神经网络的实现

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篇神经网络的实现范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络的实现范文第1篇

关键词：BP神经网络；VHDL；模拟与仿真

一、人工神经理论基础

神经网络又被称为链接模型，其本身是模仿动物的神经网络，并根据其行为特征分布式进行算法数学模型处理。在计算机上，人们可以利用并行或者串行的模式模拟仿真，实现人们自身的神经网络模型算法。在特定应用情况下，进行神经网络研究的目标则是高性能专用的神经网络硬件。

神经元是人工神经网络的基本单元，具有一定的信息处理方面的能力。对于输入的内容，神经元可以简单进行处理，能根据学习规则做好加权求和，并根据权值来获取神经元的状态输出，以便对刺激进行处理。还可建立基于VHDL语言的神经网络元件库，它包括基本单元、控制单元两个部分。

二、 BP神经网络结构模型

BP神经网络由输入层、隐含层和输出层组成，相邻层之间的各个神经元实现全连接，每层各个神经元之间没有连接。

BP算法正向传播过程：输入信号从输入层输入，经过隐含层传向输出层。如果输出层的实际输出与期望输出一致，那么学习算法结束。基本控制单元用于建立隐含层和输出层的神经元，主要解决信号运算后权值存储问题，它主要包括加权乘法、神经元输入信号的累加、非线性激励函数的实现、权值存储等基本模块。

图1中xi代表第i个输入，wij代表输入i和神经元j之间的权值（weight），yj是第j个输出。如图1所示可以得到：

y1=f（x1.w11+x2.w21+x3.w31 ） 2-1

y2=f（x1.w11+x2.w22+x3.w32） 2-2

y3=f（x1.w11+x2.w23+x3.w33） 2-3

其中f（ ）是激化函数（如线性阈值的sigmoid函数等）。

三、神经网络模型与仿真

clk产生脉冲信号，输入端x1，x2，x3 分别置为011，100，101，权值初值设为0000，通过9个脉冲周期一次递增到1000，将权值与输入值进行运算，得出结果。在权值固定时，输出取决于输入，不同的输入得到不同的输出结果。而在权值变化时，输出就由输入和权值决定。

为了仿真的结果更直观，代码采用的每个神经元的3个输入信号以及权值的位宽都为4，且带有符号。权值共设了9个，采用9个时钟周期将权值移入值。模拟与仿真的结果如图2所示。

结果分析：模拟结果与结果一致，此仿真成功。

四、结语

基于VHDL编程实现简单神经网络的软件模拟与仿真，从算法的提出到模型的建立，完整地体现神经网络的可用性与优越性。文中所提的神经网络模型是对单个神经网络的模拟与仿真，以及基于二维数组的多个输入输出的大规模神经网络的模拟。由于VHDL语言编程的灵活性，可以将编程下载到芯片用硬件实现对神经网络的模拟，以提高系统运算的速度和可靠性。

参考文献：

神经网络的实现范文第2篇

关键词：BP神经网络 硬盘播出系统 电平诊断 人工神经网络

中图分类号：TN948.4 文献标识码：A 文章编号：1007-9416(2012)07-0070-04

Application And Implementation of Level Diagnosis In Hard Disk Broadcasting System Based on BP Neural Network

Zeng Qiwei

(Television Station of Nan’an District, Chongqing, 400060, China)

Abstract：In this paper the diagnosis classification problems for hard disk broadcasting system are solved using BP（Back Propagation）neural network on MATLAB condition. First, based on BP neural network, a fault diagnosis model is proposed. Second, the realization principle of level diagnosis is analyzed based on set structure. Finally, the method for solving the level diagnosis with BP neural network is investigated. In conclusion: not only the simulation effect is obviously for the solution of level diagnosis problems on MATLAB condition based on BP neural network, but also facilitates the engineering technology application.

Key Words：BP neural network hard disk broadcasting system; level diagnosis artificial neural network

硬盘播出系统是电视播出单位技术核心，其中又以电平值为重要的参数指标。系统的信息处理能力关系着视音频质量的好坏，电平诊断方法是解决此问题的关键。电平诊断的目的是监测系统各重要结点的输入输出电平值，以该值作为参考判断故障结点环节。正是由于电平诊断的必要性，许多致力于电平诊断的方法应运而生。随着计算智能的兴起，出现了一些有着模拟计算、全局分布、并行处理等的新技术，基于联结主义(connectionism)的人工神经网络就是这样一种技术，它具有良好的自组织性和自适应性，具备处理各类非线性系统的数值分析功能。基于人工神经网络的电平诊断的核心是模式识别与分类，人工神经网络能根据自身结构特性对电平值作分类处理，使其与参考故障类对比，从而得出诊断结果。BP神经网络是一种重要的人工神经网络模型，它是一种多层前向反馈神经网络，其权值的调整采用反向传播的学习算法，它可实现从输入到输出的任意的非线性映射，已被广泛应用在模式识别与分类领域。

1、BP神经网络的工作原理

1.1 BP神经元特性

用表示第i个输入信号，表示第i个输入信号到神经元之间的权值或简称权。由生物神经元在轴突上产生兴奋或抑制脉冲响应的特性使人工神经元对输入信号与权值进行向量相乘，得出总该神经元的网络输入：

1.2 激活函数的选择

激活函数主要有线性函数、非线性斜面函数、阀值函数和Logistic函数等。由于电平诊断的结果是一组二进制组合，所以，BP神经网络的隐藏层激活函数采用logistic函数，而输出层激活函数采用线性函数。

Logistic函数的一种简单公式为：

线性函数为：

式中，a,b为常数。a代表放大指数，b代表偏移量。

1.3 实现电平诊断的BP神经网络模型与算法

1.3.1 BP神经网络模型

为实现电平值的输入与期望输出值的并行处理，BP神经网络采用层次结构模型。该模型是两层神经网络，其中一层为隐藏层，一层为输出层（图1）。

设输入向量为：

经过变换后的输出向量为：

设该BP神经网络的期望输出向量为Y，则输入样本集为{ (X,Y) | X为输入向量，Y为X 对应的期望输出向量}

1.3.2 BP神经网络学习算法

BP神经网络算法步骤如下：

(1)用不同的小伪随机数初始化输出层和隐藏层的权值；

(2)初始化精度控制参数ε，学习率α；

(3)循环控制参数E=ε+1；

循环最大次数M；

循环次数控制参数N=0；

(4)while E>ε and N

N=N+1;E=0;

神经网络的实现范文第3篇

本文提出了一种基于接收信号强度并结合BP神经网络算法的一种新型定位方法。该方法首先建立一个定位环境模型，用有限数量的参考节点先组建一个无线传感器网络。然后采集样本数据，读取RSSI和实测盲节点的位置坐标，把这些数据用作训练和测试BP神经网络模型。最后把得到的BP神经网络模型应用于具体问题并检测应用效果。经实践检验，该定位方法在短距离定位中比较可行，具有较好的定位性能。

【关键词】无线传感器网络 BP算法 神经网络 定位

随着通信技术、嵌入式计算技术和传感器技术的飞速发展和日益成熟，人们研制出了各种具有感知能力、计算能力和通信能力的微型传感器。许多的微型传感器构成了无线传感器网络引起了人们的极大关注。无线传感网可以使人们在任何时间、地点和任何环境条件下获取大量详实可靠的物理世界的信息，将被广泛地用于国防军事、国家安全、环境监测、交通管理、医疗卫生、制造业、反恐抗灾等领域。

传感器节点的定位技术是无线传感网络的支撑技术。目前，广泛使用的ZigBee无线传感器网络的原理是测量节点间的距离实现网络传输，无线传感器网络定位技术通常采用的方法是在保证信号接收强度（RSSI）的基础上进行测量。这种测量方法采取的主要方式是设置已知的参考节点，通过待定位节点接收到的RSSI值对该节点到各个参考节点的距离进行计算，再利用计算结果、采用不同的算法对目标点的坐标进行推导。本文对一种新型的定位方法进行了分析，此种方法得到未知节点坐标的途径是利用待定位节点与多个固定参考节点间的RSSI值对BP神经网络模型进行训练得到的。

1 无线信号传输模型

根据无线通信的基本原理，无线信号在自由空间中传播时信号随传播距离的增加而有规律的变弱。但是在一些复杂的环境里与自由空间相比，无线信号的传播规律性比较差。即便是传播距离相等，所测得的信号强度的差别也比较大。传统的定位技术受接受信号强度的影响，利用无线信号传播模型，利用拟合技术或凭经验得到模型中的未知参数A和N，接着在传播模型中代入信号强度值，计算出对应的距离，最后利用位置距离算法实现定位。此种方法的缺点是经验性强，普遍适用性差，不能得到较高的精度。而且在复杂多变的空间环境中，接收信号强度（RSSI）与传播距离（d）的关系就更加复杂多变。

2 用BP神经网络拟合RSSI-d非线性函数关系

Kolmogorov定理对此的证明显示，一个三层BP网络可以实现所有连续函数，所以RSSI与距离d之间建立的非线性函数关系完全可以用BP神经网络来拟合。误差反向传递神经网络是BP神经网络的别称。该网络具有前反馈性，利用的学习方式是均方差。BP网络同时具备输入层和输出层，另外还有一层或多层隐藏神经元结构。该种网络的采用全局逼近方法的学习算法，所以该网络的泛化和容错能力都比较强。

3 BP神经网络与无线传感网定位方法

3.1 神经网络模型建立

本文采用RSSI方法测量盲节点与各参考节点之间的距离，参考节点固定，盲节点通常是移动的，盲节点每隔一定时间发送一次广播信息，参考节点将监听到广播信息后，将测得的各RSSI值发送至中心盲节点，盲节点收集好信息后再发送给协调器及上位机。

3.2 样本数据库建立

通过对训练样本的学习，BP网络才能获得节点位置预测的能力。一般来说，训练样本数量越多，BP神经网络预测能力越强，所以为了提高定位的精准度，应适当多采样来训练样本，同时采用平均值法使样本数据更有效。

3.3 BP神经网络参数确定

本文采用3层的BP神经网络来实现，只包含一个隐含层。基本BP算法采用梯度下降法使得误差均方趋向最小，直到达到误差要求。经比较发现，traincgf算法收敛速度快，并且可沿共轭方向达到全局最小点，适合应用于节点位置估测；隐含层节点数对BP神经网络的预测精度有较大影响，隐含层节点数过多会增加训练网络的时间，网络容易过拟合。本文取经验值3为隐含层节点数，经仿真验证，可达到很好的效果。

4 仿真结果分析

不同测距误差下BP定位算法与最小二乘估计法的比较：BP定位算法与最小二乘法定位效果表中，进行一千次实验后得到的BP定位算法，利用参考节点与盲节点之间的坐标得到最小二乘法的数据。定位结果到未知节点真实值之间的距离成为定位误差，通过比较BP定位算法得到的平均误差与较之最小二乘估计法得到的误差，前者的误差较小。图1中显示，随着误差的增大，与最小二乘估计法相比BP定位算法得到的误差增大速度慢。可以说，当测距误差较大时，BP定位算法有较大的优势，由此可以说明BP定位算法的定位性能比最小二乘估计法好。

5 结语

定位技术是无线传感器网络的关键技术，对提高生产效率、人员安全检查具有重要意义。将智能算法与实际测量相结合，提高了定位精度。具体应用时，可以将C语言编程实现BP神经网络，将编程实现的BP神经网络封装成单个函数的形式，此函数的输入即为RSSI值，输出即为对应的距离d。

参考文献

[1]王小平，罗军，沈昌祥.无线传感器网络定位理论和算法[J].计算机研究与发展，2011（03）：353-363.

[2]王福豹，史龙，任丰原.无线传感器网络中的自身定位系统和算法[J].软件学报，2005（05）：857-868.

[3]吴黎爱.基于不同网络模型的无线传感器网络定位算法研究[D].南昌航空大学，2012.

[4]任梅.基于无线传感器网络定位技术的研究[D].西安电子科技大学，2013.

[5]张颖.无线定位优化算法的研究[D].西安邮电学院，2011.

作者简介

衣治安，硕士学位，现为东北石油大学计算机与信息技术学院副院长，主研领域为计算机网络。

马莉，硕士研究生。

神经网络的实现范文第4篇

本文利用人工神经网络的钢材表面缺陷快速识别系统以及BP神经网络的缺陷检测和分类的方法，实现钢材表面疵病的准确检测与分类。选用Matlab作为系统软件工具，以BP神经网络作为其缺陷检测的计算方法，实现冷轧带钢表面缺陷检测技术的软件方案设计，完成BP神经网络在钢材表面缺陷检测的应用研究，满足带钢生产线的表面缺陷检测要求。

关键词：缺陷检测；人工神经网络；BP神经网络

中图分类号：TN711 文献标识码：A 文章编号：

冷轧带钢已成为汽车生产、机械制造、化工、航空航天、造船等工业不可缺少的原材料，在国民经济中占据重要地位。而钢材表面缺陷是影响带钢质量的重要因素，因此，表面缺陷的识别检测对提高带钢的质量具有十分重要的意义。

本文根据钢材表面的缺陷情况，研究需要系统识别的常见钢材表面缺陷类型，结合表面缺陷检测系统的主要技术要求，提出基于人工神经网络的钢材表面缺陷识别系统的总体方案。利用计算机和图像采集设备，使软件和硬件协同配合，实现图像信息的实时采集及处理，为BP神经网络的训练学习建立钢材表面缺陷数据库，通过训练可以实时自动识别钢材表面存在的缺陷。

1BP神经网络的基本原理

BP（Back Propagation）神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。它是目前研究最多、应用最广泛的神经网络模型之一【1】。BP网络是一种多层前向反馈神经网络，把样本的输入输出变成一个非线性优化问题，使用了最优化中最普遍的梯度下降算法，用迭代运算求解权值，它可以实现从输入到输出的任意连续的非线性映射。BP网络主要用于函数逼近、模式识别、数据压缩等。BP神经网络由输入层、隐含层和输出层三部分组成，其结构如图1所示。

图1BP神经网络结构示意图

Fig. 1 The BP neural network structure diagram

BP神经网络在具体工作之前必须通过学习获得一定的“智能”，才可以在实际的应用中取得良好的效果。其学习由四个过程组成：

第一是输入向量由输入层经隐含层向输出层的“正向传播”过程；

第二是网络实际输出与网络的希望输出之间的误差信号由输出层经隐含层向输入层逐层修正连接权值的“误差反向传播”过程；

第三是由“正向传播”与“误差反向传播”的反复交替进行的网络“记忆训练”过程；

第四是网络的全局误差趋向极小值的“学习收敛”过程。

2BP算法在钢材表面缺陷识别的具体实现

为了使用BP神经网络实现钢材表面缺陷检测方法研究，首先需要对钢材图像进行预处理，去除图像噪声，并进行图像增强处理，保留图像重要信息；然后，从样本图像中选择部分有缺陷的图像，进行样本图像分割，分割成适合网络训练的特征图像，并将分割结果分类为正常图像和缺陷图像样本集合；再使用各种图像特征提取方法分别提取出正常图像和缺陷图像的特征值，构成BP神经网络训练集合；再将训练集合输入BP网络训练器中，按照设定参数，设置选定精度，进行网络权值训练，得到所需的分类器；最后将测试样本输入分类器中，实现最终的缺陷分类识别。

系统选用Matlab作为系统软件工具。Matlab中专门编制了大量有关BP网络的工具函数，为BP网络的应用研究提供了强有力的便利工具【2】。BP网络的设计过程如下：

（1）输入训练样本

缺陷的出现会破坏其所在区域灰度值的排布规律，基于此先从带缺陷图像的缺陷区域截取图像，再从无缺陷的图像中截取相同大小的图像，然后从这些图像中提取特征向量【3】。对特征向量X进行归一化，再进行主分量分析进行降维处理，最后把处理后的特征向量的每一列作为一个样本输入神经网络。

（2）初始化网络

采用initff函数初始化网络。在建立网络对象的同时，自动调用初始化函数，根据缺省的参数对网络的连接权值和阈值进行初始化。initff函数格式：

[w1,b1,w2,b2]=initff(p,s1,f1,s2,f2)（1）

式中：w1表示隐含层神经元与输入层神经元之间的连接权重系数矩阵；

w2表示输出层神经元与隐含层神经元之间的连接权重系数矩阵；

b1、b2表示隐含层和输出层神经元的阈值矩阵；

p表示输入样本矩阵；

s1、s2表示隐含层和输出层神经元个数；

f1、f2表示隐含层和输出层激活函数形式。

运行initff函数，系统能自动根据给定的p,s1,f1,s2,f2的值对w1,b1,w2,b2赋予一个初始值。

（3）训练网络

采用trainbp函数训练网络。用基本梯度下降法训练网络函数进行BP网络训练，获取最终的权值与阈值矩阵。trainbp函数格式：

[w1,b1,w2,b2,te,tr]=trainbp(w1,b1,f1,w2,b2,f2,p,t,tp)(2)

式中：t表示输出样本矩阵；

te为网络的实际训练步数；

tr为训练过程中的误差平方和；

tp为网络训练参数。

选择训练参数tp进行训练，tp=[df,me,err,lr]

式中：df是指定两次更新显示间的训练次数；

me是指定训练的最大次数；

err是误差平方和指标；

lr是指定学习速率，即权值和阈值更新的比例。

trainbp函数以w1，w2，b1，b2的初始值和给定的f1，f2，p，t，tp开始训练，使当输入n时，网络的输出为目标矢量t。当训练过程中误差平方和小于等于目标误差平方和或者训练步数到达给定的最大步数时，停止训练。此时的w1，w2，b1，b2的值就是已训练好的网络参数。

（4）网络仿真

采用simuff函数对网络进行仿真。在网络训练前后分别进行输入输出的仿真，以做比较，从而对网络进行修改评价。simuff函数格式：

a=simuff(p，w1，b1，f1，w2，b2，f2) (3)

式中：a表示训练好的BP网络的实际输出；

w1、w2、b1、b2 是训练好的网络参数；

p、f1、f2 与（1）式相同。

网络训练后，形成稳定的权值和阈值，使网络输入和网络输出形成了较好的映射，从而可以对其他输入样本进行输出参数的预测。

3实际应用情况

从现场采集冷轧带钢样本，并对这些样本中的缺陷进行标定。将测试样本图像输入神经网络检测缺陷区域，得到每类样本的缺陷区域。将所有原始训练样本、测试样本图像，按照前面的预处理方法进行预处理，然后按照同样的分割方式进行分割，提取出样本块的特征信息，构成一序列的向量，输入已经训练完成的分类器，进行缺陷识别，检测出样本的缺陷区域。

经工业现场实践表明，经过训练的BP神经网络分类器对表面缺陷的识别分类较好,基本上能够满足带钢表面缺陷的分类识别要求。但是，神经网络技术也存在训练过程缓慢、需要大量的训练数据、对其决策过程无法得到透彻理解、参数的设计无规律可循等缺点。

事实上，基于BP网络的分类器只能识别BP网络已知的模式类别。如果出现了新的模式类别，分类器就不能正确地识别，只能再次对分类器进行训练，也就是说分类器没有自学功能。因此，在优化BP神经网络参数的基础上，我们可以考虑将现在已经构建的BP神经网络模型的分类器，分解成两步来实现表面缺陷的分类，即首先构建神经网络来对把缺陷和非缺陷识别分类开来，然后再对缺陷进行分类，以期提高分类识别的准确率。我们还需要研究基于其它神经网络模型的分类器，利用各自的长处，实现分类器的融合，并使分类器具有自学的功能，对新出现的缺陷能够记忆识别的功能，更好的满足工业现场的要求。

参考文献

[1]王婷,江文辉,肖南峰.基于改进BP神经网络的数字识别.电子设计工程.2011,19(3):108-112.

神经网络的实现范文第5篇

[关键词] 超市财务 风险预警 BP神经网络

财务管理贯穿于超市管理的全部过程，既是超市管理的突破口，又是超市运行的控制点，也是超市发展的落脚点，超市财务风险是急需研究和防范的重要课题。本文建立了超市财务风险预测指标体系，采用BP神经网络的研究方法，完成了对指标体系的风险预测模型的建立，并通过MATLAB神经网络工具箱对建立的BP网络模型进行训练和仿真实验，用以预测超市的财务风险。

一、超市财务风险分析

超市的财务活动贯穿于超市营销的整个过程，筹措资金、长短期投资、分配利润等都可能产生风险，根据风险的来源可以将财务风险划分为：

1.筹资风险

由于资金供需市场、宏观经济环境的变化，超市筹集资金给财务成果带来的不确定性。筹资风险主要包括利率风险、再融资风险、财务杠杆效应、汇率风险、购买力风险等。

2.投资风险

超市投入一定资金后，因市场需求变化而影响最终收益与预期收益偏离的风险。超市对外投资主要有直接投资和证券投资两种形式。投资风险主要包括利率风险、再投资风险、汇率风险、通货膨胀风险、金融衍生工具风险、道德风险、违约风险等。

3.经营风险

经营风险又称营业风险，是指在超市的经营过程中各个环节不确定性因素的影响所导致超市资金运动的迟滞，产生超市价值的变动。经营风险主要包括采购风险、存货变现风险等。

4.存货管理风险

超市保持一定量的存货对于其进行正常经营来说是至关重要的，但如何确定最优库存量是一个比较棘手的问题，存货太多会导致产品积压，占用企业资金，风险较高；存货太少又可能导致原料供应不及时，影响超市的正常销售，严重时可能造成商品短缺，影响企业的信誉。

5.流动性风险

流动性风险是指超市资产不能正常和确定性地转移为现金或企业债务和付现责任不能正常履行的可能性。从这个意义上来说，可以把超市的流动性风险从企业的变现力和偿付能力两方面分析与评价。由于超市支付能力和偿债能力发生的问题，称为现金不足及现金不能清偿风险。由于超市资产不能确定性地转移为现金而发生的问题则称为变现力风险。

二、超市财务风险的成因

超市财务风险产生的原因很多，既有超市外部原因，也有超市自身的原因，而且不同的财务风险形成的具体原因也不尽相同。超市产生财务风险的一般原因有以下几点：

1.超市财务管理的宏观环境复杂多变，而超市管理系统不能适应复杂多变的宏观环境

超市财务管理宏观环境的复杂性是超市产生财务风险的外部原因。财务管理的宏观环境包括经济环境、法律环境、市场环境、社会文化环境、资源环境等因素，这些因素存在企业之外，但对企业财务管理产生重大的影响。宏观环境的变化对超市来说是难以准确预见和无法改变的，宏观环境的不利变化必然给超市带来财务风险。财务管理环境具有复杂性和多变性，外部环境多样化可能为企业带来某种机会，也可能使超市面临某种威胁，而给超市理财带来困难。目前，我国许多超市建立的财务管理系统，由于机构设置不尽合理，管理人员素质不高，财务管理规章制度不够健全，管理基础工作不够完善等原因，导致超市财务管理系统缺乏对外部环境的适应能力和应变能力，具体表现在对外部环境不利变化不能进行科学的预见，反应滞后，措施不力，由此产生财务风险。

2.超市财务管理人员对财务风险的客观性认识不足

财务风险是客观存在的，只要有财务活动，就必然存在着财务风险。然而在现实工作中，许多超市的财务管理人员缺乏风险意识。风险意识的淡薄是财务风险产生的重要原因之一。

3.财务决策缺乏科学性导致决策失误

财务决策失误是产生财务风险的又一主要原因。避免财务决策失误的前提是财务决策的科学化。目前，许多超市的财务决策都存在经验决策及主观决策现象，家长制、一言堂的工作作风在超市的管理中仍然普遍存在。由此导致的决策失误经常发生，从而产生财务风险。

4.超市内部财务关系不明

这是超市产生财务风险的又一重要原因，超市与内部各部门之间及超市与上级企业之间，在资金管理及使用、利益分配等方面存在权责不明、管理不利的现象，造成资金使用效率低下，资金流失严重，资金的安全性、完整性无法得到保证。

三、基于BP网络的风险预测模型构建

1.超市财务风险预测指标体系建立

超市财务风险分析是确定风险预测指标体系的前提和基础，预测指标体系又是进行风险评估分析的依据，一个科学的预警指标体系对风险预警是至关重要的。

（1）超市财务风险指标选取原则

根据指标选择原则建立的超市财务风险预测指标体系，是能在不同方面反映超市财务经营中财务风险活动趋势，故选取超市财务风险预测指标应遵循如下原则:

第一，指标的重要性。所选取指标必须在衡量超市财务活动方面具有重要性，所选的多个指标的综合必须表示超市财务活动的主要矛盾现象。

第二，指标的先行性。所选取的指标特征量要与超市运营状况大体一致或略有超前性，能敏感地反映超市财务风险的发生或发展动向。同时指标要能针对财务风险某种状态进行分析、预测，分析其运动趋势及可能带来的影响。

第三，指标的目的性。所选取的指标从不同角度、不同层次系统全面地反映超市活动多重财务风险的状态，从而达到财务风险预测体系的预测目的。

第四，指标的可比性。所选取的指标应一方面可以通过科学合理的转换，指标体系能反映出财务风险的总体状况;另一方面又能够在各超市企业之间具有一定的可比性。

第五，指标的操作性。所选取的指标要与国际惯例接轨，同时又符合我国超市的发展水平现状;各项指标应该力求能从广泛的经济数据中获取相关的可靠信息，要求数据来源确凿可靠，推理过程科学合理，易于量化，适于操作，并且指标间的相关性较弱。

(2）超市财务风险指标的选取

依据上述的指标选取原则，本文选取总资产、主营业务收入、股东权益（不含少数股东权益）、净利润、扣除非经常性损益后的净利润、每股收益、净资产收益率(%)、每股经营活动产生的现金流量净额、每股净资产、调整后的每股净资产、扣除非经常性损益后的净资产收益率(%)11个指标用来构建超市财务风险指标体系，如下表所示。

表 超市财务风险指标数据（单位：人民币元）

2.基于BP网络的超市风险预测模型的构建

本文运用前向三层BP网络技术，它由输入层、中间层、输出层组成。中间层位于输入层和输出层之间，作为输入模式的内部表示，对一类输入模式所包含的区别于其他类别的输入模式的特征进行抽取，并将抽取出的特征传递给输出层，由输出层对输入模式的类别作最后的判别。因此，也可以把中间层称为特征抽取层。中间层的输入模式进行特征抽取的过程，实际上也就是对输入层与中间层之间连接权进行“自组织化”的过程。在网络的训练过程中，各层之间的连接权起着“传递特征”的作用。各连接权从初始的随机值逐渐演变，最终达到能够表征输入模式性的过程，就是“自组织化过程”。

（1）输入节点的确定

前面已经对超市财务风险及其评价指标进行了系统的分析。在基于神经网络设计超市财务风险评价模型时，网络输入应为全面描述超市财务风险的指标。因此，不同的超市财务风险的指标体系对应不同的网络模型，也形成不同的输入节点数，输入节点数等于风险指标数。由超市财务风险指标体系可知，超市财务风险包括总资产、主营业务收入、股东权益(不含少数股东权益)等11个指标。所以，确定输入节点数为11个。

（2）输出节点确定

输出节点确定对应于评价结果，输出为[-1]表示财务存在风险；为[1]表示财务风险问题不明显；为[0]表示财务不存在风险。因此，输出节点数为3个。

（3）隐层节点确定

理论上已经证明，对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近，因而一个二层的BP网络可以完成任意的n维到m维的影射。为了避免因为隐含层的增加而导致的训练时间的急剧增加和局部最小误差的增加，本文选择采用隐含层数为一层。

就BP网络而言，当隐含层神经元数目过多时，优点是表现能力强，缺点是网络结构庞大，在训练时效率不高，学习时间长，泛化能力下降，误差不一定最佳;学习后网络结构复杂，物理意义不明确。当隐含层神经元数目过少时，优点是学习时间短，学习后网络结构简单。缺点是表现力不足，网络不具备必要的学习能力和信息处理能力，容错性差，出现学习误差下降缓慢甚至不收敛的现象。由于神经网络的巨量并行分布结构和非线性动态特性，要想从理论上得到一个简单通用的隐含层单元确定公式是十分困难的。然而，通过广泛和长期的应用过程所得的一些定性结论会有助于合理安排隐含层的单元数，因此结合文中实际情况，可参考下面公式来确定隐含层单元个数。

其中，n1为隐层节点数，m为输入层节点数目，n为输出层节点数目，a为1-10之间的常数。因此，隐层节点数确定为6。

3.面向MATLAB的BP网络财务风险预测模型仿真

（1）BP网络的训练

已经对超市的财务建立起合适的BP网络风险预测模型，下面对网络进行训练。在批处理模式中，网络训练所用的样本需要进行一次性输入，然后再调整网络权值和域值，梯度的计算也是由所有的样本数据参与的。

BP算法的主要缺点是：收敛速度慢、局部极值、难以确定隐层和隐层节点数。在实际中BP算法很难胜任，所以本文采用改进的BP算法:自适应lr的梯度下降法。对于梯度下降法，学习速率对于整个网络训练过程有很大的影响，训练成功与否与学习率的选取关系很大。如果在训练过程中合理地改变学习率，会避免很多缺陷。有自适应lr的学习算法能够自适应调整学习率，从而增加稳定性，提高速度和精度。

有自适应lr梯度下降法的训练函数为traingda，与函数traingda有关的训练参数有：epochs、goal、lr、max_fail、min_grad、show、time、lr_inc、lr_dec、max_perf_inc。

net.trainParam.epochs 最大训练次数（缺省为10）

net.trainParam.goal 训练要求精度（缺省为0）

net.trainParam.lr 学习率（缺省为0.01）

net.trainParam.max_fail 最大失败次数（缺省为5）

net.trainParam.min_grad 最小梯度要求（缺省为1e-10）

net.trainParam.show显示训练迭代过程（缺省为25）

net.trainParam.time 最大训练时间（缺省为inf）

net.trainParam.lr_inc学习率lr增长比（缺省为1.05）

net.trainParam.lr_dec学习率lr下降比（缺省为0.7）

net.trainParam.max_perf_inc表现函数增加最大比（缺省1.04）

设超市2003年为无风险[0]、2004年为风险不确定[1]、2005年为风险存[-1]训练该网络。

利用Matlab平台对风险预测模型进行训练时，在确定输入值和期望输出后，可以直接调用traingda函数进行训练。建立一个M文件，根据超市财务指标数据，在界面输入：

p=[1370518362.53 1640751155.19 1525961728.59;

4014089223.76 3836481696.24 2945931106.78;

369411872.73 1003965481.61 928812204.30;

61986561.39 34629345.85 -40158466.41;

64771918.27 35294602.11 -36198401.28;

0.402 0.158 -0.153;

2.394 4.587 3.537;

2.21 4.510 3.467;

16.78 3.45 -4.32;

-0.899 1.674 0.422;

17.63 12.33 -1.69];

t=[0 1 -1];

net =newff(minmax(p),[6,1],{'tansig','purelin'},'traingda');

net.trainParam.show=25;

net.trainParam.lr=0.01;

net.trainParam.lr_inc=1.05

net.trainParam.epochs=10000;

net.trainParam.goal=1e-10;

[net,tr]=train(net,p,t);

然后运行，在Matlab的显示界面出现：

TRAINGDA, Performance goal met.

当得到上面的目标已经达到的提示语句，并且训练的动态图像如下图所示时，

图网络训练的误差变化曲线

说明网络已经训练成功，然后输入

>> a=sim(net,p)

检测得到结果

a =

0.00001.0000 -1.0000

该输出与期望输出（超市2003年为无风险[0]、2004年为风险不确定[1]、2005年为风险存[-1]）一致，证明网络训练成功。

（2）BP网络的仿真

通过上面的操作，网络已经训练完毕。下面采用超市的指标数据来预测其财务风险。

建立M文件：

p=[1370518362.53 1640751155.19 1525961728.59;

4014089223.76 3836481696.24 2945931106.78;

369411872.73 1003965481.61 928812204.30;

61986561.39 34629345.85 -40158466.41;

64771918.27 35294602.11 -36198401.28;

0.402 0.158 -0.153;

2.394 4.587 3.537;

2.21 4.510 3.467;

16.78 3.45 -4.32;

-0.899 1.674 0.422;

17.63 12.33 -1.69];

t=[0 1 -1];

net =newff(minmax(p),[6,1],{'tansig','purelin'},'traingda');

net.trainParam.show=25;

net.trainParam.lr=0.01;

net.trainParam.lr_inc=1.05

net.trainParam.epochs=10000;

net.trainParam.goal=1e-10;

[net,tr]=train(net,p,t);

p1=[1136396053.74 1239715404.88 1409789929.12;

3247882437.11 3666443133.78 1375289142.14;

244339457.08 311421437.68 909325535.98;

50070042.75 66925122.63 -16970171.41;

51290204.49 68041237.90 -11084934.90;

0.325 0.434 -0.065;

20.49 21.49 -1.87;

-0.403 1.617 -0.55;

1.584 2.019 3.462;

1.012 1.193 3.385;

22.96 24.48 16.35];

运行后，在界面输入

>> a=sim(net,p1)

得结果，2001年和2002年的财务风险存在[-1]，而2006年则显示出财务风险不明确[1]。

四、结束语

统计资料显示，近三年来，我国限额以上连锁零售集团(企业)以年均33.6%的速度递增，截至2006年末，已达到1055家，连锁门店数达54891个，营业面积和年销售额都比2004年有了成倍的增长。连锁零售集团(企业)总体规模迅速扩张的同时，单体规模也在增大。2006年门店在14个以上的连锁零售集团(企业)有507家，比2005年多60家。其中超过100个的由2004年末的55家、2005年末的73家增至2006年末的97家。但伴随着快速扩张、我国连锁零售企业的财务风险也逐渐暴露出来，据统计近一年半以来，我国已有150多家大型连锁超市倒闭。

为了减少超市财务的风险，提高超市的竞争能力，超市企业可以从以下几个方面着手：加强结算资金管理；加强存货控制；健全内部规章制度；实行全面预算管理；建立计算机分析和管理系统。

参考文献：

[1]宋明哲:现代风险管理[M]．北京：中国纺织出版社,2003

[2]严真红:我国企业财务风险的成因及其防范[J].江西财经大学学报，2004.4

[3]陈文浩 郭丽红:企业财务危机的原因分析[J].浙江财税与会计，2004.10

[4]唐晓云:略论企业财务风险管理[J].上海会计，2002.2