人工神经网络综合预警

人工神经网络(artificial neural network，ANN)模拟生物神经系统结构，在不同程度和层次上模拟大脑信息处理。其特点是:不需要构建数学模型，通过对过去经验(历史数据)和专家的知识学习，达到其输出与期望输出的相符的结果; 对数据的分布要求不严格，具备处理资料遗漏或是错误的能力。自1943年W.S. Moculloch和W.pitts提出M-P神经元模型，通过多年的研究和探索，其应用已渗透到模式识别、图像处理、经济预测等众多领域。

运用神经网络进行高速公路项目运营风险综合预警，就是通过神经网络的学习与训练，利用本章自然风险、经济风险和行为风险预警指标，对高速公路项目运营风险进行综合预警，力求摆脱人为因素，充分利用专家知识和经验，为高层风险管理者的风险决策提供支持。

1.人工神经网络BP算法

反向传播BP(back propagation)神经网络被认为是最成熟、应用最广泛的一种算法。本书对高速公路项目运营风险综合预警拟采用BP算法来构造神经网络模型。

(1)基本思路

BP算法的学习过程由正向传播和反向传播两个过程组成。正向传播即从输入层经隐含层到输出层的逐层处理。每一层神经元只影响下一层神经元。若输出结果与期望误差不能满足要求，则将误差信号沿原来的通路返回，将学习误差归结为连接层中各节点间连接权及阀值的“过错”，此过程为反向传播。通过反向传播把误差逐层向输入层“分摊”至各连接节点，对各连接权进行调整，使网络满足映射要求。

(2)网络结构

BP是典型的多层网络，包含输入层、隐含层和输出层，各层间为全互联方式，同层单元之间不存在相互连接。结构图如图5-5所示。

2.模型构建

G.Cybenyo等人已证明: 具有一个隐含层的神经网络能够以任意精度表示任何连续函数。实践也已证明，采用三层以上的隐含层并没有任何益处。基于上述理论，为简化计算，在本综合预警模型中，隐含层为1层。

(1)输入节点选择

根据前文建立的指标体系，将自然风险1个、经济风险预警指标14个，及行为风险预警指标14个，共计29项作为BP模型的输入节点。

(2)隐含层节点的选择

我们依据式(5-67)确定隐含层节点。

n1=lg2n　(5-67)

上式中n是神经元数。

由于n=29，隐含层节点数n1=lg229=4.86，因此我们取隐含层节点为5。

图5-5 三层BP网络结构示意图

(3)输出节点选择

输出节点对应综合预警结果，因此输出节点为1。

(4)学习过程

在高速公路项目运营风险综合预警BP网络中，LA层有29个节点，对应于BP网络可感知的29个输入; LB层节点数目为5个; LC层含有1个节点，与BP网络的输出相对应。同层节点之间无关联，异层神经元间前向连接。输入采用本书所构建的预警指标体系中指标的计算值，输出充分利用专家经验与知识，采用专家评分。

令LA层节点ai到LB层节点br间的连接权为wir，LB层节点br到LC层节点c间的连接权为vr，Tr为LB层节点的阀值，θ为LC层节点的阀值。那么LB层中节点的输出函数为br，表达式见式(5-68)。

LC层中节点的输出函数为:

给wir、Tr、vr、θ随机赋一个较小的值; 然后对每一模式(A(k)，C(k)) (k=1，2，…，p)进行下列操作:

①将A(k)的值A(k)i 输入LA层节点，在LA层节点激活ai，依次正向计算br和c。

②计算LC层节点输出c与期望输出值C(k)的误差，令:

d=c(1-c)(c(k)-c)　(5-70)

③向LB层节点反向分配误差，令:

er=brd(1-br)　(5-71)

④调整LB层与LC层节点连接权vr及LC层节点阀值θ:

⑤调整LA层与LB层节点间连接权wir及LB层节点阀值Tr:

重复上述步骤，直至误差EAV足够小。

EAV为学习目标函数。