量w1i，产生一个新的隐含层神经元，然后检查新网络的误差，重复此过程直到达到误差要求或最大隐含层神经元为止。由此可见，径向基函数网络具有结构自适应确定、输出与初始权值无关等特点。

3改进的RBF神经网络对期货价格的实例预测

3.1主成分分析

期货的价格是受很多因素影响,如国家政策、季节气候、供求关系、战争等,所以其价格会上下波动,呈现出一个非线性时间序列。其交易价格本文选取2007年6月7日至8月29日燃油0801每个交易日的开盘价、最高价、最低价、收盘价、交易量、持仓量、前5日均价、前10日均价为初始变量，每个变量60个数据，前59个为训练样本，最后一个为检测样本。考虑到期货交易与股票交易的不同，其交易方式是双向交易，从投资者获利的角度考虑，其并不像股票市场一样单纯的考虑股票价格增长，加上每个星期正常的期货交易日仅为5天，所以在这里我们考虑选取后5日均价作为预测目标，这样的选择更有实际意义。在这里本文直接利用SPSS软件包，选择数据降维，再选用主成分分析，可以直接得到各个主成分的方差累计贡献率，如表1所示：

从表中我们可以看出，第一个主成分主要包含了开盘价、最高价、最低价、收盘价、以及前5日均价共五个变量的信息，第二个主成分主要包含了成交量和持仓量两个变量的信息，而第三个主成分则主要包含了前十日均价一个变量的信息。由此可以看出，通过数据降维，将原来的8个变量，转化为现在的3个变量了。

3.2神经网络的设计及训练

现设计一个三层的神经网络，输入层有3个神经元，输出层神经元为1个。利用下式对输入、输出值进行标准化，可使得输入、输出值其均落在［－1，1］区间。

xn=2*(x-minx)/(maxx-minx)-1

在matlab的神经网络工具箱中用newrb函数设计这个径向基函数网络,用其作函数逼近时,可自动增加隐含层神经元,直到达到均方误差为止,利用语句:net=newrb(P,T,GOAL,SPREAD)进行网络设计，其中GOAL为均方误差，这里取值为0.0001,SPREAD为径向基函数的扩展速度,其值越大，函数的拟合就越平滑。经过试验,当其取0.058时，其预测效果最好。把2007年6月7日至8月28日的燃油0801选定的主成分作为输入的训练样本，标准化的后5日均价的值作为输出的训练样本，8月29日的数据作为测试样本，计算结果如下：

4结语



由此可看出基于主成分分析法的径向基神经网络较一般的径向基网络有更简洁的网络结构，对于相对比较复杂的期货价格预测，基于主成分分析法的径向基神经网络得到的结果也更加精确。不过径向基神经网络本身对扩展速度的选择没有一个固定的标准，不同的值得到的结果有较大的偏差，这是该网络的一个缺陷，也是今后研究的一个方向。

参考文献

［1］黄颖,白玫,李自珍.基于主成分-BP神经网络的期货市场预测［J］.数学的实践与认识.2007,(7)：23-26.

［2］刘兴彬，万发祥.RBF神经网络主成分分析法在交通量预测中的应用［J］.山西科技,2001,(1)：54-56.

神经网络范文第4篇

关键词：网络舆情；BP神经网络；预警

中图分类号：C915 文献标识码：A 文章编号：1009-3044（2014）22-5283-04

互联网这些年来在我国的快速的发展，我国网民人数较之前有了大幅的提升。网络的开放性和灵活性让其成为反映社会舆情的主要载体之一。而近两三年网络舆情引发的事件激增，引起了政府的高度重视，网络俨然已成为政府部门了解民意的又一理想窗口。显然，能够直观表达网络舆情的光定性的解读远远不够，对于决策者更希望得到一个舆论事件过程中所处的量化等级。由于舆情危机产生具有模糊性和随机性是非线性的，因此通过建立预警指标，再利用容错能力高，通过学习复杂数据发现规律进行识别的人工神经网络是不二选择。故本文的核心在于BP神经网络[1]。

1 网络舆情危机预警指标体系

网络舆情危机的发生，受到多种随机因素的影响，而且每个因素对结果所起的效果大小也是不一样的。因此网络舆情危机预警的关键是建立科学、系统的预警指标体系。依据近些年来网络舆情方面专家的调查汇总和政府机构对舆情监督部门的考察，并结合网络舆情与危机预警机制方面的资料，经过多次地调试整理汇总制定出，对网络舆情信息从五个具体的指标构建了网络舆情危机预警指标体系[2]。

1.1 舆情预警指标

1.1.1 舆情信息的敏感度

网络上有各式各样的信息，而这些各式各样的信息其敏感度也是不同的，对于可能造成社会动荡的网络信息则是政府最为关注的。显然各条信息所引起的社会敏感度是不同的，敏感度越高说明产生舆论危机的可能性就越高。这种指标的量化标准采用专家打分的方法得到。得分设定的范围为[0，1]，0、0.5、0.7、1表示的意义依次为“具有敏感性”、“敏感”、“很敏感”、“相当敏感”。

1.1.2 舆情信息的流通量

舆情信息的流通量反映出舆情信息在网络上传播情况和讨论热度。而这些网络上的流通信息会被搜索引擎例如Google、百度等抓取。因此通过限定时间段搜索引擎搜索关键词得到的搜索量可以作为流通量使用。

1.2.3 舆情观点倾向度

舆情观点倾向度主要量化网民对于某个舆论信息观点倾向度。分别由1，0，-1表示正面、中立、反面观点，用[f（x）][f（x）]表示各个观点面倾向度，n表示发表观点的总观点数，此指标用[μ]表示：

其实就是求各个观点总和的均值，其取值范围在（-1，1）。这部分则是通过统计事件讨论最热的贴吧的跟帖信息或者微博评论进行打分得到的。

1.2.4 舆情影响范围

舆情影响范围是指在某一时刻或时间段内，舆情信息所影响的区域性范围。对于这部分的评分依照我国的行政地域划分进行评分。即村＼社区、乡＼镇＼街道、县＼区、市、省、国家。其取值范围为[0，1]。这部分的取值则是通过新闻报道中时间的发展态势进行取值。地域对应的取值见下表：

1.2.5 网络舆情媒体曝光度

网络舆情信息被媒体曝光之后则将网络信息的讨论引到现实社会中，而现实中媒体的报道是有着比网络更为严格的审查制度。媒体的报道无疑对网络舆情有着更为影响力的宣传进而推动着舆论的发展。而这部分的数据则采用Google news中通过对时间段的设定搜索关键词得到相应的搜索到的新闻条数进行量化评价媒体的曝光度。

1.2.6 舆情指标

而结果评级依照《国家突发公共事件总体应急预案》将预警等级设为四个等级：特别严重、严重、较重和一般。而根据网络舆情危机的严重程度、经济程度、可控性等方面将预警设为5个等级：安全、轻警、中警、重警、急警[7]。

2 数据获取与处理

2.1 事件的选取和回顾

在实证分析中以“宁波PX事件”为预警模型的最终目标，而选择了“厦门PX事件”和“昆明PX事件”为学习样本进行学习。这一连串关于PX事件其危害的对象不仅仅是政府形象更是对整个社会和谐稳定造成了较大的影响。尤其是宁波PX事件中，甚至出现了不理智的因受谣言的蛊惑冲击政府机关掀翻执勤警车的情况。倘若能及时且准确地对此类事件进行预警并作出相应的预防措施就能对事件进行有效的控制。

2.2 指标数据的获取

对于所建立的模型而言其关键不仅仅在于预警模型的指标的建立和神经网络的识别。其数据的获取亦是十分关键的一步。根据各个数据的特点，整理各个指标数据获取方式如下。

将厦门PX事件和昆明PX事件作为一个学习样本，其数据清单如表3所示。

同样将模型的预警目标――“宁波PX事件”作为目标数据，其数据清单如表4所示。

2.3 输入数据的标准化处理

网络舆情危机预警指标体系中有5个预警指标，其中存在定性指标和定量指标两大类，并且对各个指标的数据进行了量化处理，然而各个指标的单位的量纲是不同的，为了能够对各个指标进行对比评分 ，需要将它们进行标准化得到[0，1]无量纲指标。

量化的指标均有正负方向均有正负方向之分，自然这些数据的标注化方法均有不同：

1）正向指标处理：正向指标表示值越大越安全，危机等级越小无量纲化以最小值为基准，正向无量纲化处理方程：

2） 负向指标处理：负向指标在文章中表示指标值越小越安全，危机等级越小。无量纲化以最大值为基准，负向的无量纲化处理方程：

其中，X 表示量化后的指标值， [xmin]表示指标的最小值， [xi] 表示指标的实际值， [xmax]表示指标的最大值。

3 舆情预警模型的建立及结果

3.1 模型的建立

神经网络模型是一个典型的“输入-处理-输出”的过程。输入是采集到的指标的实际值，输出是模型识别的结果，即预警的敏感度，而中间过称则采用BP神经网络模型进行学习计算，这部分相当于“黑匣子”。在处理的时候，该文采用三层BP网络（一个输入层、一个隐含层、一个输出层）的网络结构，那么输入、输出节点数分别是5和1[8]。

在设置完参数之后用第四章所讲述的利用Matlab软件完成模型的建立。

3.2 结果及检验

通过搜集得到的数据汇编成的学习样本，并将其中的70%作为样本，30%作为检验样本进行。

通过计算可以得到该表，从该表中容易得到，学习过程中准确率达到了91.76%。并在测过程中抽取了5项进行预测，得到的准确率为92.31%，其较高的准确率。因此有理由认为该模型在未来的预测过程中其准确率应该达到90%以上。

4 研究结论

本文的研究结果表明：基于舆情量化指标的BP神经网络能够对网络舆情信息进行较为准确的预警，无论是学习还是最后实践的识别准确率都达到了80%以上。这种预警方法通过舆情信息的预警指标利用量化评价方法可以降低人为的主管臆断，而实验结果也表明了其拥有较高的识别准确率。并且利用Matlab进行编程得到的预警模型具有广泛的应用前景和使用价值。模型可以为政府提供网络舆情的预警，也为企业的网络声誉进行预警为企业的公关提供预警参考。

参考文献：

[1] 薛圈圈.基于BP神经网络的网络舆情危机预警研究[D].江西：江西财经大学，2010：25-30.

[2] 戴媛.我国网络舆情安全评估指标体系研究[D].北京：北京化工大学，2008：13-22.

[3] 袁越.厦门PX时间[OL].http：//.cn/c/2007-09-27/165713986641.shtml.

[4] 王秀娟.昆明PX事件[N].中国石油石化，2013.

[5] 大公网.镇海PX项目引发[OL].http：///mainland/node_13226.htm.

[6] 周子健.基于网络搜索量的上海世博会国际影响力研究[J].艺海，2011（5）：80-82.

神经网络范文第5篇

美格是一家高端显示器品牌，自1996年进入国内市场以来，依靠索尼的显像管技术和华旗资讯等渠道的本土优势在国内市场节节胜利，但是2001年上半年美格跟索尼的合作关系却意外地破裂了，产品停顿，中国公司高层集体辞职，渠道陷于瘫痪，迫使美格不得不进行一系列大刀阔斧的改革。

2001年6月，美格现任执行副总裁俞翠薇走马上任，8月15日，俞翠薇完成了对美格方向的思考，宣布启动"美格启程光电时代"计划。目标有两个：稀释对上游技术提供商的过度依赖；重建渠道，增强对渠道的控制和把握能力。而渠道建设，是美格的重中之重，俞翠薇说："如果一家企业没有有效的神经网络，就如同一个植物人，即便有人割下他身上的肉，鲜血淋漓，他也感觉不到。这是很危险的！"

断线的风筝

日前，记者来到了美格北京事业平台，赫然在目的LOGO却是"北京广深美科技有限公司"。据进进出出忙碌不已的广深美员工介绍，作为厂商派驻的美格北京科技事业平台一直就跟他们一起办公，该派驻机构的总经理邓伟同时就是广深美的实际总经理。厂商派驻高管兼任渠道的总经理，渠道和企业派驻机构合一，倒是件新鲜事。

据美格北京事业平台有关人员介绍，过去美格显示器渠道推广全权由总负责，美格自己几乎不介入，结果带来了一些意想不到的问题。俞翠薇认为以往的渠道在信息传递上存在着两个致命的缺点：其一，信息传递过程中每多一个环节，畸变程度就会大幅度提高，结果厂商获得的消息往往难以准确地反映市场状况。同时，由于不同地区的总对美格的理解不同，他们在各自的区域市场上树立了不同的品牌形象，处于一种诸侯割据的分散状态，不利于建立统一的品牌形象。

其二，市场信息传递途径的不可控和环节过多导致信息反馈很慢。作为一个显示器厂商，之前美格并没有直接接触市场，除了通过媒体和其他一些渠道获得市场信息外，渠道并不能反馈实时有效的市场信息。结果整个渠道体系就像是一个断线的风筝，货到渠道里后到底市场反应如何，货物积压多少，美格难以及时清楚了解。

美格怎样才能最终做到跟商及用户三者的一体化？并形成快速的市场反应能力--就如同人体的任何一部分碰到火时，不用等大脑知道皮肤被烧痛，就已经形成反射弧，并采取相应的动作？

美格公司的高层意识到，要形成这种快速的反应能力，公司就需要做出前所未有的创新。经过酝酿，美格首先推出了事业平台的概念"事业平台不是一个企业法人，是由美格各地的区域总与美格派驻的人员共同构成的一个业务和市场推广平台。"通过美格的常驻人员，美格可以统一其品牌形象，总也将获得美格更大的支持。

事业平台概念首先于2001年8月开始在广东和华东地区试点。其由渠道方出资并担任董事长、美格方介入具体经营管理、在保证渠道商最低利润基础上风险共担的做法，赢得了有力的支持。现为北京事业平台负责人的邓伟，早在2002年1月被派往华东地区，开始做美格事业平台的试点工作，经过短短4个月时间，华东地区就做到了美格产品全国销量第一位。至今美格已经在全国拥有12个事业平台。在渠道竞争最为激烈的北京，广深美事业平台建设进展不慢。

渠道创新

在显示器行业，大多数企业直到今天仍沿袭着3层（甚至更多）的渠道体系（如图1所示）。渠道体系层次越多，产品的渠道成本就会越高。

美格渠道改造的第一步是砍掉作为中间商的分销商层次，要求各地区总直接面对装机商，开始尝试"连锁直营+区域"的模式（如图2所示）。

连锁直营主要是由全国的美格专卖店和遍布全国的加盟店组成的。美格现在全国一共有150多家专卖店，店面统一的风格、产品价格、服务标准，对用户产生了很强的视觉冲击力，同时也能够不折不扣地执行美格的活动计划和渠道政策，不会出现原有渠道体系中渠道商执行力度不一的弊病。专卖店以及1500家加盟店，直接展示产品给消费者，是美格面对用户的窗口，已经成为美格事业平台与用户之间的最佳通路。

专卖店之上的是称为"事业平台"的渠道管理机构。美格的事业平台兼顾分公司与区域总的双重色彩。在美格的事业平台中，业务实施、渠道管理、物流体系、包括人员等各方面都有美格的人员亲自参与。当地的合作伙伴在事业平台中更多的是扮演投资方和企业行政管理者的角色。美格承诺的长远利益和一定的投资回报率，获得了合作方的信任；而美格则获得了对渠道的绝对控制权，达到了厂商管理和渠道管理的统一。

跟传统的显示器渠道模式相比，美格的优点显而易见：1.厂商与用户之间的层次减少，大大加强了渠道反应能力和反馈速度。2.提高了商的利润率。3.专卖店统一的形象促进了产品的销售，加强了服务的力量。

在新的渠道体系中，美格派驻各地的人员被要求每天去各个卖场的专卖店和加盟店了解情况，并把数据发回给总部。通过他们，美格随时可以了解到最新的市场状况，包括实际销售量、库存、市场反应等。