前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經網絡的實現范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡的實現范文第1篇

關鍵詞：BP神經網絡；VHDL；模擬與仿真

一、人工神經理論基礎

神經網絡又被稱為鏈接模型，其本身是模仿動物的神經網絡，并根據其行為特征分布式進行算法數學模型處理。在計算機上，人們可以利用并行或者串行的模式模擬仿真，實現人們自身的神經網絡模型算法。在特定應用情況下，進行神經網絡研究的目標則是高性能專用的神經網絡硬件。

神經元是人工神經網絡的基本單元，具有一定的信息處理方面的能力。對于輸入的內容，神經元可以簡單進行處理，能根據學習規則做好加權求和，并根據權值來獲取神經元的狀態輸出，以便對刺激進行處理。還可建立基于VHDL語言的神經網絡元件庫，它包括基本單元、控制單元兩個部分。

二、 BP神經網絡結構模型

BP神經網絡由輸入層、隱含層和輸出層組成，相鄰層之間的各個神經元實現全連接，每層各個神經元之間沒有連接。

BP算法正向傳播過程：輸入信號從輸入層輸入，經過隱含層傳向輸出層。如果輸出層的實際輸出與期望輸出一致，那么學習算法結束。基本控制單元用于建立隱含層和輸出層的神經元，主要解決信號運算后權值存儲問題，它主要包括加權乘法、神經元輸入信號的累加、非線性激勵函數的實現、權值存儲等基本模塊。

圖1中xi代表第i個輸入，wij代表輸入i和神經元j之間的權值（weight），yj是第j個輸出。如圖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（ ）是激化函數（如線性閾值的sigmoid函數等）。

三、神經網絡模型與仿真

clk產生脈沖信號，輸入端x1，x2，x3 分別置為011，100，101，權值初值設為0000，通過9個脈沖周期一次遞增到1000，將權值與輸入值進行運算，得出結果。在權值固定時，輸出取決于輸入，不同的輸入得到不同的輸出結果。而在權值變化時，輸出就由輸入和權值決定。

為了仿真的結果更直觀，代碼采用的每個神經元的3個輸入信號以及權值的位寬都為4，且帶有符號。權值共設了9個，采用9個時鐘周期將權值移入值。模擬與仿真的結果如圖2所示。

結果分析：模擬結果與結果一致，此仿真成功。

四、結語

基于VHDL編程實現簡單神經網絡的軟件模擬與仿真，從算法的提出到模型的建立，完整地體現神經網絡的可用性與優越性。文中所提的神經網絡模型是對單個神經網絡的模擬與仿真，以及基于二維數組的多個輸入輸出的大規模神經網絡的模擬。由于VHDL語言編程的靈活性，可以將編程下載到芯片用硬件實現對神經網絡的模擬，以提高系統運算的速度和可靠性。

參考文獻：

神經網絡的實現范文第2篇

關鍵詞：BP神經網絡 硬盤播出系統 電平診斷 人工神經網絡

中圖分類號：TN948.4 文獻標識碼：A 文章編號：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

硬盤播出系統是電視播出單位技術核心，其中又以電平值為重要的參數指標。系統的信息處理能力關系著視音頻質量的好壞，電平診斷方法是解決此問題的關鍵。電平診斷的目的是監測系統各重要結點的輸入輸出電平值，以該值作為參考判斷故障結點環節。正是由于電平診斷的必要性，許多致力于電平診斷的方法應運而生。隨著計算智能的興起，出現了一些有著模擬計算、全局分布、并行處理等的新技術，基于聯結主義(connectionism)的人工神經網絡就是這樣一種技術，它具有良好的自組織性和自適應性，具備處理各類非線性系統的數值分析功能。基于人工神經網絡的電平診斷的核心是模式識別與分類，人工神經網絡能根據自身結構特性對電平值作分類處理，使其與參考故障類對比，從而得出診斷結果。BP神經網絡是一種重要的人工神經網絡模型，它是一種多層前向反饋神經網絡，其權值的調整采用反向傳播的學習算法，它可實現從輸入到輸出的任意的非線性映射，已被廣泛應用在模式識別與分類領域。

1、BP神經網絡的工作原理

1.1 BP神經元特性

用表示第i個輸入信號，表示第i個輸入信號到神經元之間的權值或簡稱權。由生物神經元在軸突上產生興奮或抑制脈沖響應的特性使人工神經元對輸入信號與權值進行向量相乘，得出總該神經元的網絡輸入：

1.2 激活函數的選擇

激活函數主要有線性函數、非線性斜面函數、閥值函數和Logistic函數等。由于電平診斷的結果是一組二進制組合，所以，BP神經網絡的隱藏層激活函數采用logistic函數，而輸出層激活函數采用線性函數。

Logistic函數的一種簡單公式為：

線性函數為：

式中，a,b為常數。a代表放大指數，b代表偏移量。

1.3 實現電平診斷的BP神經網絡模型與算法

1.3.1 BP神經網絡模型

為實現電平值的輸入與期望輸出值的并行處理，BP神經網絡采用層次結構模型。該模型是兩層神經網絡，其中一層為隱藏層，一層為輸出層（圖1）。

設輸入向量為：

經過變換后的輸出向量為：

設該BP神經網絡的期望輸出向量為Y，則輸入樣本集為{ (X,Y) | X為輸入向量，Y為X 對應的期望輸出向量}

1.3.2 BP神經網絡學習算法

BP神經網絡算法步驟如下：

(1)用不同的小偽隨機數初始化輸出層和隱藏層的權值；

(2)初始化精度控制參數ε，學習率α；

(3)循環控制參數E=ε+1；

循環最大次數M；

循環次數控制參數N=0；

(4)while E>ε and N

N=N+1;E=0;

神經網絡的實現范文第3篇

本文提出了一種基于接收信號強度并結合BP神經網絡算法的一種新型定位方法。該方法首先建立一個定位環境模型，用有限數量的參考節點先組建一個無線傳感器網絡。然后采集樣本數據，讀取RSSI和實測盲節點的位置坐標，把這些數據用作訓練和測試BP神經網絡模型。最后把得到的BP神經網絡模型應用于具體問題并檢測應用效果。經實踐檢驗，該定位方法在短距離定位中比較可行，具有較好的定位性能。

【關鍵詞】無線傳感器網絡 BP算法 神經網絡 定位

隨著通信技術、嵌入式計算技術和傳感器技術的飛速發展和日益成熟，人們研制出了各種具有感知能力、計算能力和通信能力的微型傳感器。許多的微型傳感器構成了無線傳感器網絡引起了人們的極大關注。無線傳感網可以使人們在任何時間、地點和任何環境條件下獲取大量詳實可靠的物理世界的信息，將被廣泛地用于國防軍事、國家安全、環境監測、交通管理、醫療衛生、制造業、反恐抗災等領域。

傳感器節點的定位技術是無線傳感網絡的支撐技術。目前，廣泛使用的ZigBee無線傳感器網絡的原理是測量節點間的距離實現網絡傳輸，無線傳感器網絡定位技術通常采用的方法是在保證信號接收強度（RSSI）的基礎上進行測量。這種測量方法采取的主要方式是設置已知的參考節點，通過待定位節點接收到的RSSI值對該節點到各個參考節點的距離進行計算，再利用計算結果、采用不同的算法對目標點的坐標進行推導。本文對一種新型的定位方法進行了分析，此種方法得到未知節點坐標的途徑是利用待定位節點與多個固定參考節點間的RSSI值對BP神經網絡模型進行訓練得到的。

1 無線信號傳輸模型

根據無線通信的基本原理，無線信號在自由空間中傳播時信號隨傳播距離的增加而有規律的變弱。但是在一些復雜的環境里與自由空間相比，無線信號的傳播規律性比較差。即便是傳播距離相等，所測得的信號強度的差別也比較大。傳統的定位技術受接受信號強度的影響，利用無線信號傳播模型，利用擬合技術或憑經驗得到模型中的未知參數A和N，接著在傳播模型中代入信號強度值，計算出對應的距離，最后利用位置距離算法實現定位。此種方法的缺點是經驗性強，普遍適用性差，不能得到較高的精度。而且在復雜多變的空間環境中，接收信號強度（RSSI）與傳播距離（d）的關系就更加復雜多變。

2 用BP神經網絡擬合RSSI-d非線性函數關系

Kolmogorov定理對此的證明顯示，一個三層BP網絡可以實現所有連續函數，所以RSSI與距離d之間建立的非線性函數關系完全可以用BP神經網絡來擬合。誤差反向傳遞神經網絡是BP神經網絡的別稱。該網絡具有前反饋性，利用的學習方式是均方差。BP網絡同時具備輸入層和輸出層，另外還有一層或多層隱藏神經元結構。該種網絡的采用全局逼近方法的學習算法，所以該網絡的泛化和容錯能力都比較強。

3 BP神經網絡與無線傳感網定位方法

3.1 神經網絡模型建立

本文采用RSSI方法測量盲節點與各參考節點之間的距離，參考節點固定，盲節點通常是移動的，盲節點每隔一定時間發送一次廣播信息，參考節點將監聽到廣播信息后，將測得的各RSSI值發送至中心盲節點，盲節點收集好信息后再發送給協調器及上位機。

3.2 樣本數據庫建立

通過對訓練樣本的學習，BP網絡才能獲得節點位置預測的能力。一般來說，訓練樣本數量越多，BP神經網絡預測能力越強，所以為了提高定位的精準度，應適當多采樣來訓練樣本，同時采用平均值法使樣本數據更有效。

3.3 BP神經網絡參數確定

本文采用3層的BP神經網絡來實現，只包含一個隱含層。基本BP算法采用梯度下降法使得誤差均方趨向最小，直到達到誤差要求。經比較發現，traincgf算法收斂速度快，并且可沿共軛方向達到全局最小點，適合應用于節點位置估測；隱含層節點數對BP神經網絡的預測精度有較大影響，隱含層節點數過多會增加訓練網絡的時間，網絡容易過擬合。本文取經驗值3為隱含層節點數，經仿真驗證，可達到很好的效果。

4 仿真結果分析

不同測距誤差下BP定位算法與最小二乘估計法的比較：BP定位算法與最小二乘法定位效果表中，進行一千次實驗后得到的BP定位算法，利用參考節點與盲節點之間的坐標得到最小二乘法的數據。定位結果到未知節點真實值之間的距離成為定位誤差，通過比較BP定位算法得到的平均誤差與較之最小二乘估計法得到的誤差，前者的誤差較小。圖1中顯示，隨著誤差的增大，與最小二乘估計法相比BP定位算法得到的誤差增大速度慢。可以說，當測距誤差較大時，BP定位算法有較大的優勢，由此可以說明BP定位算法的定位性能比最小二乘估計法好。

5 結語

定位技術是無線傳感器網絡的關鍵技術，對提高生產效率、人員安全檢查具有重要意義。將智能算法與實際測量相結合，提高了定位精度。具體應用時，可以將C語言編程實現BP神經網絡，將編程實現的BP神經網絡封裝成單個函數的形式，此函數的輸入即為RSSI值，輸出即為對應的距離d。

參考文獻

[1]王小平，羅軍，沈昌祥.無線傳感器網絡定位理論和算法[J].計算機研究與發展，2011（03）：353-363.

[2]王福豹，史龍，任豐原.無線傳感器網絡中的自身定位系統和算法[J].軟件學報，2005（05）：857-868.

[3]吳黎愛.基于不同網絡模型的無線傳感器網絡定位算法研究[D].南昌航空大學，2012.

[4]任梅.基于無線傳感器網絡定位技術的研究[D].西安電子科技大學，2013.

[5]張穎.無線定位優化算法的研究[D].西安郵電學院，2011.

作者簡介

衣治安，碩士學位，現為東北石油大學計算機與信息技術學院副院長，主研領域為計算機網絡。

馬莉，碩士研究生。

神經網絡的實現范文第4篇

本文利用人工神經網絡的鋼材表面缺陷快速識別系統以及BP神經網絡的缺陷檢測和分類的方法，實現鋼材表面疵病的準確檢測與分類。選用Matlab作為系統軟件工具，以BP神經網絡作為其缺陷檢測的計算方法，實現冷軋帶鋼表面缺陷檢測技術的軟件方案設計，完成BP神經網絡在鋼材表面缺陷檢測的應用研究，滿足帶鋼生產線的表面缺陷檢測要求。

關鍵詞：缺陷檢測；人工神經網絡；BP神經網絡

中圖分類號：TN711 文獻標識碼：A 文章編號：

冷軋帶鋼已成為汽車生產、機械制造、化工、航空航天、造船等工業不可缺少的原材料，在國民經濟中占據重要地位。而鋼材表面缺陷是影響帶鋼質量的重要因素，因此，表面缺陷的識別檢測對提高帶鋼的質量具有十分重要的意義。

本文根據鋼材表面的缺陷情況，研究需要系統識別的常見鋼材表面缺陷類型，結合表面缺陷檢測系統的主要技術要求，提出基于人工神經網絡的鋼材表面缺陷識別系統的總體方案。利用計算機和圖像采集設備，使軟件和硬件協同配合，實現圖像信息的實時采集及處理，為BP神經網絡的訓練學習建立鋼材表面缺陷數據庫，通過訓練可以實時自動識別鋼材表面存在的缺陷。

1BP神經網絡的基本原理

BP（Back Propagation）神經網絡是一種神經網絡學習算法，全稱基于誤差反向傳播算法的人工神經網絡。它是目前研究最多、應用最廣泛的神經網絡模型之一【1】。BP網絡是一種多層前向反饋神經網絡，把樣本的輸入輸出變成一個非線性優化問題，使用了最優化中最普遍的梯度下降算法，用迭代運算求解權值，它可以實現從輸入到輸出的任意連續的非線性映射。BP網絡主要用于函數逼近、模式識別、數據壓縮等。BP神經網絡由輸入層、隱含層和輸出層三部分組成，其結構如圖1所示。

圖1BP神經網絡結構示意圖

Fig. 1 The BP neural network structure diagram

BP神經網絡在具體工作之前必須通過學習獲得一定的“智能”，才可以在實際的應用中取得良好的效果。其學習由四個過程組成：

第一是輸入向量由輸入層經隱含層向輸出層的“正向傳播”過程；

第二是網絡實際輸出與網絡的希望輸出之間的誤差信號由輸出層經隱含層向輸入層逐層修正連接權值的“誤差反向傳播”過程；

第三是由“正向傳播”與“誤差反向傳播”的反復交替進行的網絡“記憶訓練”過程；

第四是網絡的全局誤差趨向極小值的“學習收斂”過程。

2BP算法在鋼材表面缺陷識別的具體實現

為了使用BP神經網絡實現鋼材表面缺陷檢測方法研究，首先需要對鋼材圖像進行預處理，去除圖像噪聲，并進行圖像增強處理，保留圖像重要信息；然后，從樣本圖像中選擇部分有缺陷的圖像，進行樣本圖像分割，分割成適合網絡訓練的特征圖像，并將分割結果分類為正常圖像和缺陷圖像樣本集合；再使用各種圖像特征提取方法分別提取出正常圖像和缺陷圖像的特征值，構成BP神經網絡訓練集合；再將訓練集合輸入BP網絡訓練器中，按照設定參數，設置選定精度，進行網絡權值訓練，得到所需的分類器；最后將測試樣本輸入分類器中，實現最終的缺陷分類識別。

系統選用Matlab作為系統軟件工具。Matlab中專門編制了大量有關BP網絡的工具函數，為BP網絡的應用研究提供了強有力的便利工具【2】。BP網絡的設計過程如下：

（1）輸入訓練樣本

缺陷的出現會破壞其所在區域灰度值的排布規律，基于此先從帶缺陷圖像的缺陷區域截取圖像，再從無缺陷的圖像中截取相同大小的圖像，然后從這些圖像中提取特征向量【3】。對特征向量X進行歸一化，再進行主分量分析進行降維處理，最后把處理后的特征向量的每一列作為一個樣本輸入神經網絡。

（2）初始化網絡

采用initff函數初始化網絡。在建立網絡對象的同時，自動調用初始化函數，根據缺省的參數對網絡的連接權值和閾值進行初始化。initff函數格式：

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

式中：w1表示隱含層神經元與輸入層神經元之間的連接權重系數矩陣；

w2表示輸出層神經元與隱含層神經元之間的連接權重系數矩陣；

b1、b2表示隱含層和輸出層神經元的閾值矩陣；

p表示輸入樣本矩陣；

s1、s2表示隱含層和輸出層神經元個數；

f1、f2表示隱含層和輸出層激活函數形式。

運行initff函數，系統能自動根據給定的p,s1,f1,s2,f2的值對w1,b1,w2,b2賦予一個初始值。

（3）訓練網絡

采用trainbp函數訓練網絡。用基本梯度下降法訓練網絡函數進行BP網絡訓練，獲取最終的權值與閾值矩陣。trainbp函數格式：

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

式中：t表示輸出樣本矩陣；

te為網絡的實際訓練步數；

tr為訓練過程中的誤差平方和；

tp為網絡訓練參數。

選擇訓練參數tp進行訓練，tp=[df,me,err,lr]

式中：df是指定兩次更新顯示間的訓練次數；

me是指定訓練的最大次數；

err是誤差平方和指標；

lr是指定學習速率，即權值和閾值更新的比例。

trainbp函數以w1，w2，b1，b2的初始值和給定的f1，f2，p，t，tp開始訓練，使當輸入n時，網絡的輸出為目標矢量t。當訓練過程中誤差平方和小于等于目標誤差平方和或者訓練步數到達給定的最大步數時，停止訓練。此時的w1，w2，b1，b2的值就是已訓練好的網絡參數。

（4）網絡仿真

采用simuff函數對網絡進行仿真。在網絡訓練前后分別進行輸入輸出的仿真，以做比較，從而對網絡進行修改評價。simuff函數格式：

a=simuff(p，w1，b1，f1，w2，b2，f2) (3)

式中：a表示訓練好的BP網絡的實際輸出；

w1、w2、b1、b2 是訓練好的網絡參數；

p、f1、f2 與（1）式相同。

網絡訓練后，形成穩定的權值和閾值，使網絡輸入和網絡輸出形成了較好的映射，從而可以對其他輸入樣本進行輸出參數的預測。

3實際應用情況

從現場采集冷軋帶鋼樣本，并對這些樣本中的缺陷進行標定。將測試樣本圖像輸入神經網絡檢測缺陷區域，得到每類樣本的缺陷區域。將所有原始訓練樣本、測試樣本圖像，按照前面的預處理方法進行預處理，然后按照同樣的分割方式進行分割，提取出樣本塊的特征信息，構成一序列的向量，輸入已經訓練完成的分類器，進行缺陷識別，檢測出樣本的缺陷區域。

經工業現場實踐表明，經過訓練的BP神經網絡分類器對表面缺陷的識別分類較好,基本上能夠滿足帶鋼表面缺陷的分類識別要求。但是，神經網絡技術也存在訓練過程緩慢、需要大量的訓練數據、對其決策過程無法得到透徹理解、參數的設計無規律可循等缺點。

事實上，基于BP網絡的分類器只能識別BP網絡已知的模式類別。如果出現了新的模式類別，分類器就不能正確地識別，只能再次對分類器進行訓練，也就是說分類器沒有自學功能。因此，在優化BP神經網絡參數的基礎上，我們可以考慮將現在已經構建的BP神經網絡模型的分類器，分解成兩步來實現表面缺陷的分類，即首先構建神經網絡來對把缺陷和非缺陷識別分類開來，然后再對缺陷進行分類，以期提高分類識別的準確率。我們還需要研究基于其它神經網絡模型的分類器，利用各自的長處，實現分類器的融合，并使分類器具有自學的功能，對新出現的缺陷能夠記憶識別的功能，更好的滿足工業現場的要求。

參考文獻

[1]王婷,江文輝,肖南峰.基于改進BP神經網絡的數字識別.電子設計工程.2011,19(3):108-112.

神經網絡的實現范文第5篇

[關鍵詞] 超市財務 風險預警 BP神經網絡

財務管理貫穿于超市管理的全部過程，既是超市管理的突破口，又是超市運行的控制點，也是超市發展的落腳點，超市財務風險是急需研究和防范的重要課題。本文建立了超市財務風險預測指標體系，采用BP神經網絡的研究方法，完成了對指標體系的風險預測模型的建立，并通過MATLAB神經網絡工具箱對建立的BP網絡模型進行訓練和仿真實驗，用以預測超市的財務風險。

一、超市財務風險分析

超市的財務活動貫穿于超市營銷的整個過程，籌措資金、長短期投資、分配利潤等都可能產生風險，根據風險的來源可以將財務風險劃分為：

1.籌資風險

由于資金供需市場、宏觀經濟環境的變化，超市籌集資金給財務成果帶來的不確定性。籌資風險主要包括利率風險、再融資風險、財務杠桿效應、匯率風險、購買力風險等。

2.投資風險

超市投入一定資金后，因市場需求變化而影響最終收益與預期收益偏離的風險。超市對外投資主要有直接投資和證券投資兩種形式。投資風險主要包括利率風險、再投資風險、匯率風險、通貨膨脹風險、金融衍生工具風險、道德風險、違約風險等。

3.經營風險

經營風險又稱營業風險，是指在超市的經營過程中各個環節不確定性因素的影響所導致超市資金運動的遲滯，產生超市價值的變動。經營風險主要包括采購風險、存貨變現風險等。

4.存貨管理風險

超市保持一定量的存貨對于其進行正常經營來說是至關重要的，但如何確定最優庫存量是一個比較棘手的問題，存貨太多會導致產品積壓，占用企業資金，風險較高；存貨太少又可能導致原料供應不及時，影響超市的正常銷售，嚴重時可能造成商品短缺，影響企業的信譽。

5.流動性風險

流動性風險是指超市資產不能正常和確定性地轉移為現金或企業債務和付現責任不能正常履行的可能性。從這個意義上來說，可以把超市的流動性風險從企業的變現力和償付能力兩方面分析與評價。由于超市支付能力和償債能力發生的問題，稱為現金不足及現金不能清償風險。由于超市資產不能確定性地轉移為現金而發生的問題則稱為變現力風險。

二、超市財務風險的成因

超市財務風險產生的原因很多，既有超市外部原因，也有超市自身的原因，而且不同的財務風險形成的具體原因也不盡相同。超市產生財務風險的一般原因有以下幾點：

1.超市財務管理的宏觀環境復雜多變，而超市管理系統不能適應復雜多變的宏觀環境

超市財務管理宏觀環境的復雜性是超市產生財務風險的外部原因。財務管理的宏觀環境包括經濟環境、法律環境、市場環境、社會文化環境、資源環境等因素，這些因素存在企業之外，但對企業財務管理產生重大的影響。宏觀環境的變化對超市來說是難以準確預見和無法改變的，宏觀環境的不利變化必然給超市帶來財務風險。財務管理環境具有復雜性和多變性，外部環境多樣化可能為企業帶來某種機會，也可能使超市面臨某種威脅，而給超市理財帶來困難。目前，我國許多超市建立的財務管理系統，由于機構設置不盡合理，管理人員素質不高，財務管理規章制度不夠健全，管理基礎工作不夠完善等原因，導致超市財務管理系統缺乏對外部環境的適應能力和應變能力，具體表現在對外部環境不利變化不能進行科學的預見，反應滯后，措施不力，由此產生財務風險。

2.超市財務管理人員對財務風險的客觀性認識不足

財務風險是客觀存在的，只要有財務活動，就必然存在著財務風險。然而在現實工作中，許多超市的財務管理人員缺乏風險意識。風險意識的淡薄是財務風險產生的重要原因之一。

3.財務決策缺乏科學性導致決策失誤

財務決策失誤是產生財務風險的又一主要原因。避免財務決策失誤的前提是財務決策的科學化。目前，許多超市的財務決策都存在經驗決策及主觀決策現象，家長制、一言堂的工作作風在超市的管理中仍然普遍存在。由此導致的決策失誤經常發生，從而產生財務風險。

4.超市內部財務關系不明

這是超市產生財務風險的又一重要原因，超市與內部各部門之間及超市與上級企業之間，在資金管理及使用、利益分配等方面存在權責不明、管理不利的現象，造成資金使用效率低下，資金流失嚴重，資金的安全性、完整性無法得到保證。

三、基于BP網絡的風險預測模型構建

1.超市財務風險預測指標體系建立

超市財務風險分析是確定風險預測指標體系的前提和基礎，預測指標體系又是進行風險評估分析的依據，一個科學的預警指標體系對風險預警是至關重要的。

（1）超市財務風險指標選取原則

根據指標選擇原則建立的超市財務風險預測指標體系，是能在不同方面反映超市財務經營中財務風險活動趨勢，故選取超市財務風險預測指標應遵循如下原則:

第一，指標的重要性。所選取指標必須在衡量超市財務活動方面具有重要性，所選的多個指標的綜合必須表示超市財務活動的主要矛盾現象。

第二，指標的先行性。所選取的指標特征量要與超市運營狀況大體一致或略有超前性，能敏感地反映超市財務風險的發生或發展動向。同時指標要能針對財務風險某種狀態進行分析、預測，分析其運動趨勢及可能帶來的影響。

第三，指標的目的性。所選取的指標從不同角度、不同層次系統全面地反映超市活動多重財務風險的狀態，從而達到財務風險預測體系的預測目的。

第四，指標的可比性。所選取的指標應一方面可以通過科學合理的轉換，指標體系能反映出財務風險的總體狀況;另一方面又能夠在各超市企業之間具有一定的可比性。

第五，指標的操作性。所選取的指標要與國際慣例接軌，同時又符合我國超市的發展水平現狀;各項指標應該力求能從廣泛的經濟數據中獲取相關的可靠信息，要求數據來源確鑿可靠，推理過程科學合理，易于量化，適于操作，并且指標間的相關性較弱。

(2）超市財務風險指標的選取

依據上述的指標選取原則，本文選取總資產、主營業務收入、股東權益（不含少數股東權益）、凈利潤、扣除非經常性損益后的凈利潤、每股收益、凈資產收益率(%)、每股經營活動產生的現金流量凈額、每股凈資產、調整后的每股凈資產、扣除非經常性損益后的凈資產收益率(%)11個指標用來構建超市財務風險指標體系，如下表所示。

表 超市財務風險指標數據（單位：人民幣元）

2.基于BP網絡的超市風險預測模型的構建

本文運用前向三層BP網絡技術，它由輸入層、中間層、輸出層組成。中間層位于輸入層和輸出層之間，作為輸入模式的內部表示，對一類輸入模式所包含的區別于其他類別的輸入模式的特征進行抽取，并將抽取出的特征傳遞給輸出層，由輸出層對輸入模式的類別作最后的判別。因此，也可以把中間層稱為特征抽取層。中間層的輸入模式進行特征抽取的過程，實際上也就是對輸入層與中間層之間連接權進行“自組織化”的過程。在網絡的訓練過程中，各層之間的連接權起著“傳遞特征”的作用。各連接權從初始的隨機值逐漸演變，最終達到能夠表征輸入模式性的過程，就是“自組織化過程”。

（1）輸入節點的確定

前面已經對超市財務風險及其評價指標進行了系統的分析。在基于神經網絡設計超市財務風險評價模型時，網絡輸入應為全面描述超市財務風險的指標。因此，不同的超市財務風險的指標體系對應不同的網絡模型，也形成不同的輸入節點數，輸入節點數等于風險指標數。由超市財務風險指標體系可知，超市財務風險包括總資產、主營業務收入、股東權益(不含少數股東權益)等11個指標。所以，確定輸入節點數為11個。

（2）輸出節點確定

輸出節點確定對應于評價結果，輸出為[-1]表示財務存在風險；為[1]表示財務風險問題不明顯；為[0]表示財務不存在風險。因此，輸出節點數為3個。

（3）隱層節點確定

理論上已經證明，對于任何閉區間內的一個連續函數都可以用一個隱含層的BP網絡來逼近，因而一個二層的BP網絡可以完成任意的n維到m維的影射。為了避免因為隱含層的增加而導致的訓練時間的急劇增加和局部最小誤差的增加，本文選擇采用隱含層數為一層。

就BP網絡而言，當隱含層神經元數目過多時，優點是表現能力強，缺點是網絡結構龐大，在訓練時效率不高，學習時間長，泛化能力下降，誤差不一定最佳;學習后網絡結構復雜，物理意義不明確。當隱含層神經元數目過少時，優點是學習時間短，學習后網絡結構簡單。缺點是表現力不足，網絡不具備必要的學習能力和信息處理能力，容錯性差，出現學習誤差下降緩慢甚至不收斂的現象。由于神經網絡的巨量并行分布結構和非線性動態特性，要想從理論上得到一個簡單通用的隱含層單元確定公式是十分困難的。然而，通過廣泛和長期的應用過程所得的一些定性結論會有助于合理安排隱含層的單元數，因此結合文中實際情況，可參考下面公式來確定隱含層單元個數。

其中，n1為隱層節點數，m為輸入層節點數目，n為輸出層節點數目，a為1-10之間的常數。因此，隱層節點數確定為6。

3.面向MATLAB的BP網絡財務風險預測模型仿真

（1）BP網絡的訓練

已經對超市的財務建立起合適的BP網絡風險預測模型，下面對網絡進行訓練。在批處理模式中，網絡訓練所用的樣本需要進行一次性輸入，然后再調整網絡權值和域值，梯度的計算也是由所有的樣本數據參與的。

BP算法的主要缺點是：收斂速度慢、局部極值、難以確定隱層和隱層節點數。在實際中BP算法很難勝任，所以本文采用改進的BP算法:自適應lr的梯度下降法。對于梯度下降法，學習速率對于整個網絡訓練過程有很大的影響，訓練成功與否與學習率的選取關系很大。如果在訓練過程中合理地改變學習率，會避免很多缺陷。有自適應lr的學習算法能夠自適應調整學習率，從而增加穩定性，提高速度和精度。

有自適應lr梯度下降法的訓練函數為traingda，與函數traingda有關的訓練參數有：epochs、goal、lr、max_fail、min_grad、show、time、lr_inc、lr_dec、max_perf_inc。

net.trainParam.epochs 最大訓練次數（缺省為10）

net.trainParam.goal 訓練要求精度（缺省為0）

net.trainParam.lr 學習率（缺省為0.01）

net.trainParam.max_fail 最大失敗次數（缺省為5）

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

net.trainParam.show顯示訓練迭代過程（缺省為25）

net.trainParam.time 最大訓練時間（缺省為inf）

net.trainParam.lr_inc學習率lr增長比（缺省為1.05）

net.trainParam.lr_dec學習率lr下降比（缺省為0.7）

net.trainParam.max_perf_inc表現函數增加最大比（缺省1.04）

設超市2003年為無風險[0]、2004年為風險不確定[1]、2005年為風險存[-1]訓練該網絡。

利用Matlab平臺對風險預測模型進行訓練時，在確定輸入值和期望輸出后，可以直接調用traingda函數進行訓練。建立一個M文件，根據超市財務指標數據，在界面輸入：

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);

然后運行，在Matlab的顯示界面出現：

TRAINGDA, Performance goal met.

當得到上面的目標已經達到的提示語句，并且訓練的動態圖像如下圖所示時，

圖網絡訓練的誤差變化曲線

說明網絡已經訓練成功，然后輸入

>> a=sim(net,p)

檢測得到結果

a =

0.00001.0000 -1.0000

該輸出與期望輸出（超市2003年為無風險[0]、2004年為風險不確定[1]、2005年為風險存[-1]）一致，證明網絡訓練成功。

（2）BP網絡的仿真

通過上面的操作，網絡已經訓練完畢。下面采用超市的指標數據來預測其財務風險。

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];

運行后，在界面輸入

>> a=sim(net,p1)

得結果，2001年和2002年的財務風險存在[-1]，而2006年則顯示出財務風險不明確[1]。

四、結束語

統計資料顯示，近三年來，我國限額以上連鎖零售集團(企業)以年均33.6%的速度遞增，截至2006年末，已達到1055家，連鎖門店數達54891個，營業面積和年銷售額都比2004年有了成倍的增長。連鎖零售集團(企業)總體規模迅速擴張的同時，單體規模也在增大。2006年門店在14個以上的連鎖零售集團(企業)有507家，比2005年多60家。其中超過100個的由2004年末的55家、2005年末的73家增至2006年末的97家。但伴隨著快速擴張、我國連鎖零售企業的財務風險也逐漸暴露出來，據統計近一年半以來，我國已有150多家大型連鎖超市倒閉。

為了減少超市財務的風險，提高超市的競爭能力，超市企業可以從以下幾個方面著手：加強結算資金管理；加強存貨控制；健全內部規章制度；實行全面預算管理；建立計算機分析和管理系統。

參考文獻：

[1]宋明哲:現代風險管理[M]．北京：中國紡織出版社,2003

[2]嚴真紅:我國企業財務風險的成因及其防范[J].江西財經大學學報，2004.4

[3]陳文浩 郭麗紅:企業財務危機的原因分析[J].浙江財稅與會計，2004.10

[4]唐曉云:略論企業財務風險管理[J].上海會計，2002.2