神经网络基本原理
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篇神经网络基本原理范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
神经网络基本原理范文第1篇
（一）BrainCell
神经网络基本原理本文主要应用了BrainCell神经网络软件来实现B2B电子商务供应链协同绩效评价模型的计算与分析。BrainCell神经网络采用误差反向传播学习算法，算法从两个方面（信号的前向传播和误差的反向传播）反复进行迭代学习。其基本原理是输入层各神经元在接收外接的信息后，传递给隐含层的神经元，根据减少目标输出与实际输出误差的方向，从输入层经过隐含层逐层修正各连接的权值，直到将误差调整到能够接受的程度，这不仅是各层权值不断修正的过程，也是学习训练神经网络的过程，若学习样本的计算输出提前达到预期的结果，则训练过程结束，否则将学习到预先设定的学习次数为止，最后由输出层输出信息处理的结果，如上图所示。
（二）BrainCell神经网络实现步骤
1.网络层数的确定根据Kolmogrov理论可知，含有一个隐含层的三层神经网络可以以任意精度逼近一个从输入到输出的映射关系。因此，在BrainCell神经网络中采用含有单隐层的三层神经网络。2.网络节点的确定输入层节点的多少与评价指标个数是相对应的。因此，根据构建好的B2B电子商务供应链协同绩效评价指标体系，可以将一级指标与二级指标进行合并，作为输入层的节点数，其指标数如表1所示，因此输入层节点数为19个。输出层节点则为1个，在此以B2B电子商务供应链协同绩效等级结果作为输出值。3.网络训练本文采用的训练函数为trainscg，将网络训练的精度设置为10-4并初始化权值和阈值后，从15个样本中选取12个作为训练样本进行批处理训练，开启网络进行学习训练。其具体步骤如下。假设训练样例是形式（a，b），其中a为输入向量，b为输出值。N为输入节点数，M为输出层节点数。从单位i到单位j的输入表示aij，单位i到单位j的权值表示Wij。（1）创建具有N个输入单位，M个输出单位的BrainCell神经网络。（2）用随机数（0或1）初始化某些数字变量网络权值Wij。（3）对于第k个训练样例（a，b），把输入跟着网络前向传播，并计算网络中每个单元x的输出Qx，使误差沿着反向传播。（4）对于每个输出单元u，计算它的误差项。（5）对于每个隐含单元h，计算它的误差项。（6）利用误差项更新调整每个网络权值。（7）重复（3）到（6），直到完成指定的迭代次数或者是其误差值达到可接受的范围。4.网络检验将剩下的3个验证样本数据输入到训练好的网络中，将其训练结果与实际结果相比较，检验BrainCell神经网络得到的输入与输出间的关系是否正确，从而反映出该绩效评价体系的准确性和可靠性。
二、实证研究与分析
（一）确定绩效评价等级
由于各个企业供应链自身发展的情况不同，各具特点，其形式、结构各异，因此如何划分绩效评价等级，如何更好地反映绩效评价等级至关重要。本文以绩效考核成绩最好为1，最低为0为临界值，由高到低划分5个等级，并通过绩效等级系数来体现，见表2所示。
（二）指标数据获取和处理
本文以天猫商城中某珠宝饰品有限责任公司为例，该公司有比较稳定的供应商，且与多家企业都有长期合作关系。根据公司的实际管理情况，整理出该公司供应链协同管理的绩效指标评价体系研究的基础数据，应用BrainCell软件对这些基本数据进行计算。为使各指标在整个系统中具有可比性，本文利用效应系数将指标在闭区间[0，1]上进行同趋势化无量纲化和定性指标定量化处理。结果表明，该公司的供应链整体绩效基本良好，其绩效评价等级系数主要都集中在[0.5,0.8]这部分区间内，与该公司所处供应链实际情况相符。该公司运作情况基本令人满意。
三、结语及展望
神经网络基本原理范文第2篇
1.1概率性神经网络（PNN）
地震属性和测井数据的关系，并不一定是线性的，利用概率性神经网络的方法弥补井和地震间的非线性关系。概率性神经网络（PNN）类似于多维属性空间上的克里金，采用了局部化的作用函数，具有最佳逼近特性，且没有局部极小值。每个输出点把新点处的新属性组与已知的培训例子中的属性进行比较来确定的，得到的预测值是培训目标值的加权组合。概率神经网络方法具有高度的容错性，即使某个井旁道地震参数或某个网络连接有缺陷，也可以通过联想得到全部或大部分信息。因此，用概率神经网络建立地震属性和测井特征属性之间的映射关系可靠性高。概率神经网络方法还具有动态适应性，当地质岩性类别变化或地震参数修改时，网络可自动适应新的变量，调整权系数，直到收敛。对于受岩性控制的储层，概率神经网络是描述其地震属性参数与岩性参数关系的有效方法。概率神经网络是由多测井和多地震属性参数组成的网络。首先,将由测井曲线和井旁地震道提取的特征参数按照地质岩性参数分成若干类;然后,通过非线性数学模型的神经网络学习系统,由输入矢量产生输出矢量,并把这个输出矢量与目标矢量进行平方意义下的误差对比;再以共轭迭代梯度下降法作权的调整,以减少输出矢量与目标矢量的差异,直到两者没有差异训练才结束。对于给定的培训数据，PNN程序假设测井值和每一输出端的新测井值为线性组合，新数据样点值用属性值X表示可写。这里σ是PNN使用的高斯权重函数的关键参数，来控制高斯函数的宽度。式（2）和式（3）是概率神经网络预测的基本原理，训练神经网络的过程实际上就是求解最优平滑因子的过程。
1.2交互验证增加属性类似于多项式拟合增加高阶项，增加多项式高阶将会使预测误差总是变小，但属性的个数绝不是越多越好。随着属性个数的增多，对预测的结果的影响越来越小，会明显削弱未参与神经网络训练的那些点的预测能力，甚至造成预测误差反而增大,这种现象称为过度匹配。而且参与运算的属性过多，也会影响到运算速度，因此通过计算验证误差来确定最佳的属性个数，防止过度匹配，该过程就称为交叉验证。通过蕴藏井误差分析的方法，验证出现拟合过度的情况。求取递归系数时，选取一口井作为验证井，不参与运算。利用拟合出的关系，得到验证井的误差值。以此类推，得到每一口井的误差值，以参与运算井的平均误差作为参考标准，来检验属性组合个数是否出现拟合过度的情况。
2应用实例分析
研究区内油气富集区主要为岩性控制，目的层段厚度70m左右，地震剖面上大约50ms，含油砂体主要发育在wellA，wellC附近，向周围变化较快。针对目标层T41-T43之间进行井曲线交汇和岩性统计。wellA，wellC主要是含油砂岩，wellB、D、F主要是泥质砂岩、煤层，岩性差别很大。但从速度、密度曲线交汇图版（图1）来看，曲线交汇统计重叠较大，很难区分含油砂岩和泥质砂岩。wellA、wellB对应层位岩性明显不同，在地震剖面也体现同样的反射特征。因此基于测井和地震模型为基础的常规叠后波阻抗反演很难准确识别这套含油砂岩。而更能反映岩性特征的GR曲线，则对这套砂体较为敏感，明显地区分出了这套含油砂岩（如图3所示）。因此我们采用本文介绍的神经网络技术，在常规波阻抗反演的基础上，预测GR曲线特征体。经过分析，把GR值65~75区间岩性赋值为含油砂岩，从而把这套储层有效的区分出来，在此基础上进一步计算砂岩厚度（图4）。
3结论
神经网络基本原理范文第3篇
Abstract： Recently， flower market has a great development in China. Accurate irrigation is concerned. This paper mainly intruduces the principle of the automatic irrigation system， and makes a program to control the irrigation volume inautomatic irrigation system， using BP neural network model and matlab software.
关键词： 精准灌溉；神经网络算法；温室花卉
Key words： precise irrigation；nerual network algorithm；greenhouse flowers
中图分类号：S274 文献标识码：A 文章编号：1006-4311（2012）35-0069-02
0 引言
受地形条件和季风气候的影响，我国水资源分布十分不平衡，造成许多地区严重缺水，因此水资源短缺已成为困扰这些地区的首要问题。节水工程是缓解水资源短缺的一项系统性工程，其主要包括时空调节水资源、天然降水的利用以及增加植物自身对水分的利用率等手段。节水灌溉是实现可持续利用水资源的关键技术，如何精细的灌溉花卉也成为人们一直致力于研究的课题。农作物对养分和水分的利用率受施肥量和灌溉量是否合理的影响很大。基于花卉水胁迫声发射的机理可以实现对花卉的精准灌溉，但是如何使得灌溉量最优目前还没有办法解决。本文将通过将人工神经网络引入到花卉灌溉系统中，实现为花卉在生长过程中提供适当的水和肥料，从而可以大大提高花卉的质量、降低生产成本、节约水肥等等。
1 理论知识
1.1 花卉节水灌溉及水胁迫声发射 生命的活动离不开水，植物也不例外。植物产量的下降受水分亏缺的影响很大，据有关资料统计，水分亏缺对植物产量造成的影响比其他因素的总和还要多。植物对水分的吸收和散失一般是由其自身的器官和周围的环境的相互作用来完成的，例如SPAC（土壤-植物-大气连续体）中各个环节的共同作用[3]。土壤、植物、气候这三个方面可以对植物是否缺水进行判别，其主要评价校准一般分为三类：①以植物自身为评分对象；②以环境为对象，利用环境条件的改变对植物的需水量进行估计，例如通过水面的蒸发量来估算植物自身的耗水量，从而得出植物的需水量；③以土壤为对象对植物的水量进行判断。
近年来，随着人们对植物水分机理研究的不断深入，人们发现了植物会通过自己的“语言”来向我们发出缺水信号，也就是我们常说的“会说话的植物”。植物的语言被定义为植物的“声发射”现象，即植物缺水会造成水流在水流通路中出现断裂，从而发出爆裂声。声发射由于物体受外界作用发生形变时激发的能量被迅速释放而产生的一种瞬态应力波[2]。水分在植物体内传输需要依靠张力。干燥的土壤会使张力大大增加，当超过平衡极限时，会造成于水分子对导管壁的粘附力和各分子间的内聚力失效，从而导致连续的水柱遭到破坏，造成断裂，也就是常说的“空穴现象”。空穴一旦出现，张力会因突然被释放产生冲击波，同时产生声发射信号。以往的研究资料表明，声发射信号可以作为自动灌溉系统的信号发生源，以一个特殊的植物相应反馈实现精细灌溉。
1.2 BP神经网络及相关算法[4] BP神经网络算法是Rumelhart于1985年提出的，其基本思想是：通过输出误差来估计输出层得直接前导层的误差，然后利用前导层的误差估计其前导层的误差，随着一层层的传递计算，就能得到所有层的误差估计。BP神经网络模型在处理信息方面有着很好的应用价值，基本原理是：通过中间节点将输入信号Xi作用于输出节点，经过一系列的非线性变换得到输出信号Yk。BP算法的实现过程是在输入层的神经元上加载各项指标数据X，利用连接权向前一步步传递，最后到达隐含层神经元，然后经过转换函数的处理后输出信号被传递到网络输出层。BP神经网络模型一般包括自学习模型、误差计算模型、作用函数模型和输入输出模型。
1.2.1 自学习模型：？驻Wij（n+1）=h×？覫i×oj+a×？驻Wij（n）
式中：h-学习因子；？覫i-输出节点i的计算误差；oj-输出节点j的计算输出；a-动量因子。
1.2.2 误差计算模型 通过误差计算模型能够得到神经网络的计算输出值和期望输出值之间的误差，其函数表达式为：Ep=1/2×？撞（tpi-Opi）2
式中：tpi-i节点的希望输出值；Opi-i节点的计算输出值。
1.2.3 作用函数模型 作用函数又叫作刺激函数，其主要用来反映输入值对上一层的节点刺激脉冲的强度的大小，函数表达式为定义域为（0，1）的Sigmoid函数，即f（x）=1/（1+e-x）。
1.2.4 节点输出模型
a.输出节点输出模型：Yk=f（？撞Tik×Qj-qk）
b.隐节点输出模型：Oi=f（？撞Wij×Xi-qj）
2 温室花卉在水胁迫声发射下的灌溉测量
虽然，利用植物的声发射信号可以知道花卉何时缺水，何时需要开始灌溉，但灌溉量多少也就是何时停止灌溉却无法判别。长期以来，灌溉量一般由花农自己的经验进行判断，然而不同的环境条件下，灌溉量将发生变化，因此很难将经验值引入到自动灌溉系统中。BP神经网络模型具有很好的自学习能力，可以对这个经验值进行学习，从而实现灌溉量的自动控制。本文将利用遗传算法和人工神经网络算法，结合matlab软件和ARM单片机芯片实现对温室花卉在水胁迫发射下灌溉量的预测。
近年来，声发射技术被广泛的应用于水胁迫问题的研究中。植物在缺水情况受到水胁迫的程度可以利用声发射技术进行检测并通过传感器记录下来。当土壤的含水量低于植物生长所需的适宜指标以下时，则灌溉应开始进行，灌溉量得多少可以根据以下公式进行计算：
I=1/1.5（0.085h×d×c-W（T））
式中：I-灌溉量，m3/667m；h-计划层土壤深度，cm；d-土壤容重，g/cm3；c-田间持水量；W（T）-计划层土壤水分存储量预报值，mm。
花卉一般是在温室环境中生长，笔者通过建立土壤水分存储量最小值、蒸发量、空气湿度、光照、环境温度与花卉声发射相互作用的数学模型，利用水胁迫声发射自动检测系统得到相应的数据，从而对不同因素间的相互关系进行研究。自动灌溉系统的模型的基本原理是通过测试系统得到的花卉各参数被输入到ARM中，然后利用BP神经网络算法进行数据处理，从而求出温室花卉的土壤水分存储量的预报值。
2.1 BP神经网络实现多参数综合控制 根据BP神经网络处理信息的原理，将样本中实验所得的输出值作为期望的输出值T，而模型输出Y是通过将各指标值X输入到神经网络模型计算得到的，它们的误差计算函数表达式为：
E=1/2（T-Y）2
利用BP神经网络的自学习模型，经过反复迭代，逐渐降低误差，直到低于容许误差值。
2.2 模型各参数的关联性 在花卉水胁迫自动灌溉系统中，灌溉起始时间和灌溉量的多少是由周围土壤水分存储量的预报值进行控制的。声发射信号和土壤水分存储量的预报值有着紧密的关系，因为土壤中的水含量决定植物吸收水分的多少，当其含水量小于土壤水分存储量的预报值时，植物就会由于缺水导致声发射现象的产生。如果能找到声发射现象发生时的土壤的含水量，那么通过计算花卉正常生长所需的含水量与零界含水量之间的差值，那么灌溉量的多少便可以确定。
植物散失水分主要是因为表面蒸发，当水分的蒸发量大于水分的吸收量时，植物体内便会出现缺水。所以，蒸发量和声发射信号之间的关系也可以作为判别植物水胁迫的指标。植物在灌溉结束初期的蒸发量比较大，声发射频率较高，但随着水胁迫程度的不断增大，表面蒸发量便逐渐减小。温度和光照与声发射信号也具有一定的关系，例如上午的光照强度和温度一般情况下会逐渐增加，植物体内的声发射频率也就逐渐增大；中午之后，随着光照和温度的降低，声发射频率便会响应的减小[5]。
2.2.1 BP神经网络结构模型基本参数的确定 为保证BP神经网络的非线性特性，输入层的传递函数表达式为f（x）=1/（1-exp（-x）），而输出层采用函数体为y（x）=Ax的线性传递函数，这样可以保证神经网络输出值的任意性。本模型的输入节点为4个：光照、蒸发量、温度及声发射信号；输出节点1个：土壤水分存储量预报值。
2.2.2 输入数据归一化 数据归一化是为了把输入数据转变为BP神经网络模型合适的诊断、学习形式，其实质是将输入数据无量纲化。经归一化处理后，每个输入数据都在0-1之间，最后还需利用反归一函数（归一化函数的逆函数）将数据值进行还原。本文所采用的归一化函数和反归一化函数的表达式如下所示：
归一化函数：Xn=2×■-1；
反归一化函数：X1=0.5×（Xn+1）×（Ximax-Ximin）+Ximax
2.2.3 隐层节点数的优化 BP神经网络的学习时间、是否能收敛、容错能力等特性很大程度上是由网络中隐层节点数的多少决定的。逐步回归分析算法可以实现对参数的显著性检查并动态的出去部分线性相关的隐层节点，其基本原理是：当前节点想下一层节点所发出的所有阈值和权值如果都处于死区中时，这一节点便可以删除。最佳隐层节点数的计算公式为：L=（m+n）1/2+c
式中：m-输入节点数；n-输出节点数；c-（1，10）区间内的人艺实数，本模型c=6。
2.2.4 BP神经网络算法的实现过程 本程序所使用的神经网络算法的实现步骤如下：
①对连续权值和阀值的初始化。②将学习数据提供给网络。③计算各中间层各单元的输入与输出。④计算输出层各单元的输入与输出。⑤计算输出层各单元的一般化误差。⑥计算中间层各单元的一般化误差。⑦调整中间层到输出层之间的连接权值和输出层各单元的阀值。⑧调整输入层到中间层之间的连接权值和中间层各单元的阀值。⑨随机选取下一组学习数据对并提供给网络，返回到第③步，直到全部数据训练完成。⑩更新学习次数，返回到③，知道规定的学习次数N完成。
参考文献：
[1]孙景生，康绍忠.我国水资源利用现状与节水灌溉发展对策[J].农业工程学报，2000，16（2）：35-38.
[2]耿荣生.声发射技术发展现状[J].无损检测，1998，20（6）：151-154，158.
[3]杨世凤.作物水胁迫声发射测试系统的研究[J].振动、测试与诊断学报.2001，增刊：123-127.
神经网络基本原理范文第4篇
[关键词]有机碳含量评价 神经网络
中图分类号：TP183 文献标识码：A 文章编号：1009-914X（2015）45-0356-01
1 BP神经网络基本原理
BP神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
2 BP神经网络工作机理
2.1 正向传播
图中，表示神经元的输入，表示输入层与隐含层之间权值，为隐含层与输出层之间的权值，f（）为传递函数，为第k个神经元输出。假设BP神经网络输入层有n个节点，隐含层有q个节点，输出层m个节点。
隐含层第k个神经元的输入：
经过传递函数f（）后，则隐含层第k个神经元的输出：
其中f（）为单调递增且有界，所以一定有最大值。
输出层第j个神经元输出：
2.2 反向传播
输入P个学习样本，通过传入网络后，输出，第P个样本误差：
式中：期望
全局误差E：
输出层权值的变化，通过调整，使得全局误差E最小，得出输出层神经元权值调整公式：
隐含层神经元的调整公式：
3 应用实例
选择AC，DEN，CNL，GR，PE，RD作为输入曲线。XX井的53个点的岩心数据，从中选出30个点作为训练样本，23个点作为预测，构建网络，对全井段处理。结果对比（如图3-1），发现神经网络计算的TOC比传统的法计算的TOC效果好。其中TOC_NN为神经网络预测TOC，TOC_DaltalogR_AC为法计算的TOC。
4 结论
BP神经网络预测TOC克服了常规解释模型的缺陷，不用选择解释参数，计算结果与解释人员经验无关，预测结果精度有较大幅度的提高。利用多种测井解释数据及岩心分析资料作为网络训练样本，通过网络的训练、学习，建立了BP网络TOC模型，并利用该模型预测该地区新井的TOC值，实验证明用该模型进行TOC预测是可行的。
参考文献
[1]杨斌.神经网络及其在石油测井中的应用[M].北京：石油工业出版，2005：111-115.
[2]罗利，姚声贤.神经网络及模式识别技术在测井解释中的应用[J].测井技术，2002.
神经网络基本原理范文第5篇
关键词：预警 粗集 神经网络 战略风险
企业战略风险预警管理是战略风险管理理论的一种改进或延伸，通过提供可操作的预警分析方法与预控对策，在企业现有的职能的基础上，增设对未来的战略管理活动的监测、诊断、控制、矫正等预警职能，使企业的职能结构更完善、更合理。旨在战略风险发生以前，采取措施予以控制，尽可能地避免给企业带来更为严重的损失。
选择恰当的预警方法将对预警结果起到关键的作用。目前国内外已有大量的预测、预警方法和模型，如人工神经网络(ANN)预警方法、模糊(FUZZY)预警、自回归条件异方差(ARCH)预警等。但每种方法都有自己的适用范围，因此在使用这些预警方法时就要根据具体问题进行分析和选择。神经网络是一种大规模并行的非线性动力系统，尽管它具有自组织、并行处理及容错能力等优点，但由于其自身的缺点，比如随着维数的增加,学习时间激剧增长和易陷入局部最小点等导致预警结果存在很大的偏差。而粗集方法的引入可以克服神经网络的不足，粗集方法在不改变原有决策规则的前提下，对原始数据进行属性和对象的约简，求出简化的决策规则，并应用此规则对神经网络的结构和层次进行简化，从而提高了神经网络的工作效率和工作质量。
因此，对粗集与神经网络这两种方法进行优势互补，并将其用于企业战略风险预警的研究具有一定的可行性。本文提出基于粗集-神经网络的预警方法，为企业战略风险预警提供了一种新的研究思路和方法，同时也能更好地丰富和完善企业风险预警的理论与方法。
粗集-神经网络的基本原理
粗集理论和神经网络是智能信息处理的两种重要的方法,其任务是从大量观察和实验数据中获取知识、表达知识和推理决策规则。粗集理论是基于不可分辩性思想和知识简化方法,从数据中推理逻辑规则,适合于数据简化、数据相关性查找、发现数据模式、从数据中提取规则等。神经网络是利用非线性映射的思想和并行处理方法,用神经网络本身的结构表达输入与输出关联知识的隐函数编码,具有较强的并行处理、逼近和分类能力。在处理不准确、不完整的知识方面,粗集理论和神经网络都显示出较强的适应能力,然而两者处理信息的方法是不同的,粗集方法模拟人类的抽象逻辑思维,神经网络方法模拟形象直觉思维,具有很强的互补性。
首先,通过粗集理论方法减少信息表达的属性数量,去掉冗余信息,使训练集简化,减少神经网络系统的复杂性和训练时间;其次利用神经网络优良的并行处理、逼近和分类能力来处理风险预警这类非线性问题,具有较强的容错能力;再次,粗集理论在简化知识的同时,很容易推理出决策规则,因而可以作为后续使用中的信息识别规则,将粗集得到的结果与神经网络得到的结果相比较,以便相互验证;最后,粗集理论的方法和结果简单易懂,而且以规则的形式给出,通过与神经网络结合,使神经网络也具有一定的解释能力。因此,粗集理论与神经网络融合方法具有许多优点,非常适合处理诸如企业战略风险预警这类非结构化、非线性的复杂问题。
基于粗集－神经网络的战略风险预警方法的具体过程
首先对所研究的战略风险的指标样本特征数据，用粗集进行预处理,进行属性约简,提取出重要的特征属性,然后对这些属性离散归一化，并经阀值处理成粗集方法所要求的0-1表，再对0-1表用粗集理论的方法进行数据约简与规则提取，对已提取的规则计算其精确度和覆盖度，以此来配置粗集-神经BP网络的隐层节点与初始连接权值，最后根据训练好的神经网络系统将训练结果作为输入数据进行识别和分类,以判断企业是否会发生战略风险。（基于粗集-神经网络构造图见图1所示）
输入模块。这一阶段包括初始指标体系确定，根据所确定的指标体系而形成的数据采集系统及数据预处理。企业战略风险的初始评价指标如下：
企业外部因素：政治环境(法律法规及其稳定性)，经济环境（社会总体收入水平，物价水平，经济增长率），产业结构（进入产业障碍，竞争对手数量及集中程度），市场环境（市场大小）。
企业内部因素：企业盈利能力（销售利润率，企业利润增长率），产品竞争能力（产品销售率，市场占有率），技术开发能力（技术开发费比率，企业专业技术人才比重），资金筹措能力（融资率）,企业职工凝聚力（企业员工流动率），管理人才资源，信息资源；战略本身的风险因素（战略目标，战略重点，战略措施，战略方针）。
本文所建立的预警指标系统是针对普遍意义上的企业，当该指标系统运用于实际企业时，需要对具体指标进行适当的增加或减少。因为各个企业有其具体的战略目标、经营活动等特性。
计算处理模块。这一模块主要包括粗集处理部分和神经网络处理部分。
粗集处理阶段。根据粗集的简化规则及决策规则对数据进行约简，构造神经网络的初始结构，便于神经网络的训练。
企业战略风险分析需要解决的问题是在保证对战略风险状态评价一致的情况下,选择最少的特征集,以便减少属性维数、降低计算工作量和减少不确定因素的影响,粗集理论中的属性约简算法可以很好地解决这个问题。
粗集理论主要研究一个由对象集和属性集构成的数据结构,该数据结构通常称为决策表,其形式如表1所示。决策表中的对象集表示某些观察、个体或状态,属性集表示对象的描述,如特征、症状、症兆等。属性集分为条件属性和决策属性两大类。其中U={X1,X2,...,Xn}称为对象集,C={F1,F2,...,Fm}为条件属性集,D为决策属性;fij表示第i个对象的第j个状态属性值,di表示第i个对象的决策属性值。
通过观察发现，决策表是协调的，在去掉决策表中的冗余属性、冗余的对象的同时不会改变原有的决策规则。
当UIND（F-Si）≠UIND（F）说明Si是不可约简的，反之则可约简。
神经网络阶段。采用BP算法，对所输入数据进行训练，获取报警的知识。
采用最常用的三层BP前向神经网络,网络各层之间完全连接,包括权矩阵W(1)连接的输入层S1与隐含层S2,权矩阵W(2)连接的隐含层S2与输出层S3,如图2所示。神经网络算法包括网络结构确定、网络参数(权矩阵W(1)和W(2)的初始值、学习率η、动量因子β、非线性函数参数α及误差阈值ε)确定、训练样本数据处理、权值计算、误差计算等步骤。（见图2）
BP算法成功的关键在于权矩阵W(1)和W(2)的初始值、网络隐含层节点的个数以及学习因子等参数的选取,如果选择得不合适,可能会导致网络训练失败、陷入局部最优或得到比较差的分类结果,特别是权矩阵W(1)和W(2)的初始值的选取过程缺乏严格的理论依据,一般要根据经验及试验选取。权矩阵W(1)表示的是各项指标在整个指标体系的重要程度,其确定方法一般采用定性的方法,目前多采用层次分析法来确定权矩阵W(1),使指标权重的确定更具客观性。首先明确内部的层次结构关系及其各组成因素之间的相互关系,然后通过专家对两因素之间的相对重要程度的比较和判断,建立判断矩阵,运用相应的数学方法进行分析和处理,以得出不同指标间的相对重要性权重。
权矩阵W(2)表示的是各个隐含层节点对输出层的影响程度,在大多数的有关神经网络的文献中，其初始值取0～0.1之间的很小的随机数,通过多次迭代学习,反复修改权值,一直到神经网络收敛为止。在选取W(2)的初始值时,首先根据经验初步选取W(2)的初始值,如全部设定为0.05,然后用一组实际的数据进行试验,如果输出结果与实际结果相差很多,则按照某种规则修改W(2)的初始值,再用另一组数据进行试验,一直到输出值与实际值小于给定的数值为止,最后确定出W(2)的初始值。
输出模块。该模块是对将发生的战略风险问题发出警报。
警限是划分不同警度的临界值，表现为某一预警指标在一定的警度下变化的最大允许的振幅，常以数量形式表现出来。按照战略风险大小强弱程度的不同，可将其分为三个层次。第一层次是轻微战略风险，是损失较小、后果不甚明显，对企业的战略管理活动不构成重要影响的各类风险。这类风险一般情况下无碍大局，仅对企业形成局部和微小的伤害。第二层次是一般战略风险，是损失适中、后果明显但不构成致命性威胁的各类风险。这类风险的直接后果使企业遭受一定损失，并对其战略管理的某些方面带来较大的不利影响或留有一定后遗症。第三层次是致命性战略风险，指损失较大，后果严重的风险。这类风险的直接后果往往会威胁企业的生存，导致重大损失，使之一时不能恢复或遭受破产。在实际操作中，每个企业应根据具体的状况，将这三个层次以具体的数值表现出来。
为了简单明了的表述预警结果，可将企业的警度分为三级:无警、轻警、重警，并用绿、黄、红三种颜色灯号表示。其中绿灯区表示企业综合指标所反映的实际运行值与目标值基本一致，运行良好;黄灯区表示企业综合指标所反映的实际运行值与目标值偏离较大，要引起企业的警惕。若采取一定的措施可转为绿灯区，若不重视可在短期内转为红灯区;红灯区则表示这种偏离超过企业接受的可能，并给企业带来整体性的重大损失。例如:销售利润率极低、资产负债率过高，资源配置不合理、缺乏发展后劲等，必须找出原因，继而采取有效措施，使企业的战略管理活动始终处于“安全”的状态。
本文提出了粗集与神经网络融合进行企业战略风险的预警方法,通过粗集减少属性的数量,提取主要的特征属性,降低神经网络构成系统的复杂性及计算时间，结合神经网络系统的容错能力、并行处理能力、抗干扰能力及处理非线性问题能力,将粗集与神经网络进行串行结合,但这仅仅是在理论上的一种尝试，还需通过实证分析验证此方法的可行性和有效性。
参考文献：
1.曾黄麟,曾谦.基于粗集理论的神经网络[J].四川轻化工学院学报,2000
