神经网络含义

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篇神经网络含义范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络含义范文第1篇

[关键词]模糊系统 神经网络 模糊推理神经网络 威胁 评估

一、引言

威胁评估就是根据战场敌我双方的态势推断敌方对我方的威胁程度,是防空指挥自动化系统的一个重要组成部分,是火力分配和战术决策的前提,对指挥员准确地判断敌情、正确部署、调整和使用兵力有着举足轻重的作用。目前常用的威胁评估方法主要有:层次分析法、多属性决策法、专家系统方法、模糊理论、神经网络方法等。

本文将模糊理论和神经网络融合,取长补短,提出了基于模糊推理网络的目标威胁评估方法。该方法利用神经网络来实现模糊逻辑推理,使神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的含义,并且系统具有自学习能力。实验表明,新方法保留了模糊理论和神经网络各自的优势,较好地解决了各自存在的问题,能有效地评估目标的威胁程度。

二、影响目标威胁程度的因素

在防空作战中,往往需要用多个因素刻画空袭目标的本质与特征。对地空导弹武器系统而言,影响目标威胁程度的主要因素有:

(1)目标的航路捷径P。指对武器部署点或保卫要地的航路捷径。

(2)目标类型C。空袭兵器的类型不同,其飞行速度和攻击能力也不同,对要地或地域的威胁程度也不同。

(3)机动特性M。主要考虑高度上的机动。当发现目标机动,说明其攻击意图明确,威胁程度大。

(4)到达发射区近界的时间T。

(5)电子干扰E。

三、模糊推理神经网络

一个多输入多输出的模糊推理网络系统(FNNS),它由五层组成,可直接完成模糊化、模糊推理、模糊运算、去模糊化等操作。

1.网络结构

FNNS各层的内部结构如下:

2.学习算法

FNNS的自组织学习过程和监督学习过程如下:

四、实验与分析

在一次保卫要地的防空作战中,某地空导弹营的探测雷达发现空中有4批敌对目标对我保卫要地构成了威胁。已识别出4批目标的类型C分别为战术弹道导弹、巡航导弹、歼击轰炸机、武装直升机,且已测得各批目标当前时刻的航路捷径P、到达发射区近界的时间T、电子干扰能力E(已归一化)。各个目标的数据如表1所示。

表1 4批目标的数据

根据上述数据,分别构建一个含4个输入节点、1个输出节点的神经网络(3层BP网)和模糊推理网络(5层),并进行训练。将得到目标威胁程度W的评估结果如下:

(1)模糊推理网络:W3=0.92 > W1=0.63 > W2=0.59 > W4=0.57。即,目标3的威胁程度是最大的,目标4的威胁程度是最小的。

(2)神经网络:W3=0.89 > W1=0.64 > W2=0.59 > W4=0.58。

可见,评估结果与模糊推理网络的相同,只是具体数据有所差异。

五、结论

本文将模糊理论与神经网络相结合,使用模糊推理神经网络评估目标的威胁程度。该方法利用神经网络来实现模糊逻辑推理,使神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的含义,使得规则容易抽取出来,并且系统具有自学习能力。仿真结果表明新方法能有效地评估目标的威胁程度。

参考文献:

[1]王卫平,田志学,陈选社.威胁判断的层次――效用模型在防空雷达中的运用[J].现代雷达, 2005, 27(2): 8-14.

[2]曲长文,何友,马强.应用多属性决策的威胁评估方法[J].系统工程与电子技术, 2000, 22(5): 26-29.

[3]刘玉全,李为民,王君.基于排列法的目标威胁评估模型[J].现代防御技术, 2004, 32(1): 20-23.

[4]余舟毅,陈宗基,周锐.基于贝叶斯网络的威胁等级评估算法研究[J].系统仿真学报, 2005, 17(3): 555-558.

[5]邓文运,尼喜.地面防空威胁估计模糊优化计算方法及使用[J].现代防御技术, 2001, 29(4): 9-11.

[6]潘红华,王建明,朱森等.目标威胁判断的模糊模式识别模型[J].兵工学报, 2004, 25(5): 576-580.

[7]王向华,覃征,刘宇等.径向基神经网络解决威胁排序问题[J].系统仿真学报, 2004, 16(7): 1576-1579.

[8]黎洪生,卓祯雨. ANFIS模糊神经推理机在故障诊断中的应用[J].控制工程, 2003, 10(2): 153-155.

神经网络含义范文第2篇

关键词：神经网络 入侵检测；自动变速率；随机优化算子

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）03-0614-03

随着互联网应用的发展，更现显了网络安全的重要性。入侵检测技术在安全防护中是一种主动防护技术，能及时地检测各种恶意入侵，并在网络系统受到危害时进行响应，因此在为安全防御体系中入侵检测系统占有重要的地位。但是在现实的应用中，入侵检测系统没有充分发挥其作用。这是因为，不断变化的入侵方式要求入侵检测模型必须具有分析大量数据的能力。无论这些数据是不完全的，是非结构化的，或者是含有噪音的。而且，有些攻击是由处于不同网络位置上的多个攻击者协作进行的，这就要求入侵检测模型又必须具备处理来自非线性数据源的大量数据的能力。神经网络具有联想记忆能力、自学习能力和模糊运算的能力。因此将神经网络应用入侵检测中，它不仅可以识别出曾见过的入侵，还可以识别出未曾见过的入侵。该文首先介绍了一种改进的神经网络算法，然后分析了该算法在入侵检测中的应用，并给出试验仿真结果。

1 BP神经网络与入侵检测

1.1 BP神经网络的特点与不足

BP神经网络是神经网络模型中应用最广泛一种。它基于成熟的BP算法，主要有以下几个特点：1）它能够实现自组织、自学习，根据给定的输入输出样本自动调整它的网络参数来模拟输入输出之间的非线性关系。2）在存储上采用分布式存储，所有的信息分布存储在每一个神经元中。3）它还可以实现并行处理，下一层的每个神经元可以根据接收到的上一层信息同时独立地计算。这些特点使其很适合应用于入侵检测技术，满足入侵检测的适应性、可靠性、安全性和高效性的要求。

但是传统的BP算法也存在着以下几个方面的不足：1）局部极小；2）学习算法收敛速度慢；3）隐含层节点选取缺乏理论；4）加入新的样本会影响已经学完的样本；5）每次输入样本特征的数目必须确定且相同。

1.2 入侵检测技术

通过对系统数据的分析，当发现有非授权的网络访问和攻击行为时，采取报警、切断入侵线路等措施来维护网络安全，这被就是入侵检测技术。采用此技术设计的系统称为入侵检测系统。根据采用的技术来说入侵检测系统应具有以下几个特性：1）监视用户及系统活动；2） 分析用户及系统活动；3） 异常行为模式分析；4） 识别已知的进攻活动模式并反映报警；5） 系统构造和弱点的审计，操作系统的审计跟踪管理；6） 评估重要的系统和数据文件的完整性，并识别用户违反安全策略的行为。

目前最常用的攻击手段有：拒绝服务、探测、非授权访问和非授权获得超级用户权限攻击。而且这些攻击手段在实际中还有很大的变异，因此给入侵检测带来了一定的难度。BP神经网络的自组织自学习能力，使得经过训练后的BP神经网络对以前观察到的入侵检测行为模式进行归纳总结，除了可以识别出已经观察到的攻击，还可以识别出由已知攻击变异出的新的攻击，甚至是全新的攻击。

2.3 改进的神经网络算法

人工神经网络在模式识别、非线性处理、信号检测等领域应用非常多，这是由于人工神经网络具有的良好的自适应和自组织性，高度的非线性特性以及大规模并行处理和分布式信息存储能力的特性。BP神经网络算法实质上是非线性优化问题的梯度算法，该算法在收敛性问题上存在限制与不足。即该算法学习的结果不能保证一定收敛到均方误差的全局最小点，也有可能落入局部极小点，使算法不收敛，导致陷入错误的工作模式。因此本文选择了改进的神经网络，改进主要有以下几点：

2）自动变速率学习法

传统的BP算法是以梯度为基础，采用LMS学习问题的最陡下降法，学习步长是一个固定不变的较小值，不利于网络的收敛。因此，选择了基于梯度方向来自动调节学习速率的方法。利用梯度确定学习的方向，由速率决定在梯度方向上学习的步长。因此，如果相邻两次的梯度方向相同则说明在该方向是有利收敛的方向，如果相邻两次的梯度方向相反则说明此处存在不稳定。因此，可以利用两次相对梯度变化来确定学习步长，当两次梯度方向相同时则增大学习步长，加快在该方向上的学习速度；而如果两次梯度方向相反那么减小学习步长，加快整个网络的收敛速度。这种方法的自适应速率调节公式如下：

2）引入遗忘因子

本文所采用的自适应变速率学习法是依据相邻两次梯度变化来确定学习步长的算法，但单纯的学习速率的变化还不能即完全地既保证收敛速度，又不至于引起振荡。因此考虑变相的学习速率的学习。即在权值的调节量上再加一项正比于前几次加权的量。权值调节量为：

我们将[τ]称为遗忘因子。遗忘因子项的引入就是对学习过程中等效的对学习速率进行微调的效果。遗忘因子起到了缓冲平滑的作用，使得调节向着底部的平均方向变化。

3）随机优化算子

虽然采用自动变速率学习法，并引入遗忘因子的神经网络算法可以对学习速率进行微调，但是仍存在着BP神经网络的限制与不足因此引入随机优化算子。也就是当网络的权值误差迭代一定的次数后，仍没有明显的收敛，或者系统误差函数的梯度连续几次发生改变，这说明网络进入了一个比较疲乏的状态，需要借助外界的推动力来激活网络。当发现上述的两种情况时，就产生与权值维数相同的随机数，并将随机数与权值直接相加，然后判断系统误差的变化。如果误差没有降低，那么就再继续产生随机数来修改权值，直到误差减少，再从新的权值开始继续BP算法。随机优化算子可以令搜索方向随机变化，从而摆脱局部极小点。

4）改进算法与传统算法比较

以200个训练样本为例，分别采用改进的BP神经网络和经典BP神经网络的方法进行学习、训练。两种算法的误差收敛对比曲线如图1所示。

3 采用改进算法的入侵检测仿真实验

入侵检测系统进行测试和评估需要标准的、可重现的并包含入侵的大量数据。本仿真实验选取DARPA数据集网络连接数据集作为实验数据。然后，对这些数据选三组特征值进行实验，并给出实验结果。

3.1 数据源的选取

该实验的数据采用DARPA 1988入侵检测评估数据库的数据。该数据有大量的连接数据记录。每个一记录代表一次网络连接，且每个记录均有41个特征值，其中各个特征的含义不同，大致可分为三类：1）表示网络连接内容特征；2）表示网络连接基本特征；3）表示网络连接流量特征。

模拟的入侵主要有以下四种类型：DOS 、 R2L、U2R、Probing，考虑到设计的实用性分别对三类特征值用神经网络分别进行训练和识别。实验选取了13000组数据进行仿真实验，其中3000组用于训练神经网络，10000组用于系统测试。

3.2 仿真实验结果

对三类特征组的训练集数据应用改进神经网络分别训练出三个神经网络，表示网络连接内容特征的神经网络，表示网络连接基本特征的神经网络以及表示网络连接流量的特征的神经网络在训练成功时的迭代步数分别为7056，386，3030。然后再对测试集数据进行测试，结果如下：

1）表示网络连接内容特征组，利用改进神经网络进行检测识别，结果如表1所示。

2）表示网络连接基本特征组，利用改进神经网络进行检测识别，结果如表2所示。

3）网络连接流量特征组，利用改进神经网络进行检测识别，结果如表3所示：

从表中数据可以看出对常见的四种攻击，不同的特征分组在改进神经网络的作用下检测各有优势。

4 结论

论文采用自动变速率学习法，利用遗忘因子进行微调，同时引入随机优化算子对BP神经网络进行了改进。改进神经网络的收敛速度比经典BP神经网络更快，同时稳定性也较好。并将该算法应用于入侵检测实验，实验结果显示改进后的算法具有较好的识别攻击的能力。

参考文献：

[1] 肖道举，毛辉.BP神经网络在入侵检测中的应用[J].华中科技大学学报，2003（5）.

[2] 汪洁.基于神经网路的入侵检测系统的设计与实现[J].计算机应用与软件，2013（5）.

神经网络含义范文第3篇

关键词：电力系统自动化；智能技术；分析

中图分类号： F406 文献标识码： A

1 电力系统自动化与智能技术的含义

电力系统自动化，从含义上是对电能生产、传输和管理实现自动化、自动调度和自动化管理；从种类上，它的分类较多，例如：电网调度自动化等。智能技术是智能计算机技术的简称，从含义上它包含体系结构和人机接口；从种类上，它的种类也较多，例如：模糊控制等。

智能技术是具备学习、适应及组织功能的行为，能够对产品问题进行合适求解，解决传统鲁棒性控制和自适应控制无法解决出令人满意结果的，非线性、时变性和不确定性的控制问题。目前，智能技术尚处于发展阶段，但它已受到人们的普遍重视，广泛应用于电力系统各个领域中，并取得了一定的实效。

专家系统在电力系统中的应用范围很广，它是一种基于知识的系统，用于智能协调、组织和决策，激励相应的基本级控制器完成控制规律的实现。主要针对各种非结构化问题，处理定性的、启发式或不确定的知识信息。如：电力系统恢复控制、故障点的隔离、调度员培训、处于警告或紧急状态的辨识、配电系统自动化等。以智能的方式求得受控系统尽可能地优化和实用化，并经过各种推理过程达到系统的任务目标。虽然取得广泛应用，但存在如难以模仿电力专家的创造等局限性。一般而言，专家控制系统应用较大的原因是由于该方法可适用范围广，且能为电力系统处于各种状态提出辨识，根据这种具体情况给出警告或提示，同时还能进行控制和恢复。虽然专家系统得到一定的应用，但是仍存在一定的局限性，这种局限包括对创造性的难以模仿，而只限于浅层知识的应用，缺乏极有效的深层模仿和设计，难以适应复杂状态。因此，在开发专家系统方面应注意专家系统的代价/ 效益分析方法、专家系统软件的有效性和试验、知识获取、专家系统与其他常规计算工具相结合等问题。

模糊方法是一种对系统宏观的控制，十分简单而易于掌握，为随机、非线性和不确定性系统的控制，提供了良好的途径。将人的操作经验用模糊关系来表示，通过模糊推理和决策方法，对复杂过程对象进行有效控制。通常用“如果……，则……”的方式来表达，在实际控制中的专家知识和经验不依赖被控对象模型，鲁棒性较强。模糊控制技术的应用非常广泛，与常规控制相比，其在提高模糊控制的控制品质，如：稳态误差、超调等问题，自身的学习能力还不完善，因此要求系统具有完备的知识，对工业智能系统的设计而言是困难的，如模糊变结构控制、自适应或自组织模糊控制、自适应神经网络控制、神经网络变结构控制等。另一方面包含了各种智能控制方法之间的交叉结合，对电力系统这样一个复杂的大系统来讲，综合智能控制更具备巨大的应用潜力。现在，在电力系统中研究较多的有神经网络与专家系统的结合，专家系统与模糊控制的结合，神经网络与模糊控制的结合，神经网络、模糊控制与自适应控制的结合等方面。这些模糊方法的运用因其可使用范围广，目前已在自动化控制中被广泛应用。智能集成化是综合智能控制重要的技术发展方向，其可将多项智能技术相互结合于一体，不再单独运用，各取优势。如模糊技术和神经网络的结合、神经网络与模糊控制的结合、神经网络与专家系统的结合等，这些都在电力系统自动化控制中有较多研究。

2 智能技术与电力系统自动化的结合

智能技术被应用在电力系统自动化中，进一步完善和发展了电力系统自动化。智能系统在电力系统中的有效应用，不仅协调了电力系统发展的不成熟性和该系统本身的不稳定性，还满足了公众对于相对廉价、便利的电力网络的需求。所以，智能技术作为一种技术被应用于电力系统自动化中。

众所周知，智能技术从分类上可分为以下几个部分：模糊控制和神经网络控制、专家系统控制、线性最优控制和综合智能控制。如今，电力系统自动化还未发展成熟，还存在一些缺点以待改进，如：强非线性，时变性且参数不确切可知，含有大量未建模动态部分和电力覆盖范围大但却具有网络阻滞、延迟等。下面，我们将具体分析如何通过应用智能系统改变电子系统智能化的缺点。

3 将智能技术应用到电力系统自动化中的具体做法

3.1 模糊控制在电力系统自动化中的应用

模糊控制使得建立模型来进行控制变得十分简单和易于掌握。通过建立模型进行控制是一种比较现代的方法，与建立常规的模式相比，更具优越性、相对简单。例如，交通信号灯的转换是由前面的主列队与后面的主列队决定，并使用一定的工具实现二维模糊控制器。洗衣机可根据清洗过程中水质的变化对衣物进行不同程度的清洗，以保证衣物的干净。模糊控制主要是在汽车的自动变速器上起作用，是通过自动变速器检测驾驶员的速度得出驾驶员的驾驶意图，判断路况和汽车受到的阻力、监测发动机的情况。通过以上举例，我们可以得出模糊控制适用于电力系统自动化，并且具有广泛性和通用性，能够适用于其他不同的领域。

3.2 神经网络系统在电力系统自动化中的应用

神经网络控制技术具有与电力系统自动化相适应的性质“非线性特性”，同时，其还具有自我学习与自我组织的能力，以及具有强壮的网络系统和处理的能力。因此，大量的、简单的神经元构成了神经网络控制技术，有了神经网络控制方式。神经网络利用一定的学习算法，将隐藏在其连接权值上的大量信息进行了调节权值，从而实现了非线性的复杂映射，从m 维空间到 n 维空间。这个概念被应用于许多领域，如：自动控制领域；处理组合优化问题；模式识别；图像处理；传感信号处理和医学领域等。因为人体与疾病之间的关链非常复杂，因此神经网络控制技术也被广泛应用到医学上的多个领域，例如：医学专家系统中的麻醉和危重医学相关领域的研究等。由上述举例，我们可以知道神经网络控制技术适用于电力系统自动化，具有广泛性和通用性，能够适应于其他不同的领域。

3.3 专家系统控制在电力系统自动化中的应用

专家系统控制能及时处理和辨识发生故障的电力系统，最大限度地降低网络阻滞或延迟给人们带来的危险和不便。专家系统在电力系统中有较为广泛的应用范围，例如能够辨识电力系统所处的状态：警告状态或紧急状态、紧急的处理、系统恢复控制、系统规划、切负荷和电压无功控制、故障点距离的测量、做出短期负荷预报、所处状态的安全分析以及先进的人机接口等方面。在电梯控制中的应用，随着科技的日新月异，电梯的制作技术也在不断地发展与更新，由简单逐渐趋向于复杂化，现在，在电梯即将出厂时，会有专门的工作人员进行调试，但当安装好后，电梯一旦出现故障时，为本单位所配备的维修人员，却不能快速找到问题，解除故障，这是由于电梯构造复杂化了，因此我们需要在安装电梯之前，安装专家控制器以确保电梯的可用性和保障性。由此可见，专家系统控制适用于电力系统自动化。

3.4 综合智能系统在电力系统自动化中的应用

综合智能系统根据模糊控制结构有效、合理地将这些控制方法结合起来，以完善电力系统自动化，使其能够具备稳定性、协调性和简易性。由于智能控制方法之间的交叉结合，一般人们会将其进行如下组合进行分析，例如：神经系统与专家系统的结合；专家系统和模糊控制的结合；神经网络与模糊控制的结合；神经网络、模糊控制与自适应控制的结合等方面。

4 结语

综上所述，我们了解到智能化在电力系统自动化中所占据的重要地位及其产生的不可忽视的重要影响，目前虽然我国的电力系统自动化还不够完善，但是我们坚信，只要在我们的共同努力下，随着人们对智能技术研究的愈加深入化，我国的智能化技术一定会有更好的明天。

［参考文献］

神经网络含义范文第4篇

【关键词】 城市绿色建筑 信息融合技术 神经网络技术

一、 引言

我国的建筑行业逐渐将可持续发展作为未来中国建筑产品发展的主要方向。但真正的“绿色”建筑不更重要的是要考虑建筑物理环境中综合因素的影响，如能利用信息技术，以计算机模拟为主要手段，从多角度对建筑环境进行准确评价，有助于实现建筑物的智能控制水平，降低能源消耗。

二、 绿色建筑和信息融合的含义

绿色建筑是指为人类提供健康的空间，同时实现最高效率地利用能源、最低限度地影响环境的建筑物，是当前全球化的可持续发展战略在建筑领域的具体体现。它是以生态系统的良性循环为基本原则，应用系统工程方法和多学科的现代绿色科技成就，实现经济、生态和社会效益三结合的新型人类聚居环境和建筑体系。

信息融合技术是协同利用多源信息，以获得对同一事物或目标更客观、更本质认识的信息综合处理技术。融合是指采集并集成各种信息源、多媒体和多格式信息，从而生成完整、准确、及时和有效的综合信息。

三、 神经网络技术在城市绿色建筑评价体系中的具体应用

由于建筑环境中的信息来源复杂，信息格式并不一致，牵涉到的关键技术较多，如建筑热环境模拟、计算流体力学，建筑日照分析与采光技术，噪声控制以及建筑材料技术等等，影响了对建筑环境信息进行分析、评价、控制。而神经网络方法具有良好的容错性、层次性、可塑性、自适应性、联想记忆和并行处理能力，能够处理连续的模拟信号。在对建筑环境的信息处理中，以神经网络作为信息处理元件便于对多个不同信息源的信息进行复合、集成、融合、联想等处理，从而降低信息冗余度，可以准确对建筑物进行评价，提高对建筑物的智能控制水平。

3.1 RBF网络模型及特点

径向基网络是一种局部逼近网络。对于每个训练样本，它只要对少数的权值和阈值进行修正，训练速度很快，适合在一些实时性较强的场合（如实时控制）中应用。它有两个网络层：隐层为径向基层，输出为一线性层，网络的输出为： a2=purelin（LW2a1+b2） a1=radbas（n1）

n1=||IW-P||？*b1

= （ d i a g （ （ I W-o n e s （ S1， 1 ） * P’） （ I W-ones（S1，1）*P’）’））^0.5.*b1 （1）

式中：radbas为径向基函数，一般为高斯函数；diag（x）表示取矩阵向量主对角线上的元素组成的列向量；“.^”和“.*”分别表示数量乘方和数量乘积（即矩阵中各对应元素的乘方和乘积）

径向基网络只对那些靠近输入权值向量的输入产生相应，即隐层对输入信号的相应，只在函数的中央位置产生较大的输出，所以该网络有很好的局部逼近能力。从函数逼近的观点看：若把网络看成是对未知函数的逼近，则任何函数都可以表示成一组基函数的加权和。在径向基网络中，相当于选择各隐层神经元的传输函数，使之构成一组基函数逼近未知函数。

3.2 RBF网络在绿色建筑评价体系中的应用

在绿色建筑评价体系中，由于涉及的技术领域众多，需要采集的数据量也很大。如果可以使用径向基网络对采集的数据进行非线性函数的曲线拟合，将不同建筑物采集到的数据经过整理后输入训练好的网络，产生非线性函数曲线，可以大大提高对建筑物的评价以及智能控制。

运行中发现，利用RBF网络从定义到训练结束花费的时间短，适用于实时性高的控制场合。仅以空调通风系统为例，可对房间温度、房间湿度、送风温度、冷冻水温度四个数据量进行采集，得到部分对应关系，对其进行曲线拟合，可以得到房间内的温湿度情况，为进一步提高对房间空调系统的智能控制打下基础，也可应用到绿色建筑控制体系的其他方面。

四、 结束语

我国城市绿色建筑的发展前景十分广阔，加快完善城市绿色建筑评价体系成为目前急需解决的问题之一。本文通过对城市绿色建筑环境的综合分析与评价方法的研究，得到利用信息融合技术可以实现对多源信息更好的处理分析。

参考文献

[1] 周开利，康耀红编著，神经网络模型及其MATLAB仿真程序设计[M]，北京：清华大学出版社 2005

[2] 熊和金 陈德军编著.智能信息处理[M]，北京：国防工业出版社 2006

[3] 潘泉等.信息融合理论的基本方法与进展（J） ，自动化学报，2003，29（4）

神经网络含义范文第5篇

关键词ERP项目实施模糊神经网络风险评价

1问题提出

企业ERP项目实施涉及到原有工作模式、业务流程变革、组织结构调整等许多方面，因此在实施ERP过程中要认识到它的复杂性和艰巨性，要认识到它的高风险性。然而，目前对ERP项目实施风险评价不是很多，有效性也不高。文献分析，常用风险评价方法主要有层次分析法、神经网络评价法和模糊综合评判法等。

本文提出用模糊神经网络模型来评价企业ERP项目实施风险。将模糊神经网络用于实施ERP企业风险问题的评价，具有一定的进步性，是一种有益的尝试，同其他方法相比，模糊神经网络风险评价方法具有科学、简洁、可操作性强等特点，而且模型的结构与方法应用前景广阔。

2企业ERP项目实施风险评价指标体系

在分析了ERP项目实施过程风险影响因素，我们考虑的是可能导致项目失败风险因素；因此要从企业实施ERP项目战略角度、实施中人为风险因素、业务流程重组、ERP实施项目管理和关键事件分析和评估。该指标体系有三级，一级指标8个，二级指标26个，各二级指标相互独立反映了前一项指标属性内涵。评价指标体系的风险影响因素能从不同的角度反映这些风险指标度量属性，其最终风险评价指标体系结构，如表1所示。

表1星火ERP项目实施风险评价指标体系表

风险项二级风险评价指标风险影响因素

信息化规划风险U1信息化战略地位u111)没有信息化战略或不健全、信息战略执行不到位；

2)信息化投入总额的比重、网络性能水平、没有其他信息化设施；

3)是否接触其他单模块MIS系统每百名管理人员计算机拥有量。

信息基础建设风险u12

信息化应用状况风险u13

基础数据风险U2基础数据规范性风险u211)企业数据的完整程度、数据的不规范性；

2）数据编码体系与ERP要求是否存在较大差别、编码体系不完整；

3)品种繁多且杂乱、工艺复杂、工艺不规范、业务数据不一致。

编码系统完整性风险u22

产品繁杂度风险u23

人力资源风险U3高层领导的指导力u311)高层领导参与度、对风险的认识程度以及支持力度；

2)项目经理的实施经验和协调沟通能力。

项目经理的控制力u32

需求分析风险U4需求分析量化程度u411)企业需求分析不全面、需求分析报告不能反映实际情况；

2)外部市场牵引力度不当、需求拉动力误导、政府推动力不强；

3）没有咨询顾问指导、需求分析反复修改、企业诊断结论错误。

需求动力分析风险u42

信息需求不明确u43

管理基础风险U5行业（特点）风险u511)企业规模大小、企业体制、企业地理位置、企业的类型；

2)企业文化与ERP文化相抵制、新文化的形成；

3)企业管理水平低、管理模式落后、与ERP管理不符合度。

企业文化风险u52

管理不规范性u53

协作方选择风险U6软件商选择风险u611)软件供应商类型选择不当、供应商综合能力不强；

2)咨询方行业经验、双方配合度不高；

3)监理基本能力不足、行业经验不足。

咨询方选择风险u62

监理方选择风险u63

软硬件选择风险U7硬件选择不当u711)安全风险、后续维护风险、价格不合理；

2)系统集成性不高、二次开发工具水平；

3)软件成熟度、类型选择错误、选型方法或步骤不对；

4)质量先天性缺陷、质量不高、不可靠性风险。

软件技术风险、u72

选型匹配风险u73

软件质量风险u74

项目管理风险U8项目进度风险U811)没有合理进度计划、进度控制不严、进度延期、人员不变动；

2)硬件维护费用增加、实施费用无计划地增加、维护费用增加；

3)实施效果难以衡量、没有制定相应质量目标、阶段成果未达标；

4)范围无限扩大、不严格控制计划，实施范围不清楚风险；

5)对业务流程变革认识不统一、缺乏有效流程控制体系、重组变革方式和工具选择、过多地改变软件原有流程。

项目成本风险U82

项目质量风险U83

实施范围风险U84

业务流程重组风险U85

3基于模糊神经网络ERP项目实施风险评价模型

模糊神经网络在SPSS、Excel和Matlab等统计分析软件工具的帮助下，使这种预测评价变得简单可行，具有很强的操作性和实用价值。模糊神经网络作为人工智能领域一种新的技能、正向着更高层次的研究与应用方面发展。模糊神经网络模型也用于企业风险评价方面，张英才提出基于模糊神经的人力资源风险评价，吴冲等提出基于模糊神经网络的商业银行信用风险的评价。

3.1模糊神经网络评价模型建立

根据企业实际结合已有的研究成果及风险评价指标体系，确定了8个评价的变量。选择[0,1]上的数据对上述8种因素的风险进行评判。同时，我们可以用以下数学语言描述：设ui(i=1,2,……7)为ERP项目实施风险评价的输入变量，Ui为其论域。在本系统中，ui∈[0,1］，将ui的风险类别模糊化为一个定义在Ui上的模糊子集Aj(j=1,2,3,4,5分别代表风险低、较低、一般、高、较高五种类型)，其模糊性用Ui的模糊分布一隶属函数UAj(ui)来表示。具体模糊量化过程为：

（1）选择影响因素的集合；本文采用风险指标体系子要素层中的评价影响集合。（2）确定评价等级空间U；U={cl，c2，…，ck}，若ck+1比ck“强”，记作ck+1>ck，一般地，评价等级统计取4至6个等级较合适，本文风险等级分5个等级,即风险低、风险较低、风险一般、风险较高和风险高。

（3）确定子要素层每一因素对U中的各评价等级的隶属度；通过专家打分后，采用统计方法获得，第i个因素对各等级的隶属度为Ri＝（ri1，ri2，ri3，ri4，ri5）。

（4）计算每个因素的评价值；将5个评价等级数量化后视为一个向量，例如取C=(0.9,0.7,0.5,0.3,0.1)，则第i个因素的数值化风险评价值为Xi=Ri*CT。根据所评价ERP项目实施风险评价中指标，模糊神经网络ERP项目实施风险评价结构确定为(8,m,5)，即输入层节点8个(根据评价阶段指标体系确定)；隐含层节点数为m，一般人为给定m值后，经k-means方法调整出合适值；输出层节点5个。通过上述模糊化方法处理得出每个风险影响因素的模糊化数值xi后，作为神经网络输入层节点的输入值。输出层节点输出企业ERP项目实施风险综合评价值。因此所建模型如图1所示，模糊神经网络风险评价模型分两大模块:前一部分是模糊量化模块，作用是将输入变量模糊化，模糊化处理是将数字表示形式的输入量转化为通常用语言值表示的某模糊论语的序数。后一部分是模糊神经网络(FNN)模块，此模型中FNN模块采用BP神经网络。该网络模型两大模块包括三层:输入层、隐含层和输出层。

图1风险评价中模糊神经网络模型

输入层：在ERP项目实施风险评价指标体系中，输入层评价指标经过模糊化处理后输入。但由于指标值量纲不相同，代表了不同的物理含义。因此，在进行综合评价之前可将各指标值转化成无量纲的标准化数据，这样就可以利用同一标准进行衡量一般可采用直线型无量纲化方法，如利用极差变换公式将各类指标标准化。输入层中神经元的输入与输出为Ui=Xi，Oij=Xi,（其中i=1,2,…..,8；j=1,2,……,m）。同时，我们将上述的风险因素和ERP项目实施风险评价的结果按照风险的大小程度分别用5个语言变量表示，并用各个语言变量的隶属函数代表其模糊性。

隐含层：其作用是对输入量进行评语等级分化处理，即根据隶属函数求出每一输入的各等级隶属度值。本文选用梯形函数，它对样本数据要求相对简单，虽然它的准确性不如非线性隶属函数高，但是经过模糊神经网络的控制也能达到良好的效果。图2说明了用梯形函数来表示ERP项目实施风险隶属函数。

3.2模糊神经(FNN)网络学习训练

模糊神经网络模型应用具体步骤包括两个过程①学习训练过程：在现有的ERP项目实施企业中，选择成功与失败典型样本对网络进行学习训练，经过反复迭代，使系统平均误差降低到满意的程度，从而获得稳定的网络结构、连接权值和各参数。②模型确定后，可用来进行ERP项目实施风的评价。

(1)样本数据的获得

选取若干具有代表性的数据，通过专家意见调查，收集相关数据作为样本数据。论文研究选择对象主要面向大中小各类企业，除已实施ERP的企业外，也包括将要实施ERP的企业。我们通过东西部地区200多家案例企业获得样本数据，进行统计分析。先对样本数据进行稳定性处理，鉴于论文取得的样本数据容量较大，各指标取值范围较广，数据具有一定的平滑性，因此选用两倍、三倍标准差检验法进行异常数据剔除，最终获得（167个）样本数据。

(2)网络学习训练结果

模糊神经网络的学习过程也就是网络参数修正的过程，本系统的网络学习采用有教师的学习方法，网络参数的修正采用梯度法实现。

(3)ERP实施风险评价输出

模糊神经网络训练趋向稳定后，并满足指定的性能指标(如训练误差)，说明神经网络已训练结束，可以用来评价企业ERP项目实施风险。将待评价的对象按模糊规则转换后得到n个输入量，已训练好的网络模型就可以通过输入量到输出实现；输出结果为隶属度向量O=(O1，O2，O3，O4,,O5)，定义为最大隶属度。即，=MAX(O1，O2，O3，O4，O5)。

根据最大隶属度原则就可以确定待评价的ERP项目实施风险的大小。在每次评价工作中，无论评价结果是否得到了专家的认可，都可以把它作为新的学习样本让这个模糊神经网络评价系统不断学习、继续完善，以使它做出更准确的评价。

4结论

本文确立了企业ERP实施风险评价的指标体系，建立了基于模糊神经网络的ERP项目实施风险评价模型，利用神经网络实现风险评价功能，可以充分利用以往的经验，使评价系统具有学习能力。模糊神经网络用于评价企业ERP实施风险非常适合，这不仅可以评价ERP项目实施各阶段风险大小，也可以利用网络的预测评价功能，预测将要实施ERP企业的风险大小，而且网络预测误差小，适合用于各类企业ERP项目实施风险评价。

参考文献

[1]陈启申.ERP——从内部集成起步.北京:电子工业出版社[M].2004

[2]刘晖.我国企业发展与实施ERP的现状分析[J].情报科学.第23卷第6期.2005.6.28~29