人工神经网络评价法案例_人工神经网络评价法

人工神经网络评价法

第一节

思想和原理

在当今社会，

面临许许多多的选择或决策问题。

人们通过分析各种影响因素，

建立相应的数

学模型，

通过求解最优解来得到最佳方案。

由于数学模型有较强的条件限制，

导致得出的最

佳方案与现实有较大误差。

只有重新对各种因素进行分析，

重新建立模型，

这样存在许多重

复的工作，

而且以前的一些经验性的知识不能得到充分利用。

为了解决这些问题，

人们提出

模拟人脑的神经网络工作原理，

建立能够“学习”的模型，

并能将经验性知识积累和充分利

用，

从而使求出的最佳解与实际值之间的误差最小化。

通常把这种解决问题的方法称之为人

工神经网络(

Artificial Neural Network

)。

人工神经网络主要由成千上万的人工神经元通过连接形成网络构成。这些人工神经元在结构和功能上均模仿了自然神经系统中的神经细胞。

各种实验与

研究表明：

人类的大脑中存在着由巨量神经元细胞结合而成的神经网络，

而且神经元之间以

某种形式相互联系。

人工神经网络的工作原理大致模拟人脑的工作原理，

它主要根据所提供

的数据，通过学习和训练，找出输入与输出之间的内在联系，

从而求取问题的解。

人工神经

网络反映了人脑功能的基本特性，

但并不是生物神经系统的逼真描述，

只是一定层次和程度

上的模仿和简化。

该研究特别关注的是在人工神经网络中所涉及的大量神经元之间的协作机制及其如何基于学习的策略来解决相关问题。

络的重要特征。

人工神经网络是一种模拟生物神经系统功能的经验模型，在其构建过程中首先基于输入数据信息构建相应的神经单元

通过学习规则或自组织等过程建立相应的非线性数学模型，

并不断进行修正，

使输出结果与

实际值之间差距不断缩小。

人工神经网络通过样本的“学习和培训”，

可记忆客观事物在空

时间方面比较复杂的关联性关系，在NNC-RM中表现为将问题特征编码为神经元之间的相互联系权重

通过将实际问题的特征参数输入到神经网络中进行处理后，在其输出端能够得到解决问题的答案。

神经网络的特点是，

神经网络将信息或知识分布储存在大量的神经元或整个系统中。

它具有

全息联想的特征，

具有高速运算的能力，

具有很强的适应能力，

具有自学习、

自组织的潜力。

另外，它有较强的容错能力，能够处理那些有噪声或不完全的数据。

利用人工神经网络构建的多元指标综合评价体系能够有效实现系统的自我学习与适应能力，并具备良好的容错特性

建立更加接近人类思维模式的定性和定量相结合的综合评价模型。

训练好的神经网络把专家

的评价思想以连接权的方式赋予于网络上，

这样该网络不仅可以模拟专家进行定量评价，

而

且避免了评价过程中的人为失误。

由于模型的权值是通过实例学习得到的，

这就避免了人为

计取权重和相关系数的主观影响和不确定性。

反向传播(

Back Propagation, BP

)神经网络是由

Rumelhart

等人于

1985

年提出，它是一

种多层次反馈型网络。基于

BP

人工神经网络的综合评价方法具有运算速度快、问题求解效

率高、

自学习能力强、适应面宽等优点，

较好地模拟了评价专家进行综合评价的过程，

因而

具有广阔的应用前景。

第二节

模型和步骤

一、模型介绍

人工神经网络是对生物神经机制研究基础上产生的智能仿生模型。

处理单元，

或称之为神经

元，

是神经网络的最基本的组成部分。

一个神经网络系统中有许多处理单元，

每个处理单元

具体的操作过程是从其相邻的其他单元接收输入数据，并随后生成输出数据传递到与其相邻的单元中。