BP神经网络模型在广西原料蔗产量预报中的应用

BP神经网络模型在广西原料蔗产量预报中的应用（精选5篇）

篇1：BP神经网络模型在广西原料蔗产量预报中的应用

BP神经网络模型在广西原料蔗产量预报中的应用

将广西甘蔗种植区气象台站的光温水资料采用膨化处理后按旬依次组合成不同时段值,通过相关分析方法普查选出与广西原料蔗产量相关系数通过0.01水平显著性检验的因子作为预报因子,分别用逐步回归方法和误差反传前向网络(BP神经网络)建立广西原料蔗产量预报模型,模拟结果对比分析显示,BP神经网络预报模型的.拟合精度和预报精度均高于逐步回归模型.

作 者：欧钊荣 谭宗琨 何燕 丁美花 杨鑫 OU Zhao-rong TAN Zong-kun HE Yan DING Mei-hua YANG Xin 作者单位：广西壮族自治区气象减灾研究所,广西南宁,530022刊 名：中国农业气象 ISTIC英文刊名：CHINESE JOURNAL OF AGROMETEOROLOGY年，卷(期)：29(2)分类号：P4关键词：BP神经网络 逐步回归 甘蔗 产量预报

篇2：BP神经网络模型在广西原料蔗产量预报中的应用

关键词：BP神经网络,数值预报产品释用,预报准确率

0 引言

数值预报产品的释用是解决数值预报产品本地化的一项重要技术,也是提高本地区预报准确率的一种有效手段。目前数值预报产品的释用工作大都基于统计的分析方法,如MOS法[1]、PPM法[2]中的多元线性判别与回归方程、卡尔曼滤波等。本文采用人工神经网络方法中应用最为广泛的BP算法开展数值产品定点释用,实现站点要素客观量化预报。

1 数值预报产品释用原理

BP网络是人工神经网络中的一种多层前馈网络的学习算法,它可以通过神经网络的自学习功能,确定神经元之间的耦合权值,从而使网络整体具有近似函数的功能,非常适用于非线性系统的建模研究图1给出数值预报产品释用流程。

2 BP神经网络数值预报产品释用模型

2.1 建立数值预报产品释用模型

两个隐层的BP网络结构如图1所示,该网络共分4层:第1层为变量输入,xj(j=1,2,…,n0)为输入变量,no为输入变量的个数。若设x0为第一隐层中激活函数的域值,则输入向量总共为no+1维。x0一般取为-1将其增广到输入量中,作为一个分量,则有x=(x0,x1,…,xn0)。第2层为第1隐层,设有n1个神经元,则其输出向量g=(g0,g1,…,gn1),其中g0为第一隐层中激活函数的域值,一般取为-1。第3层为第2隐层,设有n2个神经元,其输出向量h=(h0,h1,…),第4层为输出层,设有m个神经元,网络的输出向量为y=(h1,h2…,hm)[3,4]。

第1隐层和第2隐层神经元采用S型对数激活函数,输出层神经元采用线性激活函数。S型对数激活函数表达式为:

第1隐层输出向量为:

第2隐层输出向量为:

输出层输出向量为:

上面各式中,W是输入层到第1隐层间的耦合权值矩阵,其量为wji,j=1,…,n1;i=0,1,…,n0;V是第1隐层到第2隐层之间的耦合权值矩阵,分量表示为vkj,k=1,…,n2;j=0,1,…n1;R是第2隐层到输出层之间的耦合权值矩阵,分量表示为rlk,l=1,…,m;k=0,1,…n2。θ为神经元的域值,为了简便将其视为联接权值来处理,即令θj=wj0,θk=vk0,θl=rl0,x0=g0=h0=-1,于是上面的方程可以改成如下形式:

2.2 双隐BP网络权值的动态学习算法

设一共有α个样本对,第p个样本对(xp,tp)输入模式后输出方差为:

α个样本对经正向传播运算后网络总误差为:

第1隐层到第2隐层的联接权修正量为:

输入层到第1隐层的联接权修正量为:

设n为迭代次数,应用梯度法可以得到网络各层联接权的迭代关系为:

为了有利于使网络联接权加快脱离误差曲面的平坦区,引进动量项则以上方程组变为:

上面各式中,η表示学习率,其值通常在0.01-1.0之间,学习率η选得太小,会导致网络参数(耦合权值)修改量过小,收敛缓慢,选得太大,虽然可以加快学习速度,但可能致使权值修改量在稳定点附近持续震荡,难以收敛,mc为动量因子,一般取0.9左右。动量项的作用在于记忆前一时刻联接权值的变化方向,增加动量项,利用其“惯性效应”来抑制可能产生的震荡,起到平滑作用,这样可以采用较大的学习率η,以提高学习速度。

3 学习训练及预报准确率检验

实况数据包含2015年3月份的GTS实测数据及渤海区域内海洋站的实况数据,数据主要提取的变量包括3小时一次的气压(海平面气压及本站气压值)、气温、能见度、降水、云量;海洋站数据提取的变量主要为风向、风速资料。

以海平面气压为例,选用psfc变量作为预报因子,将2015年3月份样本数据,运用BP神经网络方法,进行训练学习,图2给出网络拟合及预测值与实际值的对比曲线。从图2中可知,BP网络的拟合值与实际值在大部分时段相吻合。

各时段海平面气压、温度、相对湿度、能见度、降水、风向和风速的预报准确率如表1所示,从表1中可知,相对于传动的数值预报释用方法,采用BP神经网络算法,海平面气压、温度、能见度的预报准确率大大提高了。

4 结论

目前,数值预报产品释用方法大多数基于统计的分析方法,但是基于该方法的气象要素的准确率较低。利用BP神经网络算法进行数值预报产品的释用,其拟合值与实际值在大部分时段相吻合的较好各时段渤海区域气象要素预报准确率较高,具有非常广阔的应用前景。

参考文献

[1]Zbynk Sokol.Mos-Based Precipitation Forecasts for River Basins[J].Weather and Forecasting,2003,18(5):769-781.

[2]Ashok Kumar,Parvinder Maini,S.V.Singh.An Operational Model for Forecasting Probability of Precipitation an Yes/No Forecast[J].Weather and Forecasting,1999,14(1):38-48.

[3]金龙.神经网络气象预报建模理论方法与应用[M].北京:气象出版社,2004.

篇3：BP神经网络模型在广西原料蔗产量预报中的应用

关键词BP神经网络；网络结构；工程造价

中图分类号TP文献标识码A文章编号1673-9671-(2011)042-0203-01

人工神经网络具有广泛的适用性。由于工程投资估算中影响工程造价的因素众多，工程投资与这些因素之间表现出一种高度非线性的映射关系，因此有些学者和工程人员尝试利用BP（Back Propagation）神经网络对工程造价的估算进行研究，利用BP神经网络可以精确的描述复杂非线性对象建模、计算或推理，试验发现采用BP神经网络可以获取影响工程造价的不确定因素和工程造价之间的内在非线性关系，从而实现对拟建工程项目的投资进行估算，以达到简化估算程序、提高估算准确率的目的。

1神经网络在造价估算工程中的优势

采用BP神经网络进行工程造价估算，主要是因其具有结构简单、工作状态稳定、易于实现；具有分布储存和容错性特点，可以处理与训练集中相同的数据，同时可以处理不完整的数据；神经网络的信息处理时大规模高度并行的，大量的独立运算可以同时进行；神经网络作为一个高度非线性系统，能够获取系统中复杂输入变量的相互关系，从而可以快捷、准确的处理工程造价估算这类多因素、非线性的问题。可见如果我们利用BP神经网络建立建筑物的工程特征与工程量或造价之间存在的映射关系，且在应用中对神经网络进行专门问题的样本训练，就能够将此类特征反映在神经元之间，如果将实际问题的特征参数输入后，神经网络输出端就能够快速、准确的进行工程造价的估算。

2基于神经网络的造价估算模型简介

1）工程造价受多方面因素的影响，构成复杂，但是都是由部分组合而成的，基于BP神经网络的造价估算实际上是将造价问题看成一种数学映射，其关键就是可以高度逼近任意两个不同维空间的非线性映射。因此，建立工程造价特性信息，并将这些数据赋予向量X=（x1，x2，…，xm），即可利用输入层和输出层之间的非线性映射，建立精确的计算方程，最后将具体的工程造价、主要材料用量作为神经网络的输出Y=（y1，y2，…，yn）。这种映射是建立在简单非线性函数复合的基础之上的，并利用BP神经网络的高度非线性特征，使不同的输出量得到不同的输出值，可见BP神经网络非常适用于难以建立数学模型但是易于收集学习样本的问题，利用过去大量的工程积累，将工程特征、造价信息、主要材料用量等作为训练样本对网格进行训练，就可以得到准确度高度的估算。

2）网络结构与学习算法。径向基函数（Radial Basis Function），即辐射性基本函数网络，是一种将输入矢量扩展或预处理到高维空间中的神经网络学习方法，径向基函数（RBF）包含隐含层和线性层，其中隐含层的传递函数是一种PBF非线性函数，这种函数可作为在局部分布的中心径向局部衰减的非线性函数；而线性层的传递函数是现行函数，这种函数的位置和宽度都由每一个神经元的权重和阈值定义，且一定量隐含层RBF神经元数目和每一层正确的权重将能够逼近任意的复杂函数。

在利用神经网络进行工程造价估算时，选用径向基RBF函数，以工程造价特征信息作为向量X=（x1，x2，…，xp），即利用

（1）

式中：cj——第j个基函数的中心点（由自组织映射神经网络按照输入的样本进行分析确定）；σj——自由选择的参数（确定基函数围绕中心点的宽度）；‖x-cj‖——x-cj的范数。

利用径向基函数（1）式，输入到隐含层便可实现非线性映射，其中从隐含层到输出层的线性关系为：

（2）

权重调节为：

（3）

式中，——第i个输出量的期望值；——第i个输出量第L次计算输出值；a——学习率；a（x）——隐含层基函数映射向量。

3BP神经网络的应用

3.1BP神经网络的基本原理

神经网络是一种基于生理学的智能仿生模型，有大量处理单元及神经元互联组成的非线性大规模自适应动力学系统。BP网络由三个神经元层组成，最下层称为输入层，中间层称为隐含层，最上层称为输出层，利用神经网络，通过学习，可以按照规则自动调节神经元之间的关系，将各层神经元完全连接，BP神经网络的允许过程是学习信号的正向传播和反向传播两个过程。

算法描述如下：

1）正向传播。输出量为X= [x1，…，xi，…，xn]T，一般为样本各分量

输入值；隐含层中输入值为其前一层各节点输入值xi的加权和；

最后利用sigmoid函数为节点输出函数，得实际输出为：

式中，n——节点j的输入节点个数；xi是第i个输入节点的输出值；Wij——第i个输入节点到节点j的权值（i=0时，Wij和xi分别代表阈值和1）

2）反向传播。修改第K层节点的权值和阈值

Wij(t+1)=Wij(t)+ηδjx'i

式中，Wij——第K-1层节点i到K层节点j的连接权值和阈值；x'i——节点i的输出；η——学习速率（0<η<1）。

当节点j是输出层时，取：

δj=yj(1-yj)(dj-yj)

式中，yj和dj——节点j的实际输出和期望值，否则取：

（i=0~m）

式中，xj——节点j的实际输出值；m——节点j的输出节点个数。

3.2神经网络集成的实现

神经网络集成是指用有限个神经网络对同一个问题进行学习，集成在某输入示例下的输出共同决定，使用这种方法时，可以简单地通过训练多个神经网络并将其结果进行合成，提高学习系统的泛化能力。神经网络的集成实现主要体现在两个方面：怎样将多个神经网络的输出结论进行组合和如何生成集成中的网络个体。常用的方法为：结论生成方法，根据各个体网络的输出得出神经网络集成的输出时影响结论正确性的关键，宜采用简单平均作为集成的输出；个体生成方法，采用Bagging方法生成网络集成个体，先从原始训练集中随机选取若干示例组成训练集，以这些训练集训练不同的网络，各训练好的网络个体组成了神经网络集成的个体。这种选取方式导致原始训练集中某些示例可能在新的训练集中出现多次，而有些示例则可能一次也选不上，这增加了神经网络的差异度，从而极大的提高了泛化能力。

4结束语

通过大量试验研究发现，神经网络在工程造价估算中的应用是能满足要求的，只有在估算中充分利用神经网络这个“特征提取器”，统计有关特征参数的数据信息，通过神经网络的高度非线性映射，可以快速、准确的处理数据，满足工程造价估算的要求。

参考文献

[1]段晓牧,吴艳华.基于神经网络高层框架建筑工程的造价估算,2007.

[2]潘华,乐云,李永奎.神经网络在工业厂房造价估算中的应用研究,2010.

篇4：BP神经网络在人口模型中的应用

为了体现中国人口的实际情况, 我们把影响人口增长的主要因素:出生率、男性死亡率、女性死亡率、老龄化指数、乡村与城镇人口比作为输入层, 得到两个输出层:男性总人数与女性总人数。由于录入数据分地域与性别的, 因此输出结果也分地域与性别。神经网络结构图1。

2 模型的求解

由于是通过抽取样本来预测全国人口增长趋势的, 因此我们需要知道确切的某年某区域男性女性总人口。通过查找资料, 可以知道2001-2005年全国总人口和抽取样本含量算出某年某区域对应的男女性总人口, 通过BP神经网络模型求解, 则其中BP算法为:第一步, 选取初始权值W, 第二步, 重复下述过程直至收敛。具体程序如下:

%作插值运算

year2= (1:0.5:5) ;

sex1=interp1 (year, sex, year2, 'cubic') ;

born1=interp1 (year, born, year2, 'cubic') ;

diemale1=interp1 (year, diemale, year2, 'cubic') ;

diefemale1=interp1 (year, diefemale, year2, 'cubic') ;

contocity1=interp1 (year, contocity, year2, 'cubic') ;

oldage1=interp1 (year, oldage, year2, 'cubic') ;

nummale1=interp1 (year, nummale, year2, 'cubic') ;

numfemale1=interp1 (year, numfemale, year2, 'cubic') ;

%用神经网络训练初值

input=[sex1;born1;diemale1;diefemale1;contocity1;oldage1];

target=[nummale1;numfemale1];

net=newff ([1.00 1.50;0.1 1;1 3;1 3;1 2;0 1], [4, 2], {'tansig', 'purelin', 'trainlm'}) ;

net.trainparam.epochs=2000;

net.trainparam.goal=0.00001;

net=train (net, input, target) ;

yi=sim (net, input) ;

y1= (yi-target) ./target;

%预测2006~2010年

input2=1:0.5:5;

target2=[sex1;born1;diemale1;diefemale1;contocity1;oldage1];

net2=newff ([1 5], [4, 6], {'tansig', 'purelin', 'trainlm'}) ;

net2.trainparam.epochs=1000;

net2.trainparam.goal=0.00001;

net2=train (net2, input2, target2) ;

yii=sim (net2, input2) ;

y2= (yii-target2) ./target2;

xtest2=5.5:0.5:7.5;

ytest2=sim (net2, xtest2) ;

xtest=[ytest2];

ytest=sim (net, xtest) ;

fprintf ('%6.8fn', ytest) ;

2006-2010预测结果如表1, 表2 (单位:万) 。

3 模型结果评价

针对上述模型的求解结果, 通过运用MATLAB编程, 把影响人口增长的几个主要因素:出生率、男性死亡率、女性死亡率、老龄化指数、乡村与城镇人口比作为输入层, 从而得到两个输出层:男性总人数与女性总人数, 2006至2010年城、镇、乡人口预测以及得出这几年男女人数的预测, 从表二可以看出:城乡失调程度越来越严重, 这其中农村失调程度最为严重, 镇人口失调程度略轻于乡人口失调程度, 城市人口失调程度又略轻与镇人口失调程度;表三可以看出随着年份的增加, 男女人数之间的差距越来越大, 如果随着失调情况的进一步增长, 导致我国男女人口比例不正常而产生一系列问题。例如婚姻挤压问题凸现, 导致的社会秩序混乱将成为影响社会稳定的严重隐患。

结束语

用BP神经网络对人口历史数据进行分析拟合, 是人口预测的有效方法。与传统的人口预测方法相比, 将基于BP神经网络的时间序列预测方法用于人口预测, 避免了繁琐的常规建模过程, 它采用梯度修正法作为权值和阈值的学习算法, 从网络预测误差的负梯度方向修正权值和阈值, 具有良好的适应和自学习能力, 使预测系统计算简单、灵活, 运用计算机强大的组合能力, 可以很好地实现人口分类预测和管理, 大大提高人口预测效率和预测精度。另外BP神经网络需要大量的样本数据用来训练和测试, 当样本数量不够或者样本分布不均匀时, 会造成预测的误偏差很大。

参考文献

[1]姜启源.数学模型[M].北京:高等教育出版社, 2005.

[2]韩中庚.数学建摸方法及其应用[M].北京:高等教育出版社, 347-348, 2005.

篇5：BP神经网络模型在广西原料蔗产量预报中的应用

在实际应用中, 80%~90%的人工神经网络模型采用的是反向传播网络 (Back-Propagation Network, 简称BP网络) 或其变化形式, BP网络也是前向网络的核心部分, 体现了人工神经网络最精华的部分。

一、研究对象的选择

本文以因财务状况异常而被特别处理 (ST) 作为上市公司陷入财务危机的标志。本文选取的研究对象是沪市及深市A股制造业中2007年、2008年被ST的上市公司, 同时选取同行业中数量相近的非ST上市公司作为对应样本。所占比重大、涉及范围广、具有代表性等是选择制造业上市公司作为研究对象的主要原因。选择样本公司被ST前三年, 即分别为2004~2006年、2005~2007年的财务数据。以被ST的样本公司2007年的财务数据作为建模的基础, 以2008年的财务数据进行模型检验。所有财务数据均来源于CSMAR系列研究数据库以及Wind金融数据库。

二、评价指标的选取

在借鉴国内外学者的实证研究成果并结合我国上市公司实际情况的基础上, 本文选取以下六个方面的30个财务指标来构建上市公司财务危机预警指标体系, 作为后面研究中使用的初始变量。

1.偿债能力指标。

流动比率 (X9) =流动资产/流动负债;速动比率 (X10) = (流动资产-存货) /流动负债;资产负债率 (X11) =负债总额/资产总额;产权比率 (X12) =负债总额/所有者权益总额;已获利息倍数 (X13) =息税前利润/利息费用;营运资本比率 (X22) =营运资金/资产总额。

2.营运能力指标。

存货周转率 (X16) =营业成本/平均存货;应收账款周转率 (X17) =营业收入/平均应收账款;流动资产周转率 (X18) =营业收入/平均流动资产;总资产周转率 (X19) =营业收入/平均总资产;固定资产周转率 (X20) =营业收入/平均固定资产净值。

3.获利能力指标。

销售毛利率 (X1) = (销售收入-销售成本) /销售收入;营业利润率 (X2) =营业利润/营业收入;总资产报酬率 (X3) =息税前利润总额/平均资产总额;净资产收益率 (X4) =净利润/平均净资产;每股收益 (基本) (X5) =归属于普通股股东的当前净利润/当期发行在外的普通股的加权平均数;每股净资产 (X6) =年末股东权益/年末普通股总数;市盈率 (X7) =普通股每股市价/普通股每股收益;盈余现金保障倍数 (X24) =经营现金净流量/净利润。

4.发展能力指标。

总资产增长率 (X14) = (年末总资产-年初总资产) /年初总资产;净利润增长率 (X15) = (本年净利润-上年净利润) /上年净利润;营业利润增长率 (X8) = (本年营业利润总额-上年营业利润总额) /上年营业利润总额。

5.现金流量指标。

销售现金比率 (X26) =经营活动产生的现金流量净额/销售收入;现金流动负债比 (X21) =经营活动产生的现金流量净额/流动负债;主营业务收入现金比率 (X23) =经营活动产生的现金流量净额/主营业务收入;现金债务总额比率 (X29) =经营活动产生的现金流量净额/负债合计;每股现金流量 (X27) = (经营活动产生的现金流量净额-优先股股利) /流通在外的普通股股数;每股经营性现金流量 (X28) =经营活动产生的现金流量净额/普通股股数。

6.其他指标。

总资产 (X25) ;审计意见 (X30) =无保留意见 (或保留意见、无法表示意见等) 。

三、实证研究

(一) 评价指标的最终确定

大量的财务指标虽然能够全面地反映企业整体的财务状况, 但在实际的分析处理中显然是不经济、不实用的。同时, 这些财务指标之间存在着相互影响的复杂关系, 不加处理地使用难免会导致预测精度的下降和预测结果的失真。所以, 在将这些财务指标代入模型应用前有必要进行处理和筛选。本文采用因子分析法确定最终的评价指标。

1. KMO统计量和Bartlett's球形检验。

KMO (KaiserMeyer-Olkin) 统计量和Bartlett's球形检验用于判断本研究中的数据是否适用于因子分析法, 检验结果见表1。

经计算, 本文数据的KMO值为0.712, Bartlett's球形检验显著。该数据做因子分析能够得出比较好的结果。

2. 因子个数的确定。

(1) 提取因子:主成分的累积贡献率。一般来说, 提取主成分的累积贡献率达到80%~85%就比较满意了, 可据此决定需要提取多少个主成分。

通过分析结果, 最终选取30个财务指标中的12个指标, 累计贡献率为80.332%。

(2) 因子旋转。本文使用正交旋转中最普遍的最大方差旋转法。所得结果如下:Z1负载较大的依次是总资产报酬率 (X3) 、每股收益 (基本) (X5) 、净资产收益率 (X4) 、营业利润率 (X2) 。这些都属于企业的获利能力指标, 因此Z1概括了收益性因子, 代表指标为总资产报酬率 (X3) 。

同理可得:Z2代表指标为现金债务总额比率 (X29) ;Z3代表指标为流动比率 (X9) ;Z4代表指标为固定资产周转率 (X20) ;Z5代表指标为应收账款周转率 (X17) ;Z6代表指标为盈余现金保障倍数 (X24) ;Z7代表指标为每股现金流量 (X27) ;Z8代表指标为产权比率 (X12) ;Z9代表指标为已获利息倍数 (X13) ;Z10代表指标为审计意见 (X30) ;Z11代表指标为市盈率 (X7) ;Z12代表指标为营业利润增长率 (X8) 。

(二) BP网络模型的设计及应用

1. BP网络模型的设计。

在进行BP网络模型的设计时, 一般应从网络的层数、每层中的神经元个数、激活函数以及学习速率等方面来进行考虑。

(1) 网络层数的确定。相关研究表明, 对于任何一个在闭区间内的连续函数都可以用单个隐含层的BP网络逼近, 而与单个隐含层相比, 包含两个隐含层的神经网络训练并无助于提高预测的准确率。这实际上已经为我们提供了一个设计BP网络模型的基本原则。本文选择单个隐含层的神经网络, 输入层根据因子分析法得出的结论选择节点个数为12, 输出层则选择1个节点以表示上市公司的财务状况。

(2) 神经元个数的确定。正如上面提到的, 网络训练精度的提高可以通过增加一个隐含层中神经元个数的方法来获得。这比增加更多的隐含层要简单得多。但究竟应选取多少个隐含层节点才合适呢?这在理论上并没有一个明确的规定。以下是最佳隐含层神经元个数的参考公式:

其中:k为样本数;s为隐含层神经元个数;n为输入层节点数;m为输出层节点数。实际中这些数据往往需要根据应用者的经验和多次试验来确定。

本文参考上面的公式及多次试验的结果, 最终选择隐含层神经元的个数为16。

(3) 激活函数。激活函数 (Activation Transfer Function) 是一个神经网络的核心。网络解决问题的能力与效率除了与网络结构有关, 在很大程度上还取决于网络所采用的激活函数。

激活函数的基本作用是:控制输入对输出的激活作用;对输入、输出进行函数转换;将可能无限域的输入变换成指定的有限范围内的输出。

常用的激活函数有:阈值型 (硬限制型) 、线型、S型。S型常用对数或双曲正切等一类S形状的曲线来表示, 如对数S型曲线函数关系为:f=1/[1+e- (n+b) ];而双曲正切S型曲线函数关系为:f=[1-e-2 (n+b) ]/[1+e-2 (n+b) ]。

考虑到输出层的期望输出数据为0或1, 本文将输入层到隐含层之间的传递函数确定为双曲正切S型曲线函数;将隐含层到输出层之间的传递函数确定为对数S型曲线函数。

(4) 学习速率。学习速率决定每一次循环训练中所产生的权值变化量。一般来说, 较大的学习速率在训练初始阶段并不成问题, 且能比训练中一般的学习速率产生更小的误差率。但如果学习速率过大, 使网络每一次的修正值过大, 则会导致在权值的修正过程中超出误差的最小值而永不收敛。避免这一情况发生的办法就是减小学习速率, 但较小的学习速率将导致较长的训练时间, 可能收敛很慢, 但能保证误差的最终收敛。所以在一般情况下, 倾向于选取较小的学习速率以保证系统的稳定性。学习速率的选值范围在0.01到0.8之间。基于上述原则, 本文选择的学习速率为0.05, 同时选择的误差为0.001。

2. BP网络模型的应用。

根据前述参数设计, 选取上面采用因子分析法最终得出的12个指标的数据作为输入值。输出参考值表示为0、1, 其中输出值越接近0, 表示上市公司财务状况越好;输出值越接近1, 表示上市公司发生财务危机的可能性越大。以0.5为分界点, 即输出值大于0.5的上市公司将发生财务危机;而输出值小于0.5的上市公司发生财务危机的可能性不大。隐含层神经元个数为16。中间层神经元激活函数设定为双曲正切S型曲线函数, 输出层神经元激活函数设定为对数S型曲线函数, 神经网络的训练函数选择运行速度较快的trainlm, 学习函数取默认值learndm。学习速率为0.05, 同时选择误差为0.001。

由前图可以看出, 网络误差在3次迭代之后迅速下降, 在5次迭代之后即降至目标误差0.001以下, 收敛速度相当快。同时可以看到, 经过5次迭代循环后, 性能函数计算的网络误差已缩小到0.00085442, 远低于0.001的预设精度, 可见所建立的BP网络模型具有优良的性能。

最后得出2007年样本公司t-1年的预测正确率, 如表2所示。

由表2可以看出, BP网络模型根据2007年样本公司t-1年的财务数据对发生财务危机与否的预测精度达到100%, 正确率非常高。

同理, 用BP网络模型得出2007年样本公司t-2年、t-3年的预测正确率, 见表3、表4。

可以看出, BP网络模型根据2007年样本公司t-2年的财务数据得到的整体预测正确率为68.25%, 其中第一类错误 (弃真错误) 率为32.35%, 第二类错误 (取伪错误) 率为31.03%;根据t-3年的财务数据得到的整体预测正确率为88.89%, 其中第一类错误 (弃真错误) 率为8.82%, 第二类错误 (取伪错误) 率为13.79%。

通过进一步的分析可以发现, 在t-2年、t-3年的整体预测结果中, 第一类错误 (同一公司两年的结果都为弃真错误) 率为5.88%, 第二类错误 (同一公司两年的结果都为取伪错误) 率为10.34%。即如果对同一公司连续两年的预测结果中至少有一个表明将发生财务危机, 那么其在一年后被ST的可能性为94.12%;如果对同一公司连续两年的预测结果中至少有一个表明将不会发生财务危机, 那么其在一年后不会成为危机公司的可能性为89.66%。

最后利用2008年样本公司t-1年、t-2年、t-3年的数据进行检验, 得到如下预测结果 (见表5、表6、表7) 。

2008年样本数据的检验结果显示:t-1年、t-2年的整体预测正确率同为88.46%, 其中t-1年的第一类错误 (弃真错误) 率为15.38%, 第二类错误 (取伪错误) 率为7.69%;t-2年的第一类错误 (弃真错误) 率为7.69%, 第二类错误 (取伪错误) 率为15.38%。t-3年的整体预测正确率为69.23%, 第一类错误 (弃真错误) 率为38.46%, 第二类错误 (取伪错误) 率为23.08%。

通过对t-2年、t-3年结果的进一步分析可以发现:第一类错误 (同一公司两年的结果都为弃真错误) 率为0, 第二类错误 (同一公司两年的结果都为取伪错误) 率为7.69%。即如果对同一公司连续两年的预测结果中至少有一个表明将发生财务危机, 那么其在一年后被ST的可能性为100%;如果对同一公司连续两年的预测结果中至少有一个表明将不会发生财务危机, 那么其在一年后不会成为危机公司的可能性为92.31%。

综上所述, BP网络模型在上市公司财务危机发生的前三年就具有一定的预测能力, 特别是t-2年、t-1年的预测结果有着较高的正确率。结合连续两年的预测结果进行分析, 对于判断上市公司的财务状况有着很高的准确性, 能够使投资者、债权人、监管机构及管理者及时发现问题, 从而作出正确的判断和调整。

四、主要结论与建议

第一, 通过对所选的六个方面的30个财务指标进行因子分析后发现, 大量繁杂且存在相互影响的财务数据通过科学的方法处理后, 可以精炼为少量的包含大部分信息的财务数据。具体到本文中即是以所提取的12个因子 (总资产报酬率、现金债务总额比率、流动比率、固定资产周转率等) 为代表的财务指标来替代所有的30个财务指标, 所含信息为总体的80.332%。在实际的经济活动中, 投资者、债权人、监管机构及管理者可以主要关注这些指标的变化和异动, 结合考虑其他具体因素, 能够对公司的财务状况作出一定程度的判断。

第二, 基于因子分析的结果, 本文以被ST公司前三年的财务数据建立BP网络模型, 对公司财务状况进行预测得出了比较准确的结果。从实证结果中可以看出:根据2007年被ST公司t-1年的数据得到的整体预测精度为100%, 根据t-2年的数据得到的整体预测精度为68.25%, 根据t-3年的数据得到的整体预测精度为88.89%。根据2008年被ST公司t-1年、t-2年的数据得到的整体预测精度均为88.46%, 根据t-3年的数据得到的整体预测精度为69.23%。这证明了所建立的BP网络模型对预测公司财务危机有一定的准确性和适用性, 特别是根据被ST公司前两年的财务数据进行的预测有着很高的精确度。虽然t-3年的预测结果不是非常理想, 但还是能起到一定的警示作用。同时经过进一步分析2007年、2008年的预测结果可以发现, 如果对某公司连续两年的预测结果中有一个表明会发生财务危机, 那么一年后该公司实际发生财务危机的可能性在90%以上;如果对某公司连续两年的预测结果中有一个表明不会发生财务危机, 那么一年后该公司实际不会发生财务危机的可能性在89%以上。这对于实际经济活动中投资者、债权人、监管机构及管理者了解上市公司财务状况、预测上市公司财务危机, 从而及时作出决策避免或减少损失有着非常重要的现实意义。

参考文献

[1].陈晓, 陈治鸿.中国上市公司的财务困境预测.中国会计与财务研究, 2000;3

[2].陈静.上市公司财务恶化预测的实证分析.会计研究, 1999;4

[3].谷祺, 刘淑莲.财务危机企业投资行为分析与对策, 会计研究, 1999;10

[4].彭韶兵, 邢精平.公司财务危机论.北京:清华大学出版社, 2005

[5].吴世农, 黄世忠.企业破产的分析指标和预测模型.中国经济问题, 1986;6

[6].杨淑娥, 黄礼.基于BP神经网络的上市公司财务预警模型.系统工程理论与实践, 2005;1