導言：作為寫作愛好者，不可錯過為您精心挑選的10篇神經網絡原理，它們將為您的寫作提供全新的視角，我們衷心期待您的閱讀，并希望這些內容能為您提供靈感和參考。

篇1

中圖分類號：TE328 文獻標識碼：A 文章編號：1009-914X（2016）03-0025-01

1.人工神經網絡的基本原理

目前人工神經網絡有四十種左右，結構、性能各不相同，但無論差異如何，它們都是由大量簡單的基本處理單元廣泛連接而成的。這種基本處理單元稱為神經元，也稱為節點，它是生物神經元的模擬物。最簡單的節點是所有輸入的加權和，并通過一個非線性函數輸出結果

決定一個神經網絡性質的要素有三個，即神經元特性、網絡結構、訓練方法（或叫學習方法）。所謂訓練方法是指網絡作什么方法適應或學習自動地形成網絡中各個節點之間相互連接的權系數及各個節點的閥值。由于這三個要素的不同形成了豐富多彩的各種網絡。在該項目的研究中，使用的神經網絡是多層感知器（Multilayer Perceptron）。

2.多層感知器

多層感知器是一種層狀結構有前饋神經網絡，它由輸入層，輸出層，一個或多個隱蔽層（hidden layer）組成，隱蔽層也稱為中間層，每個節點只與鄰層節點相連接，同一層間的節點不相連。一個三層感知器可產生任意復雜的判定區，多層感知器使用的激活函數是S型函數。按訓練方法多層感知器屬于監督學習型，訓練方法多采用誤差反傳播算法，簡稱BP算法。

3.誤差反傳播算法

函數（costfunction）最小化，估價函數等于期望輸出與網絡實際輸出差的平方和。只有對應當前輸出所屬類的那個輸出節點的期望輸出是1.0，其余所有輸出節點期望輸出是0.0。網絡訓練時，開始取一些小的隨機數（計算機自動生成），以這些隨機數作為網絡內部各個節點之間連接的權系數和各個節點上的閾值的初始值，然后，輸入所有訓練樣本數據，根據網絡求得輸出結果，計算實際輸出與期望輸出的差值，并按照一定的規則，不斷地修改節點間的連接權系數和節點內部的閾值，反復這一過程，直至權值收斂，并使估價函數降至可接收值。研究指出，真正的梯度下降法要求采取無窮小步長，權值改變的比例常數是學習率，學習率越大，權值改變量越大，網絡收斂速度越快，但學習率大會產生震蕩。為了增大學習率而不導致振蕩，可增加一個沖量項（momentum term）。

4.神經網絡油氣預測

本次研究對三維地震資料進行了層位標定和構造解釋，在構造解釋的基礎上分別提取地震屬性，按其XY坐標重新進行網格化，將所提地震屬性合并為一個整體。

該工區面積為1272平方千米，測線號1977-4639，共2664線，樣點數為1905242點。預測層位為孔二段（EK2）。根據所選樣本射孔井段深度及其試油結論，落實該段的含油氣井和干井。統計結果表明：

在EK2內選擇45口 （g107x1、g108、g143、g146x1、g2209、g61、g63、g68、g87、g89、g95、g996、g998、g999、n18、n20、n21、n22x1、n24、n59、n63、n69、n70、n73、n89、n91、wu7、y23、z19、z23、z25、z28、z31、z32、z34、z45、z46、z48、z49、z50、z52、z87、z88、z89、zx58）含油氣井；

應用神經網絡進行油氣預測，首先應用Landmark軟件提取地震層位屬性，其后的實現步驟為：

①將每個地震屬性在工區范圍內作歸一化處理，在此基礎上可獲得每一個地震道對應的地震屬性樣本。

②根據試油結論、地質分層數據表、射孔井段、井口坐標和井斜數據制作各砂層組和各井在該砂層組內的含油氣性數據表，以便生成供神經網絡學習用的訓練樣本集。上述數據及地震解釋層位數據的可靠性都將影響預測結果準確性。

③訓練樣本集構成的參考原則：選取部分井旁樣本組成訓練樣本集，留一部分井作為檢驗井，考核預測結果的可靠性。具體做法是：以射孔井段處的井下坐標在地面上的投影為原點，在指定的搜索半徑范圍內和指定產油氣井旁抽取若干個樣本作為含油氣樣本子集；在產油氣井周邊選擇部分無油氣井、并在無油氣井旁抽取若干個樣本作為無油氣樣本子集；將這兩個樣本子集合并在一起，便生成了訓練樣本集。

④將訓練樣本集提交給神經網絡，讓神經網絡學會有油氣和無油氣的分類方法，即計算神經網絡節點間的權系數。

⑤對工區內逐個樣本進行分類，從而得到油氣預測平面分布圖。

EK2訓練樣本集是由含油氣樣本和干樣本兩個子集構成，從45口產油氣井旁各抽取1-2個樣本（其中g998、n20、n70抽取了兩個樣本），組成48個含油氣樣本，又從c14、g129、z37等22口干井旁各抽取1-4個樣本（其中c14、g136、g137、g139、g157、g158、g194、jia6、x6、x7、y11抽取了2個樣本，g128、g9、g990、wu15、z37抽取了3個樣本，wucan1抽取了4個樣本）組成48個干井樣本，該層訓練樣本集的樣本總數為含油氣樣本和干樣本之和（96）。生成的訓練樣本集供神經網學習，“學習成績”可以用不在訓練樣本集中井的含油氣性來評判，即EK2的訓練樣本集共用67口井，用余下123口井（其中35口井為含油氣井，其余88口井為干井）的含油氣性來評價預測結果的可靠性。得到了EK2的油氣預測圖及頂面構造（等值線）與該層的油氣預測疊合圖。訓練樣本集選用了45口含油氣井和22口干井，其余123口井作為驗證井，EK2油氣預測成果圖（圖7-9）顯示，除了少數油氣井（如g120、w38）在油氣預測含油氣邊界處外，其余33口井均得到很好的驗證，表明預測結果具有較高的符合程度（即符合度為33/35*100%=94%）。

5.結論

本次研究對三維地震資料進行了層位標定和構造解釋，神經網絡對工區內逐個樣本進行分類，從而得到油氣預測平面分布圖。從分析結果看出，EK2含油氣的地方，其預測值大部分都落在0.5至1的范圍內，油氣預測成果圖展示了含油氣區域的有利范圍。從此次研究上看來利用神經網絡預測油氣是可行的。

參考文獻

篇2

Abstract：With the development of the power of electronics technology，due to a variety of new non-linear loads are growing has caused much harmonic in power system，active power filter is the effective way to harmonic and compensate for the elimination.The working principle of active power filter system are briefly analyzed for this paper，and proposed a detection method based on neural networks，which are mainly using neural network load caused by harmonic resistance，etc.for effective analysis，to the original filter detection of the corresponding power system fundamental active current of more complete and thorough simulation results validate the design theory and analysis results are correct.

Key word：Harmonic;APF;neural networks

1.引言

在我國的可以發展和社會進步過程中，特別是各種高科技的產品以及衍生物的出現，發展進程不斷加快，由于我國的地理結構，特別是資源分布不均決定了電網的地理結構配置，尤其是在惡劣環境狀況下長遠距離的電網配送傳輸，這樣不得不造成電能在傳輸過程中的出現諸多問題，基于越來越到的三相交流正弦設備電壓的穩定性，尤其是大量的非線性設備在交流電下產生的非正弦電流（電壓等）信號，造成了其電能的有效性利用和一系列諧波的干擾等等。有源電力濾波器（Active Power Filter，APF）則應運而生，其優點是可以抑制一些諧波來提高電能的穩定性和電能的質量，其中在諧波處理這一塊加入新型的神經網絡，如現今的BP、FFT神經網絡算法的運用在電力濾波器中，能夠在諧波的處理過程中更加的準確和穩定，極大地加快了效率和保證了電能的質量，也是目前市場情景很廣的一個重要課題。

2.電力諧波的檢測方法

在現代的電力系統中，尤其的當前的三相交流電無時不刻地出現各種干擾性諧波，影響電能質量和效率。在傳統的諧波檢測中有一些比較傳統的方法，特別在最初使用的無源濾波器進行簡單且原始地濾波，這種濾波器在使用的同時也帶來了很多的不便和出現更多新的問題，在后來也慢慢被淘汰。于是在后來演變了幾種比較常用的方法，每種方法有其各自特點及應用范圍，因此了解各種諧波檢測方法的優缺點及其適用場合對擬制諧波是非常重要的。就目前廣泛應用的是那些基于瞬時無功功率理論的p-q法，法和同步檢測法以及基于正弦函數正交特性法的檢測等方法，然后通過一些仿真比較各自的優缺點及適用場合，為有效擬制諧波提供理論及實際指導。分析及仿真表明，有效利用各種諧波檢測方法的特點進行諧波擬制是非常有效、實用的，這是充分利用其反向特點分析的。

2.1 檢測法

就目前大部分的諧波檢測而言，基本都是運用檢測法進行諧波檢測，在諧波檢測的基本工作原理是：將電壓或電感器輸出的電流信號轉化為電壓信號并進行適當的放大或縮小（根據實際信號的輸出情況進行放大或縮小）。首先指令運算電路就是諧波檢測的重要部分，其作用是在有源電力濾波器的補償作用下得出其補償電路的指令信號（電流信號），其中常用且最為重要的部分是三相電路的檢測方法，在實際生活中常用的有兩種：一種是電路諧波檢測法，另一種是無功電流檢測法。如下圖1是電路-諧波檢測的原理示意圖.其方法的基本原理是利用三相電壓源中的其中一項與同相位的正弦信號和相對應的余弦信號sinωt_cosωt，然后他們由一個相鎖環（PLL）和sinωt_cosωt信號的發生電路模塊得到。再根據定以及其公式計算出、。在圖中、是由、、產生的、于是由、可以計算出、、，進而計算出、、。運算公式如圖1所示。

圖1 三相電流諧波檢測原理示意圖

（6）

（7）

（8）

（9）

用給定這些式子可以理想化的酸楚相應的補償電流出來，這樣根據所需的參數量來進行可控補償。最終達到諧波抑制的目的。

2.2 基于神經網絡的電流檢測

在傳統的APF（有源電力濾波器）中，我們很難有準確的測量方法，即是根據理想化的公式也只能進行理想的運算，然而在實際運行過程中，其測量參數準確度的有很大差距，于是我們提出了一種基于神經網絡電流檢測方法，這樣在有源電力濾波器中有了很好檢作用，其神經網絡原理圖 如下圖2所視，它具有多種跟蹤捕捉參數的能力，也能更為快速、準確地檢測出來，達到的結果更接近理想值，在有源電力濾波器中加入運用神經網絡是現今以及未來的一個趨勢。

圖2 神經網絡結構圖 圖3 基于神經網絡的基本原理圖

3.建立相關模型并仿真

在APF的濾波基礎上加入需要的神經網絡模塊，更能有效且準確地檢測諧波并進行有效的補償，最終得到需要的電流（電壓）信號供日常實際生產。在被控參數的前饋期加入神經網絡，可以很好的前饋控制，這樣的優點是互惠產生不必要的延遲，同時可以減小工作時間。

3.1 模型建立

由于該研究主要針對于日常用的三相電力系統中，所以本文也是以三相交流為研究對象，其主要原理框圖如圖4所示

圖4 加入神經網絡的有源濾波的簡易原理框圖

我們可以很弄清楚地看到，濾波裝置（APF）中加入可控串補神經經網調節模塊，由圖中可以看出主要對一些交流電流等相關參數進行補償和抑制，在實際的運行環境中一系列的諧波、內外振蕩和非穩定因素等干擾就得到了很好的抑制和處理，電壓（電流）變得更穩定并且得到補償和提高，很接近預期理論計算值，最終改善了運行環境，提高了電能的質量，同時更能有效地節省資源和提高電能有用功率。在每個模塊達到自己的理論使用效果后，就可以很好地達到預期的結果。

3.2 仿真結果

本文研究對象主要是針對于三相交流電的電流參數進行測試，得到了一些列的仿真結果，基本能夠反映研究的基本目的。下列圖形分別給出了其三相交流電流諧波補償抑制的仿真圖像。

（1）當給定電壓在380v、50Hz、α=30°時，在給與一定負載，得到的電流波形圖如下圖5所示，諧波很明顯，三相正弦電流波形受到的干擾很明顯，在有源濾波器的作用，諧波得到了很好的抑制并且提供了相應的補償，是電流波形接近正常。

（2）當給定電壓為380V、50Hz、α=30°時，同時給與一定負載，得到的電流波形圖如下圖6所示，諧干很明顯，可知三相正弦電流波形受到的干擾很明顯，在有加入神經網絡后的有源濾波器的作用下，我們能夠很明顯地看到諧波得到了很好的抑制，且給予的補償也很充分，電流的曲線圖像變得更接近理想值，振幅也比以前增大了，從圖像中我們可以得出在神經網絡的作用下，有源電力濾波器的作用能夠發揮得更加充分和完善，也是我們研究的重點和趨勢。

4.總結

本文主要是在諧波污染現狀上，對諧波進行系統的研究，尤其是在諧波檢測的基礎上進行研究，并設計了一種基于神經網絡的有源電力諧波檢測法，利用神經網絡具有逼近任意非線性函數能力，響應快、超調小、誤差小、魯棒性好等一些優點，克服了有源電力濾波器補償性能不足，檢測效率低等缺點。其仿真結果表明基于該神經網絡的諧波檢測模塊的試驗中，可以得出其具有快速且準確的檢測抑制效果，對今后的諧波抑制方面具有很好的發展前景。

參考文獻

[1]楊軍，王兆安.三相電路諧波電流兩種檢測方法的對比研究[J].電工技術學報，2005，6（7）.

[2]王兆安，劉建軍.電力電技術[M].北京：機械工業出版社，2010.

篇3

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009―8097(2009)07―0120―04

教育資源是信息化教學的基礎。隨著教育信息化的深層次推進,互聯網中的信息資源以指數方式增長,這些資源不僅在內容上多種多樣,在表現形式上更是豐富多彩。它對教育領域的沖擊與滲透使得網絡教育資源的利用受到重視,并隨之出現了新型教學模式,如:基于資源的自主探索式學習和協作學習等。然而海量的網絡教育資源既為教育帶來了強大的服務功能,也為資源的建設與管理帶來了新的挑戰。教育資源具有數據量大、形式多樣、針對性強、教育性強等諸多特點,如何將分散、無序的資源整合起來,使“用戶能方便、高效地將其利用于自己的學習和工作之中,并在大范圍內實現共享是網絡教育資源建設者必須慎重面對的問題。”[1]

一 教育資源管理面臨的問題

隨著信息資源飛速增長,對教育資源管理的要求也更加苛刻。而網絡環境的復雜給教育資源的管理帶來許多不確定性。

1 教育資源管理系統在網絡過載,受到攻擊的情況下很容易崩潰。系統一旦崩潰,所有辛辛苦苦積累起來的資料化為烏有,資源的開發利用和共享無從談起。目前“教育資源管理系統在輸入錯誤、磁盤故障、網絡過載或有意攻擊情況下,很容易死機和崩潰。”[2]而魯棒性(robustness)的大小是在異常和危險情況下系統生存的關鍵,代表了系統健壯與否。簡而言之,系統的魯棒性有待加強。

2 教育資源管理系統需要連續不斷地吸收新的教育資源。向用戶提供可靠的信息輸出。但是在發生故障時,教育資源管理系統容易停止工作,給用戶帶來較大的損失。而容錯性(Fault Tolerance)是指在故障存在的情況下管理系統不失效,仍然能夠正常工作的特性。很明顯,管理系統的容錯性較差,猶如一個經常斷電的供電站,給廣大用戶帶來不必要的煩惱與損失。

3 教育資源的擴張速度極快,對海量教育資源的分類顯得越來越困難。原先的人為分類跟不上信息傳遞的頻率,導致很難在較短的時間內找到用戶迫切需要的資料,浪費用戶的時間,也給教育資源的進一步推廣使用帶來障礙。

二 人工神經網絡的特點

人工智能(Artificial Intelligence)是探討人類智能的基本機理,研究如何利用各種自動機來模擬人的某些思維過程和智能行為,從而構造智能人工制品的科學。

人類對人工智能的研究可以分成兩種方式,對應著兩種不同的技術:基于心理角度模擬的傳統人工智能技術和基于生理角度模擬的人工神經網絡技術。從人腦的生理結構來觀察,人腦的每個神經元大約有103~4個樹突及相應的突觸,一個人的大腦總計約形成1014~15個突觸。用神經網絡的術語來說,即是人腦具有1014~15個互相連接的存儲潛力。雖然每個神經元的運算功能十分簡單,且信號傳輸速率也較低(大約100次/秒),但由于各神經元之間的極度并行互連功能,最終使得一個普通人的大腦在約1秒內就能完成現行計算機至少需要數10億次處理步驟才能完成的任務。根據人腦的生理特點,人工神經網絡(Artificial Neural Networks,ANN)是由大量并行分布的單元廣泛互連而成,通過各組成部分非同步化的變換,實現信息的整體處理任務,它的這一結構特點決定著人工神經網絡具有高速信息處理的能力。它實質上是一種模仿動物神經網絡行為特征,進行分布式并行信息處理的算法數學模型。其“工作原理是通過調整內部大量節點之間相互連接的關系,從而達到處理信息的目的。” [3]所以它具有自學習和自適應的能力,可以通過預先提供的一批相互對應的輸入――輸出數據,分析掌握兩者之間潛在的規律,最終根據這些規律,用新的輸入數據來推算輸出結果。

人工神經網絡中神經元處理單元可表示不同的對象,例如特征、字母、概念,或者一些有意義的抽象模式。網絡中處理單元的類型分為三類:輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數據;輸出單元實現系統處理結果的輸出;隱單元是處在輸入和輸出單元之間,不能由系統外部觀察的單元。神經元間的連接權值反映了單元間的連接強度,“信息的表示和處理體現在網絡處理單元的連接關系中。”[4]人工神經網絡的本質是通過網絡的變換和動力學行為得到一種并行分布式的信息處理功能,并在不同程度和層次上模仿人腦神經系統的信息處理功能。正因為這個重要特征,“人工神經網絡采用了與傳統人工智能技術完全不同的機理,克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷,具有自適應、自組織和實時學習的特點。”[5]它與專家系統的最大區別是,專家系統屬于人類智能的功能模擬,而人工神經網絡則偏重走結構模擬的路子。與其它智能系統相比,人工神經網絡具有以下特點:

1 學習能力:學習能力是神經網絡具有智能的重要表現,即通過訓練可抽象出訓練樣本的主要特征,表現出強大的自適應能力。例如實現圖像識別時,只有先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網絡,網絡就會通過自學習功能,慢慢學會識別類似的圖像。

2 分布式結構:人工神經網絡力圖“體現大腦的分布式并行計算和非線性等特征,依此而建構的網絡是一種具有大量連接的并行分布式處理器。”[6]具有通過學習獲取知識并解決問題的能力,且知識是分布存儲在與大腦神經元突觸相類似的連接的權重中。在傳統的串行體系計算機中信息分布在獨立的存儲單元中,而在神經網絡中,信息則分散在神經元的連接上。神經網絡的信息分布特性,使之具有強大的容錯能力和記憶聯想能力。信息的分布存儲提供容錯功能。由于信息被分布存放在幾乎整個網絡中,所以,“當其中的某一個點或者某幾個點被破壞時,信息仍然可以被存取。系統在受到局部損傷時還可以正常工作。”[5]

3 并行處理:神經網絡主要是對人腦的結構模擬。各種神經元在處理信息時是獨立完成的,不同神經元之間具有并行性,這種并行處理使得信息處理速度大大加快。信息處理方式由原來馮•諾依曼設計的串行處理變為對信息并行處理。

三 人工神經網絡應用于教育技術資源的管理之中

將網絡布線由原來的星型布線轉向神經網絡布線方式。應用神經網絡軟件,網絡采用分布式結構,信息采用統一并行處理的方式處理,從而加強了網絡的魯棒性、容錯性。同時發揮神經網絡的自學習能力,對待不同的信息資源進行模式分類。神經網絡模型考慮采用目前比較成熟的誤差反向傳播網(BP神經網絡)。教育資源分類考慮設計關鍵詞進行訓練,同時設立樣本訓練方法,用BP算法對該網絡進行訓練。訓練結束之后,神經網絡就可以作為教育資源分類器來進行使用。

BP(Back propagation反向傳播)網絡又稱誤差信號反饋網絡,是神經網絡中使用最廣泛的一類。它是一種有教師的學習網絡,能夠實現從N維到M維的非線性映射,采用梯度下降法實現快速收斂。BP神經網絡采用的是并行網格結構,包括輸入層、隱含層和輸出層,經作用函數后,再把隱節點的輸出信號傳遞到輸出節點,最后給出輸出結果。由圖1可見各層次的神經元之間形成全互連連接,各層次內的神經元之間沒有連接。

該算法的學習過程由信息的前向傳播和誤差的反向傳播組成。在前向傳播的過程中,輸入信息從輸入層經隱含層逐層處理,并傳向輸出層。第一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到期望的輸出結果,則轉入反向傳播,將誤差信號(目標值與網絡輸出之差)沿原來的連接通道返回,通過修改各層神經元權值,使得誤差均方最小。神經網絡理論已經證明“BP網絡具有強大的非線性映射能力和泛化功能,任一連續函數或映射均可采用三層網絡加以實現。”[3]

其BP神經網絡模型設計方案如下:輸入層、隱含層、輸出層。輸入層與外界的信息來源渠道緊密相連,稱之為接受信息的服務器。隱含層包含若干個存儲器,代表若干個知識單元。存儲器需要具備輸入輸出渠道,具備自學習能力,可以接受外界信息,也可以傳送信息。輸出層由傳送信息的服務器組成。輸出層接受到隱含層傳來的信息之后,根據用戶要求傳送相關信息。層間聯接根據模型設計方案來鋪設。神經網絡中的每一個節點,無論其在輸入層、隱含層、輸出層上,每臺計算機上必須有相應的神經元器件,以便網絡進行自學與聯想記憶。BP神經網絡管理系統的硬件實現。是將協處理器插入標準計算機中,通過運行神經網絡軟件包,以實現神經網絡的硬件功能,可以使神經網絡在任何計算機硬件和軟件環境中得到所需要的教育資源處理能力。其設計的模型具有如下特點:

1 教育資源并行分布方式處理:在神經網絡中教育資源是分布儲存和并行處理的,即神經網絡把教育資源分布地存儲在神經元之間的連接強度上,而且對教育資源的處理是由網絡中神經元集體完成的。在BP神經網絡中,教育資源的存儲表現為神經元之間分布式的物理聯系,它分散地表示和存儲于整個網絡內的各神經元及其連線上。每個神經元及其連線只表示一部分教育資源,而不是一個完整具體概念。只有通過各神經元的分布式綜合效果才能表達出特定的概念和知識。由于人工神經網絡中神經元個數眾多以及整個網絡存儲容量的巨大,使得它具有很強的不確定性處理能力。即使輸入教育資源不完全、不準確或模糊不清,神經網絡仍然能夠聯想思維持在于記憶中事物的完整圖像。只要輸入的模式接近于訓練樣本,系統就能給出正確的推理結論。

2 魯棒性與容錯性比較強:人工神經網絡的結構特點和其信息存儲的分布式特點,使得它相對于其它的判斷識別系統如專家系統等,具有另一個顯著的優點健壯性。當一個人的大腦因意外事故受輕微損傷之后,并不會失去原有事物的全部記憶。人工神經網絡不會因為個別神經元的損失(網絡過載、停電、突發故障)而失去對原有模式的記憶(管理功能)。另外“即使是突發事件,暫時使網絡的硬件實現還是軟件實現中的某個或某些神經元失效,整個網絡仍然能繼續工作。”[7]BP神經網絡是一種非線性的處理系統。只有當神經元對所有的輸入信號的綜合處理結果超過某一閾值后才輸出一個信號。因此神經網絡是一種具有高度非線性的超大規模連續時間動力學系統,可以實現對教育資源不間斷、長時間的持續管理。它突破了傳統管理系統的局限,標志著教育資源管理能力的較大提升。因而神經網絡具有極強的魯棒性與容錯性,有聯想記憶抽象概括和自適應能力。

3 具有自學習和自適應能力:神經網絡抽象概括和自適應能力稱之為自學習能力,自學習是神經網絡中最重要的特征。通過學習,網絡能夠獲得教育資源的分類知識,適應環境。在訓練時,能從輸入、輸出的數據中提取出規律性的分類知識,記憶于網絡的權值中。并具有泛化能力,即將這組權值應用于一般教育資源分類的能力。另外,BP神經網絡的分類能力學習也可以在線進行。

以教育學院教育技術學資源管理為例,輸入層由兩臺高性能的服務器組成,中間設七個知識單元,輸出由兩臺輸出服務器組成。隱層的七個神經元分別為計算機軟件資源室、課堂教學資源室、“影視創作資源室、計算機教育應用資源室、網絡技術資源室、傳統教學資源室、傳統媒體使用資源室。”[8]模型圖如圖2所示:

教育技術學資源管理系統一種可編程的動力系統,其存貯、加工和提取教育資源均是可編程的。輸入層負責對教育技術學的相關教育資源進行篩選比較,然后根據學習后的分類能力對資源予以分類,將所有的教育技術資源分布式存儲在隱層的各神經元中,需要處理時根據用戶需要,從各個神經元中取出信息并行處理,輸出到輸出服務器中,提供給用戶。用戶可以將用戶要求直接給輸出處理平臺,傳遞給輸出層后,由輸出層將用戶要求反饋給中間隱層。也可以將要求送給輸入處理平臺,傳遞給輸入層,進行篩選之后將信息傳送給中間隱層。即使系統突然面臨網絡過載問題,由于存儲是分布式的,可以很容易地將信息資源分配下去。即使突然停電,由于相關資源已經存儲完畢,損失微乎其微。系統的魯棒性大大加強。同時如果系統發生突然故障,由于輸入渠道有兩條,所以可以很輕松地用另一個服務器處理。輸出處理時也是如此。因此系統的容錯性也得到提高。至于模式分類,則需要較長時間的訓練和大量的樣本。一旦BP神經網絡模型訓練完畢,日后教育技術學資源分類就顯得十分輕松。只需將關鍵詞輸入準確,便可以進入相應的知識單元存儲起來。處理信息時,根據用戶需要,有不少不同類別的資源需要統籌規劃、聯合利用,才能得到用戶需要的結果。這兒就可以充分發揮神經網絡并行處理的特點,有條不紊地對信息加以處理。其總體示意圖如圖3所示:

四 結語

教育信息化的核心問題是教育資源的應用和管理。神經網絡式的教育資源管理系統把教育資源存儲、教育資源管理、教育資源分類、教育資源動態升級四大特色功能進行整合,全面突破了“當前基礎教育信息化過程中的應用‘瓶頸’。” [9]其最大的特點就是突出了教育資源的管理功能,通過以一個統一管理平臺為核心的方式,對各類教育資源進行優化、整合,改善了以往教育資源管理從單一功能角度進行設計,各功能之間不能相互結合,造成資源管理困難和資源互不兼容的問題,實現了教育資源的價值最大化。值得注意的是,由于管理系統采用神經網絡的結構特點進行設計,其魯棒性、容錯性和模式分類能力較強,較之傳統教育資源管理方式比較起來,不僅提取和輸入變得十分簡單,而且對大量資源的分類式識別也大大加快,提高了管理效率。分布式存儲提高了教育資源的存儲容量,而“并行式處理又加大了教育資源的處理速度,同時系統在應付突發事件和網絡攻擊方面,應變能力大大增強,”[10]其可靠性與可用性也有突破性的提高。同時,在教育資源管理過程中,系統能抓住教育資源應用與管理過程中的關鍵問題,關注用戶的反饋,即時更新教育資源,加強了教育資源的建設,為教育信息化的持續發展提供了有力的保障。

參考文獻

[1] 余勝泉,朱凌云.教育資源建設技術規范體系結構與應用模式[J].中國電化教育,2006,(3):58-59.

[2] 穆肅.校本學科教學資源庫的設計和實現[J].中國電化教育,2004,(1):56-61.

[3] 周志華著.神經網絡及其應用(第1版)[M].北京:清華大學出版社,2004.

[4] 張廣瑩,徐麗娜,鄧正隆.“神經網絡控制”CAI課件研制中的幾個問題[J].現代教育技術,1997,(2):32-33.

[5] 韓立群著.人工神經網絡理論設計及應用(第1版)[M].北京:化學工業出版社,2002.

[6] 陶劍文.一種分布式智能推薦系統的設計[J].計算機工程,2007,(15):207-208.

[7] 王國旗,張辛亥,肖.采用前向多層神經網絡預測煤的自然發火期[J].湖南科技大學學報(自科版),2008,(2):20-22.

篇4

[中圖分類號]F270.7[文獻標識碼]A[文章編號]2095-3283（2013）01-00-02

一、 應用BP神經網絡的必要性

隨著經濟全球化和信息技術的加快發展，我國企業面臨著更為嚴峻的競爭壓力。為了適應現代市場需求，企業必須優化配置人力資源，并科學制定人力資源規劃。其中，科學的人力資源需求預測是人力資源開發和規劃的基礎，對人力資源管理活動將產生持續和重要的影響。

企業人力資源需求預測分析方法多種多樣。在進行人力資源需求預測時，企業要考慮的因素復雜多變，如企業的目標和經營戰略、生產狀況的變化、工作設計或組織結構的變化等，而且各種影響因素與預測結果之間的相關性難以用定量的方法表示出來，是非線性相互制約的映射關系。將BP神經網絡方法應用于人力資源需求預測領域，彌補和改進了人力資源需求預測分析方法，能較好地實現各指標與需求結果之間非線性關系的映射，對企業人力資源決策具有一定的參考和指導作用。

二、BP神經網絡的基本原理

人工神經網絡，簡稱神經網絡，是一種包括許多簡單的非線性計算單元或聯結點的非線性動力系統，是用大量簡單的處理單元廣泛連接組成的復雜網絡。Back-Propagation Network，簡稱為BP網絡，即基于誤差反向傳播算法的多層前饋網絡，是目前應用最成功和廣泛的人工神經網絡。它由輸入層、隱含層和輸出層組成。隱含層可以是一層或多層。BP神經網絡自身具有的非線性映射、自學習、自適應能力、容易實現并行計算等優點，彌補和改進了供應商選擇和評價方法，能較好地實現各指標與評價結果之間非線性關系的映射。

基于BP神經網絡，構建供應商的選擇評價模型，其基本思想為：假設輸入變量為X=（X1，X2，···，Xi）'，隱含層輸出變量為Y=（Y1，Y2，···，Yj）'，輸出層變量為Z=（Z1，Z2，···，Zl）'，期望輸出的目標變量為T=（T1，T2，···，Tl）'，Wij、Wjl分別為輸入層到隱含層、隱含層到輸出層的連接權值（如圖1所示）。對于i個輸入學習樣本X1，X2，···，Xi，已知與其對應的輸出樣本為Z1，Z2，···，Zl。通過BP算法的學習，沿著負梯度方向不斷調整和修正網絡連接權值Wij和Wjl，使網絡的實際輸出Z逐漸逼近目標矢量T，也就是使網絡輸出層的誤差平方和達到最小。

圖1三層BP網絡結構圖三、BP神經網絡在企業人力資源需求預測中的應用

根據上述BP神經網絡主要思想，以A公司為例，分析如何運用MATLAB工具箱實現基于BP神經網絡的企業人力資源需求預測。

1.樣本數據處理

選取年份、產值、資產總計、利潤4個指標作為輸入向量，從業人員作為目標向量（見表1）。在對BP網絡進行訓練前，應該對數據進行歸一化處理，使那些比較大的輸入仍落在傳遞函數梯度大的地方。本例采用MATLAB工具箱中的premnmx（）函數把數據歸一到[-1，1]之間，如表2所示。

對于BP網絡，有一個非常重要的定理。即對于任何在閉區間內的一個連續函數都可以用單隱層的BP網絡逼近，因而一個三層BP網絡就可以完成任意的n維到m維的映射。本例采用單隱層的BP網絡進行從業人員預測。由于輸入樣本為4維的輸入向量，因此，輸入層一共有4個神經元，網絡只有1個輸出數據，則輸出層只有1個神經元。隱含層神經元個數根據最佳隱含層神經元數經驗公式取15個。因此，網絡應該為4×15×1的結構。隱含層神經元的傳遞函數為S型正切函數tansig（），輸出層神經元的傳遞函數為線性激活函數purelin（）。

3.BP網絡訓練及仿真

建立網絡后，對表2中的數據進行訓練，訓練參數的設定如表3所示，其他參數取默認值。

訓練次數12100012目標誤差120.00112學習速率120.01訓練結果如圖1所示，可見經過52次訓練后，網絡的目標誤差達到要求。

圖1訓練結果網絡訓練結束后，運用MATLAB工具箱中的sim（）函數，將經過歸一化后的數據表2進行仿真模擬，獲得網絡的輸出，然后將運算結果通過postmnmx（）函數進行反歸一化處理，得到BP網絡預測值，最后檢查BP網絡預測值和實際從業人員數之間的誤差是否符合要求，如表4所示。

4.預測結果評價

圖2反映了該BP網絡較好地逼近了輸入矢量，即年份、產值（萬元）、資產總計（萬元）和利潤（萬元）與目標矢量，即從業人員（人）之間的線性關系。用BP神經網絡對現有人力資源狀況進行分析擬合，是人力資源需求預測的較理想方法。與傳統的人力資源需求預測方法相比，將BP神經網絡用于人力資源需求預測，克服了輸入矢量和目標矢量非線性、不符合統計規律的問題。BP神經網絡模型良好的容錯和自學習能力，調用MATLAB工具箱函數，使預測過程更易實現，可以更好地對人力資源進行規劃，提高人力資源預測精度。

圖2BP神經網絡的函數逼近結果將BP神經網絡應用于企業人力資源需求預測，能較好地建立起各影響因素與預測結果之間的非線性關系，是企業預測人力資源需求的一種較理想的方法。但BP神經網絡也存在著一些不足和問題。主要表現在學習速率太小可能會造成訓練時間過長；BP算法可以使權值收斂到某個值，但并不能保證其為誤差平面的全局最小值；網絡隱含層的層數和單元數的選擇一般是根據經驗或者通過反復實驗確定，網絡往往存在很大的冗余性，在一定程度上也增加了網絡學習的負擔。因此，BP神經網絡在企業人力資源需求預測領域的應用仍需根據企業自身實際情況做進一步的改進和完善。

[參考文獻]

[1]飛思科技產品研發中心神經網絡理論與MATLAB7實現[M]北京：電子工業出版社，2005.

[2]（美）海金（Simon Haykin）神經網絡原理（原書第2版）[M]葉世偉，史忠植譯北京：機械工業出版社，2004.

[3]叢爽面向MATLAB工具箱的神經網絡理論與應用[M]中國科學技術大學出版社，1998.

[4]劉躍基于BP神經網絡的人力資源估價研究[J]統計與信息論壇，2007（1）：96-99.

[5]艷明四種人力資源的定量預測方法及評述[J]統計與決策，2008（7）：30-32.

[6]國家統計局固定資產投資統計司，中國行業企業信息中心中國大型房地產與建筑業企業年鑒[M]北京：中國大地出版社，2003-2008.

篇5

1.互聯網經濟的特點對醫院審計的管理工作的現實意義

1.1有利于醫院審計網絡化信息技術體系

在互聯網經濟的作用下，醫院審計的管理工作也做出了相對的改新。在醫院內建構了網絡化的審計信息技術體系。此體系可以促使院內管理的高效性，還可以使醫院的經營方向及范圍更加的寬廣。使醫院內的各種經濟管理及經濟活動達到電算化形式的管理。有效提升院內的審計管理工作效率及質量。在互聯網經濟的作用下，院內審計的管理工作能夠把計算機這一科學技術與不同的審計軟件用在平時的院內審計工作中，在醫院中搭建起網絡化的信息技術審計體系，從而進一步地推動醫院運營管理，助力于社會經濟更進一層地發展。與此同時通過互聯網經濟的特點，使醫院審計管理所針對的對象、審計規模及其工作內容等一些層面都產生了相應的轉變。

1.2有利于?@現出醫院內審計工作的目的

在現今互聯網經濟的不斷發展中，醫院審計的管理工作是醫院整體管理的一個環節。其在醫院的持續進步中，有著非常主要的作用，醫院審計的管理工作可快速促進醫院的經濟發展。所以，醫院審計的管理工作一定參照醫院內部的工作主旨實行管理與發展，還應同時注重醫院內的財政工作管理，做好院內部的財務控制管理與財務的監督工作。使醫院審計和管理工作水平與質量得到有效地提升。醫院在審計工作的管理中，一定遵照相應的法律規定來實行相適應的管理，遵守國家規定的所有財務規定，達到醫院審計和管理工作良性地運營，體現醫院審計的管理工作目的，促進醫院更進一層地進步發展。如果想達到醫院審計管理工作的理想目的，就一定要把互聯網技術與計算機等科學技術應用到醫院審計的管理工作中，來取得相應的審計資格，整理相應的信息數據，在由信息系統進行相應地處理完善，給醫院審計和管理工作供應具有參照性的數據，給醫院的一些決策，提供信息數據的幫助，體現醫院審計的管理工作目的。

1.3有利于提高醫院審計工作的水準

在互聯網經濟的作用下，比較多的當代信息化技術己經普遍地在醫院的現實管理中得到應用，并且在醫院的管理過程中發揮了有效的作用，使醫院更進一層地進步發展。在醫院審計的管理中也使用了科學信息化的技術，通過計算機系統這一科技，在醫院審計和管理中建立完整的一套信息化的審計系統，如此不但能夠降低審計人員的工作量，還可以深一層的提升院內審計工作的管理質量及技能。可讓所有審計管理工作更為正規化、信息化，還可以在不同程度范圍內減少醫院審計的管理成本，保證審計管理的數據完善性與系統性，從而使醫院審計和管理工作水準得到有效地提高。

2.在互聯網經濟的基礎上提升醫院審計管理的有效措施

2.1通過計算機系統使醫院審計方法完善

在醫院的平時財務數據審計工作管理中的應用。在醫院的審計管理過程中，經常可見的財務數據審計工作，著重指出審計的工作人員對財務數據的研究與把握。在財務數據的審計工作中，可以參照工作中的現實狀況，利用計算機這一高科技來輔助平時審計管理工作。在現實平時財務數據審計的工作中，可以使用現代的一些審計相應的軟件，對相應的財務數據實行檢查、統籌、研究等相關的審計工作，能夠有利于提升財務數據的審計時效性與質量的保證。在財務數據審計的工作中，也能夠應用一些自動電算化的計算機這一高科技的系統，來對醫院財務數據審計工作施行審計的管理，以便提升審計的時效性。

2.2重視開發審計軟件，使醫院審計提高效率

在互聯網經濟這一網絡經濟的作用下，醫院審計的管理工作必須要利用信息、互聯網網絡等現代的科學技術，漸漸達成醫院審計的管理工作信息化技術的有效發展。在醫院內部組建起相應的對于審計管理的信息系統中，審計的工作人員一定要對有關的系統實行理解和學習，熟悉各種系統的準確功能，如此才可以在現實審計管理的工作中，嫻熟的應用審計管理的信息系統，保證審計信息的正確性與完善性。醫院在建設審計管理的信息化系統時，要重視審計管理信息系統的開發與更新。供給足夠的資金基礎，使之醫院信息系統能夠順利的開發和管理。還需對醫院審計管理工作做到較好地完善。所以在現實醫院審計的管理工作中，審計的相關工作人員要參加到醫院的審計信息系統的開發當中來，如此才可以及時地發覺其中存在的相關問題，并及時地實行對應地整合與更正。例如某一醫院的管理信息系統建構，完成了初步的以工作人員、財務、物質管理為主要的醫院管理信息系統的建設，其中對物質管理的系統環節包含固定資產的管理系統、物資的管理系統、設備器材的管理系統。組建醫院內部的相關財產調度平臺，活躍及提高了財產應用效果。每個科室能夠把本科室不用的資產公布到平臺上，這時有對此資產需求的科室就能夠在平臺上實行觀看并且申請使用。多種方式的終端平臺系統，全部參與、操作起來較為容易。所有關于設備的管理與使用人員都可以依照自己科室的需求，恰逢時宜地登錄系統進行操作，并可以實行查收、拍照、圖片上傳，操作的使用簡便、好學、容易理解、入手比較快。

2.3利用信息技術，搭建醫院審計信息化的本系

在互聯網經濟這一網絡化經濟的作用下，醫院也建構了相關的審計管理信息化系統，通過有關的審計概論、管理概論，使醫院內組成一個完善的一整套審計管理工作體系，能夠對醫院的全部經濟運行所帶來的財務數據信息實行有效及時地跟隨與及時監控，持續對醫院己有的審計管理工作信息系統加以改進完善，以便提升醫院審計的管理工作水準及質量。現當下醫院所組建的審計管理信息化系統是三個主要的部分所組成，第一個部分是，審計信息系統的專家系統，其著重能夠對審計的數據信息實行研究分析、匯報等相關工作；第二個部分是，審計的監控系統，其著重對醫院的財務信息實行及時的監控；第三個部分是，數據庫信息系統，其著重是把審計的數據信息實行匯總、調整。達到信息能夠共同享用。例如在博科yigo平臺的基礎上，開發醫院固定資產的管理信息系統。把博科yigo平臺的固定資產信息管理系統應用在醫院審計和管理工作中，可以較大的提升醫院內部的工作時效性，使醫院的經濟效益大大地增加，有利于醫院切實地達成嚴格實行節約的準則。其容易、簡單、好學的客戶操作界面和強有力的系統功效，在大多同種系統中突現而出。

2.4做好培訓，提高醫院審計工作人的計算機操作水準

篇6

中圖分類號：R197.324文獻標識碼：A文章編號：1007-9599 (2012) 04-0000-02

一、網絡經濟對醫院審計帶來的積極影響

（一）有利于加快醫院審計信息化建設

隨著醫院內部管理信息化、業務運行網絡化、會計信息電子化的廣泛建立，不僅使醫院各項經濟活動的會計處理工作均可以通過計算機系統和軟件自動完成，還使醫院的經營管理步入了信息化、網絡化的軌道。在這樣的網絡經濟環境下，醫院審計工作的范圍、對象、內容、方法等審計要素也隨之發生了較大的變化，對傳統的審計工作造成了巨大的沖擊。為了滿足醫院管理信息化的發展需求，醫院必須加快審計信息化建設，以改進傳統審計工作的不足，提高醫院整體信息化的建設水平。

（二）有利于實現醫院審計目標

醫院審計工作的目標在于緊緊圍繞本院工作重心，以強化財務管理和內部控制監督為主要任務，實現維護國家財經紀律、促進醫院健康發展的目標。所以，醫院必須采取先進、科學的技術方法，借助于網絡技術、信息技術和計算機技術對所獲取的審計憑證和信息資料進行加工處理，作為審計結果的評估、判斷依據，以此為醫院領導提供可靠的決策信息，從而確保審計目標的實現。

（三）有利于提升醫院內部審計質量

網絡經濟環境下，網絡信息技術已經廣泛被應用于醫院的日常經營管理活動中，醫院內部審計工作也不例外。審計工作利用現代科學技術，不僅可以極大地減輕審計人員的工作量，確保審計數據的準確性和完整性，還可以促進審計工作規范化、流程化，提高審計工作效率，降低審計管理成本，從而提升醫院內部審計工作水平和質量。

二、網絡經濟對醫院審計的管理策略

（一）運用計算機輔助審計方法

1.對醫院日常會計信息的審計。當前的醫院審計要求審計工作人員應對會計信息給予更多的分析，并利用計算機輔助審計來完成具體工作。首先，應多開發一些適用于計算機輔助審計的應用軟件，這樣便于審計人員借助這些審計軟件來對會計信息進行相應的檢查、測試、比較分析、統計、匯總等審計工作。如審計人員可以通過借助相應的審計軟件對醫院財務部門各個時期的指標進行比較，并從中找出異常狀況，以便于進一步加以調查和分析；其次，也可以借助會計電算化自帶的一些功能來完成審計工作。如審計人員可以利用會計電算化中的查詢過濾功能，將某些明細賬反映的醫療服務金額在指定數額以上的全部記錄顯示出來，借此來進行分析性復核；再次，使用辦公自動化軟件來輔助審計工作。如可借助EXCEL表格對材料成本差異核算進行復核。

2.計算機輔助審計信息管理與傳遞。在進行審計時，審計人員需要掌握大量的有關信息，如法律法規、被審計單位的具體情況、上一年度的審計底稿以及審計報告等等。在以往應用手工方式時，這些信息都是由人工進行整理和提供，既費時又費力，致使審計效率偏低。而利用計算機輔助審計，則可將這些信息全部存儲到計算機中，通過計算機的快速查找功能，便可以迅速、準確地找到所需的信息。因此，為方便審計人員開展工作，應建立審計法律法規庫、被審單位信息集料庫以及審計檔案庫等，同時還應提供相應的更新、維護以及查詢功能。

3.計算機輔助審計統計抽樣。在網絡經濟環境下，現代審計已經建立起了一套較為完善的抽樣技術。而將抽樣技術合理地應用于審計工作當中，是審計理論與實踐的一大重要突破，特別是統計抽樣比非統計抽樣更具科學性，其能夠準確地將抽樣誤差控制在指定的范圍以內。正因如此，計算機輔助審計的作用也隨之得以展現，具體體現在以下幾個方面上：其一，審計抽樣隨機數的選取。利用計算機輔助審計，則可通過程序編碼并借助計算機自身的功能來選取隨機數，既方便又快捷；其二，樣本選取。使用恰當合理的統計抽樣方法可以有效地避免抽取無代表性樣本的風險，從而達到迅速、公正、客觀的目的；其三，簡化計算。借助計算機輔助審計，能夠利用計算機的語言編輯功能，建立一些應用程序，并以此來計算有關的統計指標，如樣本量、總體估算值等等，只要運行這些程序便能夠快速地獲得結果。

（二）使用高效的醫院審計軟件

在信息化的前提條件下，審計人員需要大量的時間和精力去對醫院信息系統的具體功能進行了解，只有這樣才能夠確保處理的完整性、正確性以及合法性。而當一個醫院信息系統建設完成并投入使用以后，對其的改進要比設計研發更加困難，并且費用也會更好。為此，除應對已經投入使用的醫院信息系統進行審計外，還應加強事前和事中審計。這就要求審計人員應參與到醫院信息系統的設計研發過程當中，這樣能夠及時發現問題，并進行相應的改進。此外，專業的審計軟件也能夠幫助審計人員完成審計工作。但是由于各個醫院的信息系統都存在一定差別，統一性和標準性較差。針對這一問題，當前急需制定一個統一的數據格式標準或轉換標準。同時也應對審計軟件進行模塊化和程序化，從而方便審計人員在現場制定審計方案，這樣有利于審計工作的順利開展。

（三）建立醫院內部審計信息系統

醫院內部審計信息系統是以醫院信息系統和內部控制系統為基礎，結合內部審計理論、風險管理理論，通過對醫院經濟活動所產生的財務數據進行實時監控，從而完成對醫院整體資源審計管理的綜合信息系統。該系統由以下三個子系統構成：其一，審計專家信息系統。其主要技術功能包括審計抽樣和分析、審計取證、審計數據采集和轉換、審計工作底稿編制、審計信息交互共享、審計報告、審計規則庫定義和修訂等；其二，審計監控系統。該系統直接嵌入到醫院管理信息系統中，對財務數據資源進行實時監控；其三，數據庫系統。該系統利用數據庫技術實現內部審計數據與醫院管理信息系統的轉換，并將醫院內部審計數據與財務醫務信息進行集中、整合，而后對整個醫院數據實施共享。內部審計信息系統可以通過數據庫系統獲取所有財務數據信息，加強了對醫院日常經濟活動的審計，同時也可以利用審計專家系統對財務數據實施回歸分析、線性分析和統計分析，尤其能夠發現數據記錄中存在的疑點事件和違規行為，從而加強醫院管理風險的控制。

（四）做好審計風險防范工作

現階段，在網絡經濟環境下，計算機網絡技術的不斷發展，推動了其在管理領域中的應用，這使得以往傳統的管理、控制、檢查以及審計等技術均面臨著嚴峻挑戰。與此同時，國際會計公司、專業服務機構以及咨詢公司等都將風險防范，尤其是計算機網絡及信息系統的運行風險防范作為日常管理的工作重點。目前，網絡系統在醫院的應用日益普及，各類重要信息的載體也由傳統的紙張轉變為磁性介質。雖然這種介質在使用上比較方便，但是對其的保存要求卻相對較高，它很容易受到高溫、震動以及磁性物質的影響，這在一定程度上增大了保存風險。并且這種存儲媒體的可變性較強，極易被非法訪問和濫用。為了確保重要信息的安全性，必須加強風險防范。一方面可以通過制定相關的風險防范規章制度，如網絡管理規定、安全保密規定以及會計核算軟件安全運行管理細則等等；另一方面，還應不斷強化醫院內部控制，借此來保護自身的安全，進而保障會計信息的真實性、準確性以及可維護性，以此來降低審計風險。

（五）提高審計人員計算機水平

目前，理論基礎知識的缺乏以及計算機審計整體水平偏低等情況，已成為影響醫院內部審計信息化建設的主要因素之一，也在一定程度上阻礙了醫院的健康發展。針對這一問題，必須采取積極有效地措施予以解決。首先，應加大對審計人員的培訓力度。作為一名醫院內審人員不僅要熟練掌握先進的審計方法和審計工具，如審計軟件等，并且還要能夠將這些軟件有效地應用到實際審計工作當中，以此來提高計算機審計方面的專業水平。同時還應了解醫院財務、會計專業方面的相關知識，從而成為既懂醫院業務又熟悉計算機審計技術的復合型人才；其次，醫院應通過不斷引進具有較高審計水平及豐富計算機知識的人才，來提高醫院內部審計隊伍的整體水平；再次，在條件允許的前提下，醫院還可建立審計人員與計算機網絡及電子商務等方面專家全面聯合的機制，這種機制的建立也是當前解決醫院審計人員計算機水平偏低的有效途徑之一。

篇7

無論企業的性質如何，優先發展的信息化技術都為企業帶來十分可觀的效益，同樣，在醫院審計管理的過程中發展壯大醫院的建設必須得引進運用信息化技術。數據的管理與控制得益于可靠的數據庫支持，信息數據的保真則由健全的信息維護系統來保障，由此可持續長久的降低重復勞動率，操作更簡易方便控制，減少了繁復數據的查找使用時間，從而提升了信息數據的利用率，推進醫院管理更加有序化；除此之外，這也方便了醫療設備的采購，對于規模龐大的醫院而言，高效的有選擇有計劃的采購設備是非常重要的，醫療設備的價格之高可想而知，而設備信息化則為醫院節省下了數目不小的開支，其作用是毋庸置疑的。

2.有助于審計目標的實現

醫院審計的工作目標是維護國有財產不受侵犯，促進醫院和諧穩定發展在對財務有效管理和加強內控監督的基礎上。所以，醫院必須積極地引進并且采用世界領先的科學技術和有效可行的方法，借助當前網絡經濟的巨大影響力，通過先進的網絡技術和計算機技術處理審計材料和信息，從而使得審計結果更為準確和科學，為醫院領導做出決策提供更為可靠有保障的依據，最終對審計目標的實現無疑是十分有幫助意義的。

3.有利于提升醫院內部審計質量

在網絡經濟這個時代環境下，隨處可見網絡信息技術被廣泛應用于醫院的日常經營管理事務中，當然，醫院內部的審計工作也不例外。依托于現代的科學技術的審計工作，不僅實現了在極大減輕審計工作人員的工作量的基礎上保證審計數據的準確和完整，而且促進了審計工作在規范化和流程化的過程中工作效率的提升和管理成本的降低，從而提高醫院內部審計工作水平和質量。

二、網絡經濟下醫院審計的管理策略

1.充分運用計算機輔助醫院審計工作

當前，在醫院內部審計管理過程中，很多的審計人員的專業知識水平不夠，對醫院內部審計工作的認識不到位，業務操作不熟練，不能及時的將醫院財務狀況進行審查和匯總，因此，為了加強醫院內部審計工作效率，首先應該加強審計人員學習使用計算機輔助審計技術，對審計人員進行專業的技能培訓，定期對業務人員的職業技能進行考察和評價，深化審計人員運用計算機輔助審計的工作能力。其次，在審計人員對計算機技術有一定的掌握之后，應該積極引進和研發高效能的審計軟件，這樣可以有效的提高醫院審計工作效率，簡化審計流程，節約審計時間；再次，積極培訓審計人員利用會計電算化查詢和過濾信息，將一些會計分錄中反映資金變化的記錄顯示出來，并借此進行數據的審核和分析；最后，使用計算機辦公軟件進行審計工作輔助，例如可以利用excel進行表格繪制和公式計算。

2.利用審計軟件構建醫院審計系統

在信息化管理系統建設過程中，醫院審計人員應該不斷的開發和利用審計軟件，建立健全醫院內部審計信息管理系統，確保醫院審計工作的準確和完整。同時，要積極的利用審計軟件對系統進行審計和完善，并且針對當前各大醫院信息審計系統不統一的現象，應該制定統一的審計系統建設標磚，實現醫院審計信息系統的規范性和程序化，保證審計工作的有效進行。此外，醫院應該加強數據庫建設，通過完善數據庫將各種財務信息及時提供給審計人員，提高醫院日常的審計效率，同時對審計系統的數據庫進行科學分析，盡早發現數據中存在的問題和風險，從而提高審計工作的質量。

3.認真做好醫院審計風險的防范工作

在網絡經濟環境下，計算機和網絡技術不斷發展，在推動各個領域管理效率提高的同時，也使得網絡風險劇增。當前，網絡系統在醫院的應用不斷增加，各類信息的載體由過去的紙質變成的磁盤介質。雖然數字化的存儲可以有效提高存儲效率，方便使用，但是對其保存的要求也就更高，對溫度、濕度、震動等因素需要防護，這在一定程度上加大了保存風險，同時，這些磁性介質很容易受到網絡黑客的非法攻擊和盜取，因此，為了保證醫院審計系統的安全，必須加強磁性介質的保存環境保護，避免高溫、高濕，防止劇烈震動，同時，堅強防護軟件開發，防止黑客攻擊，確保審計信息系統的安全運行。

篇8

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 03. 034

[中圖分類號] F272.92 [文獻標識碼] A [文章編號] 1673 - 0194（2014）03- 0074- 05

人力資源危機在旅行社行業吸引人才、培養人才、留住人才的各個環節都有體現，影響旅行社行業人力資源管理的效果，影響旅行社行業的穩定與發展。因此，如何對旅行社行業人力資源危機狀況進行評判，進而采取應對措施，是當前旅行社行業人力資源管理的一個迫切任務。本文引入人工神經網絡中的BP網絡，構建河南省旅行社人力資源危機預警模型，以期提早應對危機。

1 BP網絡簡介

BP網絡由一個輸入層、若干隱含層和一個輸出層構成，是一種具有3層或者3層以上結構的多層神經元網絡，網絡中的神經元分層排列，它的左、右各層之間各個神經元實現全連接，即左層的每一個神經元與右層的每個神經元都有連接，而上下層各神經元之間無連接。每一層內神經元的輸出均傳送到下一層，這種傳送由連接權來達到增強、減弱或抑制的作用，除了輸入層的神經元以外，隱含層和輸出層神經元的凈輸入是前一層神經元輸出的加權和。每個神經元均由它的輸入、活化函數和閾值來決定它的活化程度。在人工神經網絡的實際應用中，80%～90%的模型是采用BP網絡或它的變化形式。BP網絡可以有多層，但前向三層BP網絡最具代表性，應用也最為廣泛。

2 基于BP網絡的河南省旅行社人力資源危機預警模型的構建

2.1 構建旅行社人力資源危機預警指標體系

人力資源危機預警指標體系由一系列能敏感反映人力資源管理活動狀態和結果表現的指標構成。筆者通過分析河南省旅行社人力資源危機現狀，遵循靈敏性、科學性、可測度性、相對獨立性、預見性和可比性等原則，篩選出獨立性較強、代表性較強和貢獻性高的最小評價指標體系，本文借助了專家打分的方法，各指標的具體值域范圍見表1。

2.2 建立基于BP網絡的旅行社人力資源危機預警模型

2.2.1 用主成分分析法對模擬數據進行預處理

根據表1，本文共模擬了8組數據（見表2），以建立基于BP網絡的河南省旅行社人力資源危機預警模型。

對表2中的極小值指標（如員工隱性流失率等）先取倒數，再利用SPSS統計分析軟件進行主成分分析，所得結果見表3。

本文共提取出6個公共因子，其特征值的方差貢獻率累積達到了96.044%（通常情況下，累積貢獻率達到85%即可）。本文選擇參數0.65作為劃分主要、次要指標的載荷系數臨界值，以滿足下一步研究的要求。最后得到由10項指標構成的新的人力資源投資風險預警評價指標體系，如表4所示。

2.2.2 BP網絡模型輸入節點的選擇

根據 Kolmogorov定理（即映射網絡存在定理），一個三層BP網絡即可在任意希望的精度上實現任意的連續函數 。因此，本研究中采用三層BP網絡模型。影響旅行社人力資源危機度的評價因子主要有人才引進率、招聘引進員工勝任度等10個，因此，可確定BP網絡的輸入層節點數為10。

本文選擇上述簡化后的10項指標作為BP模型的輸入節點。由于BP神經網絡的隱層一般采用Sigmoid轉換函數，為提高訓練速度和靈敏性以及有效避開Sigmoid函數的飽和區，一般要求輸入數據的值在0～1之間。因此，需要對輸入數據進行預處理。

進行輸入節點的輸入時，需要先對原始的模擬數據進行歸一化處理，將它們轉化為閉區間[0，1]上的無量綱性指標值。本著盡可能體現被評價對象之間的差異化原則，即使其離差平方和最大的原則，本文采用了極值處理法進行歸一運算：

若Mj = max{xij}，mj = min{xij} 則x′ij = ■

式中，xij為原始數據，x′ij∈[0，1]為歸一化后的無量綱性指標，其歸一化結果見表5。

2.2.3 BP網絡模型隱層節點的選擇

對于隱層節點的選擇是一個非常復雜的問題，因為神經網絡巨量并行分布的結構和非線性的動態特性決定了從理論上得到一個簡單通用的簡潔解析表達式或隱層單元確定公式是十分困難的，甚至是不可能的。隱層節點數的選擇與問題的要求和輸入輸出單元的多少都有直接關系：如果隱節點數過少，網絡不強壯，就不能識別以前沒有看到的樣本，容錯性就差，或由于網絡太小可能訓練不出來；但隱節點太多又會使學習時間過長，誤差也不一定最佳。因此，必定存在一個最佳的隱節點數，可用公式q = ■ + a作為參考。其中，q為隱含節點數，m為輸入神經元數，n為輸出神經元數，a為1 ～ 10之間的常數。

為使隱節點數更合適，本文將根據網絡的實際輸出與期望輸出矢量的均方誤差大小及訓練步數的多少來綜合確定，最終隱含節點選為9，其模型訓練精度最佳，訓練步數也最少。

2.2.4 BP網絡模型輸出節點的選擇

從表5中選出對應于新預警評價指標體系的數據再次進行主成分分析，步驟同前，所得結果如表6所示。

本文共提取出4個公共因子，其特征值的方差貢獻率累積達到92.232%。它們共同決定旅行社人力資源危機的狀況。

公因子1上載荷值大于0.65的指標有：招聘引進員工勝任度、培訓與員工需求吻合度、員工對評價制度和使用制度的滿意度，涉及旅行社人力資源危機的多個部分，可稱之為“綜合因子”；公因子2上的載荷值大于0.65的指標有：人力資本投資收益率、病假發生率，可稱之為“員工發展與保健因子”；公因子3上的載荷值大于0.65的指標有：員工對激勵機制的滿意度、缺勤率，可稱之為員工“價值取向因子”；公因子4上的載荷值大于0.65的指標主要有：員工離職增長率，主要是對員工流失指標的反映，可稱之為“員工流失因子”。

第一，計算各公因子的得分。由于在查找旅行社人力資源危機風險因素提出對策時，通常只研究各公共因子上的主要載荷指標，而不考慮其他冗余指標。因此，為使警情分析輸出更精確，從而能更準確地分析旅行社人力資源危機風險的內容，更有針對性地提出人力資源危機預警對策，本文忽略各公因子內部的冗余指標（載荷系數小于0.65的指標），只根據主要指標（載荷系數大于等于0.65的指標）的載荷系數，通過下列算式來計算各公共因子得分：

FP1 = ■

FP2 = ■

FP3 = ■

FP4 = ■ = t34

式中，tij是表中指標Xij均值為0、標準差為1的標準化變量；p為數組序號，p = 1，2，…，8。？搖

第二，以各公共因子的方差貢獻率占4個因子總方差貢獻率的比重作為權重進行加權匯總，得出各數組的最終因子綜合得分Fp：

Fp = ■

通過綜合因子Fp（見表7）來反映旅行社人力資源危機程度，據此制定相應的防范策略。BP網絡最后一層的傳輸函數Purelin使得網絡輸出可以是任意值，因此，本文將旅行社人力資源危機預警層次設置為4個級別，如表8所示，BP網絡的輸出層節點數為4，代表不同的旅行社人力資源危機等級，即安全、基本安全、風險和較大風險，4個等級對應的標準輸出分別為[1000]、[0100]、[0010]、[0001]。

依前分析輸出節點選擇4個，10組輸出的4個端子的數值就對應于10組人力資源危機預警指標數據所反映的旅行社人力資源危機狀況。

結合旅行社人力資源危機的表現形式，本文提出了以下人力資源危機等級所對應的標準（見表8）。

Ⅰ級狀態：旅行社人力資源各方面管理良好，沒有明顯危機跡象，處于安全狀態，但仍需注意各方面的情況，防止突發性危機的出現。

Ⅱ級狀態：旅行社人力資源各方面正常，基本看不出什么問題，不過需要提前采取相應措施以提防潛在危機和突發性危機的發生。

Ⅲ級狀態：旅行社人力資源出現危機，會帶來一定的損失，但不明顯，會對旅行社人力資源各方面造成一定負面影響。

Ⅳ級狀態：旅行社人力資源出現嚴重危機，對人力資源各方面造成非常明顯和嚴重的影響，甚至導致旅行社倒閉。

綜上所述，本文建立的BP網絡人力資源危機預警模型的構造為：10 × 9 × 4（即10個輸入神經元，9個隱層神經元，4個輸出神經元）。

3 基于BP網絡的旅行社人力資源危機預警模型的訓練和檢測

本文采用MATLAB工程計算軟件的神經網絡工具箱設計、訓練并檢測已建立的BP神經網絡預警模型。

3.1 基于BP網絡的旅行社人力資源危機預警模型的訓練

本文將表6歸一化后的前6組指標值作為BP網絡的輸入，由表7確定的風險程度矩陣作為與之相對應的期望輸出，導入MATLAB的圖形用戶界面――GUI（Graphical User Interfaces），即可創建網絡進行訓練。主要訓練參數設置如下（未提及的參數均采用默認值）。

（1） 訓練函數：TRAINLM函數，它適用于中、小規模網絡的函數擬合問題，收斂快，收斂誤差小。

（2） 權值調節規則：LEARNGDM函數，采用動量梯度下降方法對權值和閾值進行調整。

（3） 網絡層數：3層。

（4） 性能函數：MSE函數，表示輸出矢量與目標矢量之間的均方誤差。

（5） 期望誤差：ε = 0.001。

由圖1可知，當網絡訓練至第三步時，網絡性能達標。BP網絡模型的訓練輸出見表9，至此，BP網絡模型訓練完畢。

3.2 基于BP網絡的旅行社人力資源危機預警模型的檢測

同理，用第7、第8組歸一化后的指標數據及對應的風險程度矩陣作為模型檢測的輸入和期望輸出，檢測結果見表10。檢測結果表明，實際輸出與期望輸出十分接近，誤差滿足要求。

由此可以得出結論，基于BP網絡建立的旅行社人力資源危機預警模型是有效的，可以用這個經過訓練、檢測完畢的BP網絡危機預警模型對旅行社人力資源危機進行預警實證研究，以防范人力資源風險，保證旅行社企業良性運行，同時對整頓治理旅游市場秩序起到監督和促進作用。

主要參考文獻

篇9

高等教育是我國教育體系的最高層次,它直接影響了我國培養高層次人才的水平。近幾年隨著我國各個行業改革步伐的加快,高等教育的改革也在逐年加快,招生規模日益擴大,學生人數也在穩步增加。高層次人才培養的水平不應該只表現在數量上面,更加重要的是質量上的高標準。這必然對管理上提出了更加高的要求。全國已經有許多高校研究開發了各自的學生信息管理系統,但是市場上面還沒有一種非常靈活非常實用的學生信息管理系統軟件。因此本文研究的基于網絡環境的學生信息管理系統有一定的市場價值,下面主要就信息管理系統功能設計方面進行一定的探討。

 

這里的功能設計是指詳細的功能設計,在需求分析完成后,設計人員已經有了一個概要設計的功能描述,但是這個并不是軟件開發過程中可以使用的功能設計文檔,還需要對軟件的功能進行更加詳細的定義。本系統主要有下列功能模塊,如圖1。

 

1 用戶信息管理模塊

 

在用戶信息和用戶權限管理方面,學生信息管理系統設計采用了一套比較嚴格的用戶信息管理辦法。主要是采用三級權限分配機制,給不同級別用戶分配不同的權限,這樣可以防止非法用戶對學生信息的修改、刪除,保持學生信息的穩定和安全。

 

2 學生基本信息管理模塊

 

學生基本信息管理是比較重要的信息管理模塊,學生基本信息管理包括學生的基本信息(姓名、性別、出生日期等)和社會關系信息、學習簡歷信息的錄入、修改和刪除等,每屆學生畢業以后,需要對畢業生進行基本信息的轉換,將在校生信息轉換成校友信息,在每年新生開學的時候,需要新生的信息導入,并錄入學生的社會關系和學習簡歷信息,為學生在校信息的管理提供基本數據信息支持。

 

3 學生在校信息管理模塊

 

學生在校信息管理是學生在校各項信息管理的集合。

 

(1)學生學籍異動。

 

學生學籍信息記錄了每個在校學生的學籍情況,由于入學時學生的基礎、愛好和特長不一樣,基礎知識掌握的水平不一樣,那么領悟知識的能力和學生的基本素質也就不一樣,這難免存在個別學生的升降級、轉院系、專業等情況,以及學分制的建立和實施,學籍異動管理模塊具有處理學生學籍異動記錄的功能。

 

(2)學生獎勵處分管理。

 

這個模塊用于管理學生在校期間的獎勵和處分的信息,通過學生管理部分的信息錄入和撤銷,對學生在校期間的行為表現可以有一個明了的輪廓。

 

(3)學生獎學金信息管理。

 

隨著高等教育逐步實現收費上學,學校的獎學金的發放種類較多,獎學金管理模塊用于管理學生獲得獎學金的信息,對于學生操行評定的登記確定和學生就業的信息檢索有重要的作用。

 

(4)學生綜合測評信息管理。

 

在學生交費上學的同時,學校綜合測評的范圍占學生人數的60%,為了準確地將綜合測評獲得學生的登記、人數統計分析準確,并將現金通過銀行支付到“一卡通”上,要做到準確無誤的數據管理。

 

(5)學生上網登記信息管理。

 

為了讓在校學生充分享受學校的豐富網絡資源,學校在學生宿舍為學生安裝了校園寬帶網絡,學生通過到網管中心申請開通網絡以及交費的過程,實現了數據的共享和網絡資源的充分利用。

 

(6)學生宿舍信息管理。

 

學生宿舍管理屬于后勤管理的一部分,宿舍管理信息包括學生宿舍樓棟信息、宿舍信息,以及學生在宿舍的入住信息,宿舍信息的準確采集,為學校后勤人員對宿舍進行合理分配,新生入學宿舍的合理安排,以及學生所在宿舍信息的檢索提供了有益的幫助。

 

4 學生信息檢索與統計模塊

 

學生信息檢索是學生信息管理系統中開放的信息管理模塊,學生管理人員通過對學生信息檢索達到查詢學生信息的目的。

 

用戶檢索學生信息的方法:可以通過院系、班級來檢索,也可以通過學生生源地區、學生宿舍來檢索,還可以通過輸入學生學號檢索,檢索的方便性極大地提高了檢索的效率。檢索信息的完整,可以了解學生在校期間的學習、生活、獎懲等情況。

 

5 系統附件

 

系統附件是用戶和用戶之間以及用戶本人進行信息傳送和信息記錄的模塊,包括短信發送和閱讀,記事本,通訊錄,公眾論壇和單獨聊天室等。這些功能的開發大大方便了用戶之間的信息傳送,權限的分級管理,讓信息的安全得到了充分的保障。

 

6 系統數據備份與事件記錄模塊

 

系統數據備份和事件記錄包含以下二個方面的內容。

 

(1)數據備份和回復:數據備份和回復是網絡數據庫重要的環節,數據庫在運行的過程中不可避免的收到黑客的騷擾和攻擊,如何在受到攻擊時能照常保持數據庫的穩定以及在受到攻擊以后如何快速的回復數據庫,保持數據的完成和不遺失問題,我在這方面采用的是四個辦法,一是在服務器上安裝正版的操作系統,并保持服務器操作系統的及時更新;二是在服務器上安裝防火墻和防病毒軟件,拒絕和記錄非法用戶攻擊的記錄;三是利用軟件ghost,將操作系統和數據庫安裝在不同的驅動器上,在操作系統受到攻擊而癱瘓的時候,可以在20分鐘以內將操作系統恢復成受到攻擊以前的狀態;四是采用雙機備份的技術,在另外一個服務器上安裝相同的數據庫,這個數據庫在設定的時間內對重要信息進行備份,在主數據庫受到攻擊后能在5分鐘將數據恢復完成。

 

篇10

1.引言

許多金融學家和計量學家對發達國家成熟市場的波動性進行了廣泛的研究，但是在對股市的預測上，由于人們在知識、能力、經驗上存在著較大的差異，加之問題本身又具有很大的隨機性和高度的非線性，即使是一些金融專家、炒股高手對出現的同一復雜行情進行分析，往往也會得出不同的結論。此外，傳統方法還要事先知道各種參數，以及這些參數在什么情況下應作怎樣的修正。這都給預測股市帶來一定的困難。

基于以上股市預測的困難性，本文提出了人工神經網絡的預測方法。隨著計算機、人工智能尤其是專家系統的發展，人工神經網絡技術逐漸成熟并開始應用于各個領域。人工神經網絡（ANN，簡稱神經網絡）作為一種由大量簡單神經元廣泛相互聯接而成的非線性映射或自適應動力系統，恰好能有效解決股市預測處理中常見的困難，因此它很快在股市預測分析與處理領域得到了廣泛的應用。

2.BP神經網絡介紹

2.1 BP 網絡算法的基本原理

2.1.1 標準的BP 網絡算法的基本原理

BP(Back Propagation)網絡是反向傳播的多層前饋式網絡，是目前使用最為廣泛的一種人工神經網絡。它的核心是BP算法，一種對于多基本子系統構成的大系統進行微商計算的嚴格而有效的方法，采用最小均方差學習方式。BP 神經網絡的原理說到底就是給它一些輸入變量，然后就有一個輸出，輸出值的情況與實際的情況進行比較，差多少，然后再進行網絡的內部調整，屬于有導師的學習規則，使得網絡輸出與實際逼近。

神經網絡能學習和存貯大量的輸入―輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。人工神經網絡由非線性函數組成，而由一系列不同權重的線性過濾器組合而成：

2.1.2 BP網絡算法的優化

由于常用的BP算法主要缺點為收斂速度慢，局部極值，難以確定隱含層和隱含層的個數，使得在實際應用中BP算法很難應用，因此，出現了許多改進算法。BP算法的改進主要有兩種途徑，一種是采用啟發式學習方法；另一種則是采用更有效的優化算法，本文采用了動量法和學習率自適應調整的策略，從而提高了學習速度并增加了算法的可靠性。動量法降低了網絡對于誤差曲面局部極值的敏感性，有效地抑制了網絡陷于局部極小。

2.2 BP神經網絡的模型識別及步驟

模式通常指對事物的一種定量描述或結構描述，“識別”是指對客觀事物按其物理特征進行分類。模式識別的基本原理就是從待識別對象和理想標本之間若干特征的相似性推斷它們之間總體的相似性。BP神經網絡模式識別過程分為訓練階段和模式分類階段，分為初始化、數據與處理、網絡訓練以及模式分類四個步驟。以下利用實證分析來進行著四個步驟。

3.實例分析

下面以上證的某股600個交易日的股票價格收盤指數作為原始樣本數據，對上述神經網絡模型進行求解，預測20天的收盤價，與實際收盤價進行比較，并求出其誤差：

式中，表示第日的實際收盤指數，表示第日的預測值，表示誤差。主要按照如下幾部分來處理：（1）準備600個數據的時間序列，進行歸一化。BP神經網絡中每個神經元的輸出值由傳遞函數Sigmoid函數來計算，其輸出值的范圍是（0，1）；（2）留出最后20個數據，作為預測檢驗使用；（3）繪制圖像，包括實際值和預測值，能量函數；（4）分析實際和預測兩曲線的趨勢。

采用I-J-K學習模型，該模型是輸入層I個神經元，隱層J 個神經元，輸出層K個神經元。利用BP神經網絡模型訓練500次、800次、1000次的輸出值和期望值以及能量函數（或者叫誤差函數）E，結果見圖1到圖3。

通過上面的圖示，可以看到用BP神經網絡預測的效果比較明顯，這說明該模型適用于短期預測嗎，股市的波動在很多地區都是非常劇烈的，各種因素的綜合作用也使得長期股指的變動具有極大的不確定性，使得預測變得很困難。而BP網絡的算法原理和自學習的特點使其能夠充分挖掘出隱含在樣本數據中的規律性，實現從輸入空間到輸出空間的非線性映射，對樣本數據進行精確的擬合。從而BP神經網絡的方法對于股市上的一些很難看出規律的數據列的預測而言，無疑是一個比較精確的預測方法。

4.結論

本文介紹了股市的特點以及股市預測的困難性，提出了利用BP神經網絡的方法來解決股市預測問題。文章介紹了BP神經網絡算法的基本原理，BP神經網絡算法的優化，BP神經網絡模型識別及步驟，最后后以上海證券交易所每日股票價格收盤指數為分析對象，把原理應用于實際，利用BP神經網絡對股票價格收盤指數進行了短期預測，并計算出預測值和實際值的誤差。通過實驗發現該模型收斂速度快，預測精度非常高，對預測短周期內股指波動具有較強的適用性。

參考文獻

[1]高琴.人工神經網絡在股市預測模型中的應用[J].微電子學與計算機,2007年第24卷第11期.

[2]周翠紅,路邁西.線性回歸與人工神經網絡預測煤炭發熱量[J].煤炭科學技術,第37卷第12期.

[3]尹慶雙,奉瑩.人工神經網絡在第三產業就業分析中的應用[J].人口與經濟,2009年第6期.

[4]鄒文安,劉寶,姜波,楊春生.基于Excel 技術平臺人工神經網絡BP模型及應用[J].水文,第30卷第1期.

[5]康進,劉敬偉.非參數回歸估計與人工神經網絡方法的預測效果比較[J].統計與決策,2009年第23 期.