BP神经网络人口预测模型研究与仿真

第２７卷第１１期　计算机仿真　２０１０年１１月　文章编号：１００６—９３４８（２０１０）１１—０３１４—０５　应用ＢＰ神经网络的教学评价模型及仿真　孙晓玲，王宁，梁艳　（合肥师范学院数学系，安徽合肥２３００６１）　摘要：在教学管理问题的研究中，针对教学质量评价的非线性特征以及教学质量评估体系中存在的诸多非定量的因素，建立　教学质量评价的ＢＰ神经网络模型。评价模型可以根据专家打分对已有评价体系中的主观性因素进行量化，并利用神经网　络的自学习，自适应及非线性逼近能力进行量化评价的计算，较已有的评价体系具有更高的计算效率。利用专家提供的数　据在Ｍａｔｌａｂ软件中对三层ＢＰ神经网络模型进行仿真训练，得到用于评判的神经网络模型。利用ＢＰ神经网络进行教学质　量评价的方法可操作性强，可以克服传统评价方法主观性过强的缺点，同时避免了传统教学质量评价的复杂过程，具有较广　泛的实用性，并为教学质量提供了依据。　关键词：神经网络；模糊综合评判；教学质量评价　中图分类号：ＴＰ２７３＋．４　文献标识码：Ａ　Ａ　Ｍｅｔｈｏｄ　ｏｆ　Ｔｅａｃｈｉｎｇ　Ｑｕａｌｉｔｙ　Ｅｖａｌｕａｔｉｏｎ　Ｍａｋｉｎｇ　Ｕｓｅ　０ｆ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　ＳＵＮ　Ｘｉａｏ—ｌｉｎｇ，ＷＡＮＧ　Ｎｉｎｇ，ＬＩＡＮＧ　Ｙａｎ　（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｍａｔｈｅｍａｔｉｃｓ，Ｈｅｆｅｉ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈｅｆｅｉ　Ａｎｈｕｉ　２３００６１，Ｃｈｉｎａ）　ＡＢＳＴＲＡＣＴ：Ｃｏｎｓｉｄｅｒｉｎｇ　ｔｈｅ　ｎｏｎｌｉｎｅａｒ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｔｅａｃｈｉｎｇ　ｑｕａｌｉｔｙ　ａｎｄ　ｔｈｅ　ｅｘｉｓｔｅｎｃｅ　ｏｆ　ｍａｎｙ　ｎｏｎ—ｑｕａｎｔｉｔａ－　ｔｉｖｅ　ｆａｃｔｏｒｓ　ｉｎ　ｔｈｅ　ｅｖａｌｕａｔｉｏｎ　ｓｙｓｔｅｍ，ａ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｏｆ　ｔｅａｃｈｉｎｇ　ｑｕａｌｉｔｙ　ｅｖａｌｕａｔｉｏｎ　ｈａｓ　ｂｅｅｎ　ｂｕｉｌｔ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．Ｔｈｅ　ｍｏｄｅｌ　ｃａｎ　ｑｕａｎｔｉ￣ｔｈｅ　ｓｕｂｊｅｃｔｉｖｉｔｙ　ｆａｃｔｏｒ　ｉｎ　ｔｈｅ　ｅｘｉｓｔｉｎｇ　ｅｖａｌｕａｔｉｏｎ　ｓｙｓｔｅｍ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｅｘｐｅａ　ｅｖａｌｕａ—　ｔｉｏｎ．Ｂｙ　ｕｔｉｌｉｚｉｎｇ　ｔｈｅ　ｐｒｏｐｅｒｔｉｅｓ　ｏｆ　ｓｅｌｆ—ｓｔｕｄｙ　ａｎｄ　ｓｅｌｆ—ａｄａｐｔａｔｉｏｎ　ｏｆ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｔｈａｔ　ｃａｎ　ａｐｐｒｏｘｉｍａｔｅ　ａｎｙ　ｎｏｎ—　ｌｉｎｅａｒ　ｃｏｎｔｉｎｕｏｕｓ　ｆｕｎｃｔｉｏｎ，ｔｈｅ　ｍｏｄｅｌ　ｈａｓ　ｃａｌｃｕｌａｔｅｄ　ｑｕａｎｔｉｆｉｅｄ　ｅｖａｌｕａｔｉｏｎ　ａｎｄ　ｈａｓ？ｈｉｇｈｅｒ　ｅｆｆｉｃｉｅｎｃｙ　ｔｈａｎ　ｔｈａｔ　ｏｆ　ｅｘ—　ｉｓｔｉｎｇ　ｅｖａｌｕａｔｉｏｎ　ｓｙｓｔｅｍ．Ｔｈｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｕｓｅｄ　ｔｏ　ｅｖａｌｕａｔｉｏｎ　ｃａｎ　ｂｅ　ｏｂｔａｉｎｅｄ　ｂｙ　ｕｔｉｌｉｚｉｎｇ　ｔｈｅ　ｄａｔａ　ｐｒｏｖｉｄｅｄ　ｂｙ　ｅｘｐｅｒｔｓ．Ｔｈｅ　ｔｈｒｅｅ—ｌａｙｅｒ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｉｓ　ｔｒａｉｎｉｎｇ　ｗｉｔｈ　ｔｈｅ　Ｍａｔｌａｂ　ｓｏｆｔｗａｒｅ．Ｔｈｅ　ｍｅｔｈｏｄ　ｏｆ　ａｐｐｌｙｉｎｇ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｔｏ　ｔｅａｃｈｉｎｇ　ｑｕａｌｉｔｙ　ｅｖａｌｕａｔｉｏｎ　ｃａｎ　ｏｖｅｒｃｏｍｅ　ｓｕｂｊｅｃｔｉｖｅ　ｆａｃｔｏｒｓ　ｉｎ　ｔｈｅ　ｐｒｏｃｅｓｓ　ｏｆ　ｅｘｐｅｒｔ　ａｓｓｅｓｓｍｅｎｔ，　ａｖｏｉｄ　ｃｏｍｐｌｅｘ　ｐｒｏｃｅｓｓ　ｏｆ　ｔｒａｄｉｔｉｏｎａｌ　ｔｅａｃｈｉｎｇ　ｑｕａｌｉｔｙ　ｅｖａｌｕａｔｉｏｎ　ａｎｄ　ａｌｓｏ　ｈａｖｅ　ｂｒｏａｄ　ａｐｐｌｉｃａｂｉｌｉｔｙ．Ｍｏｒｅｏｖｅｒ，ｔｈｅ　ｏｐｅｒ—　ａｂｉｌｉｔｙ　ｏｆ　ｔｈｅ　ｍｅｔｈｏｄ　ｉｓ　ｓｔｒｏｎｇ．　ＫＥＹＷＯＲＤＳ：Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；Ｆｕｚｚｙ　ｃｏｍｐｌｅｘ　ｊｕｄｇｍｅｎｔ；Ｔｅａｃｈｉｎｇ　ｑｕａｌｉｔｙ　ｅｖａｌｕａｔｉｏｎ　１　引言　教学质量评估是高等学校教学管理中的重要环节，其根　本目的是掌握高校教师的实际教学能力和教学水平，促进教　师自我提高和自我完善，激励和促进教师按照培养目标的要　求，遵循教学规律和教学原则，提高教学质量，培养合格人　才，优化师资队伍。　教学质量评估的成败在于如何科学地、真实地、公正全　基金项目：安徽省高等学校省级自然科学研究项目（ＫＪ２００９Ｂ１４８Ｚ，　ＫＪ２００８Ｂ１０９ＺＣ）；安徽省高校青年教师资助计划项目基金　（２００８ＪＱＷ１１２４）；安徽省高等学校优秀青年人才基金项目　（２００９ＳＱＲＺ１５７，２００９ＳＱＲＺ１５６）　收稿日期：２００９—０７—２１修回日期２００９—１０—１９　—３１４一　面地评估高校授课教师教学工作的实际水平。影响教学质　量的因素很多，各因素的影响程度也不尽相同，因此，评价结　果很难用一个数学解析式来表示。它是属于非线性的分类　问题，这就给综合评价带来了较大的困难。传统的评价方法　多是采用直接建立评价系统的数学模型，如层次分析法、聚　类分析、灰色系统、模糊综合评判法等，但这些方法在评估　过程中难以排除各种随机性和主观性，易造成评价结果失真　和偏差。为了克服人为的主观随意性，使得评估结果更加　准确有效。通过寻找合适的评价体系中的输入和输出的数　学关系，建立一个合理的、科学的数学模型，将对教学质量的　评估有着重要的意义。　

ＡＣＡＤＥＭＩＣ　ＲＥＳＥＡＲＣＨ　学术研究　

基子Ｂｌ’神经网络的工程项目　

总工期预测方法仿真研究　

摘要：工程项目施工总工期的影响因素多，且很多因素对工期影响是　非线性的，因此一直是预测的难点，而工期又是施工管理的重点。本文运用　ＢＰ神经网络理论，对工程项目总工期进行预测，该理论具有较高的泛化能　力，且具有强大的非线性映射功能，对于施工总工期的预测的精度高。　关键词ｉ　ＢＰ神经网络；总工期；仿真　

一、前言　

在工程项目管理中，工期、质量、成本和安全是　

项目管理的控制目标。可见，工期在项目管理中具有举　足轻重的地位。对于业主，建设项目施工工期影响着其　

他各项活动的实施计划，如果是商业用房，厂房等还会　影响其收益。特别是对于那些时效性强的行业甚至＿丁期　

决定了项目的可行与否。一些重要项目工期甚至影响一　

个国家的国际形象，社会安定。如：国家奥运场馆的建　设，灾后重建项目等。对于施工单位，１　期影响其盈　

利，是编制施工进度计划和开展各项工作的重要依据，　工期始终是项目管理者一个重要目标，也是施工企业及　

项目管理者管理水平的重要体现。而对工期管理的一个　重要方面就是要准确预测工期。由此可见，准确地预测　

工期对于业主和承包商都是很有必要的。　在决策管理过程中，许多情况下都需要对项目总工　

期进行预测或通过工期预测调整人员、机械配备，完善　

进度计划。传统都通过各工序工期预测得到项目总］　期　的方法很繁琐，有时没有必要。众所周知，在生产力水　

平一定的条件下，可以运用科学的方法对以往１二程进行　分析，从而对当前项目预测。本文在ＢＰ神经网络知识　

基础上，利用其具有较高的泛化能力这一特点对　ｌ：程项　目总工期进行预测。　

二、ＢＰ神经网络　

人工神经网络是基于对人脑组织结构、活动机制　

的初步认识提出的一种新型信息处理体系。由于其结构　上“仿造”了人脑的生物神经系统，因而其功能上也具　

有人脑的一些基本功能如：联想记忆，非线性映射、分　

ｊＩｌＩ譬　嘲ｌ譬Ｉ螬０　过程质量控制的ＢＰ神经网络预测方法研究　郑唯唯，安会刚，杜　涛　（１．西北工业大学管理学院，陕西西安７１００７２；２．西安工程大学理学院，陕西西安７１００４８）　摘　要：利用ＢＰ神经网络对过程质量特性值进行预测，建立了预测模型并利用单因素法优化模型参　数，实现了过程质量的事前控制。仿真结果表明，神经网络在预测中具有较为明显的优势，对参数的优化　提高了网络性能，因此模型符合过程质量智能预测的基本要求。　关键词：过程质量；ＢＰ神经网络；预测　中图分类号：ＴＨ　１６５　文献标志码：Ａ　

过程质量控制是在生产和服务过程中对影响质　量的各项因素实行控制，是保证产品质量的一个行　之有效的途径。从广义上来说，过程质量控制实际　上就是全过程的质量管理。过程质量控制的成功实　施是质量管理体系建立的前提条件，合理有效的控　制方法是过程质量控制的重要保证，使内部控制程　序走向程序化、系统化和科学化。早期的过程质量　控制方法主要依靠人力并力求简单、易于计算，且属　于事后控制，即当异常情况已发生时，控制措施才开　始实施。这种控制很难满足低废品率甚至零废品的　要求，也不能适应目前的主流生产方式即小批量生　产的需要，因此，利用历史数据和信息对后续加工过　程的质量特性值进行预测，实现事前控制，达到降低　控制成本的目的。传统的预测方法包括基于非参数　模型的预测控制算法和基于离散参数模型的预测控　制算法等　］。这些方法大多适应性差，精度低，需要　大量数据而无法用于质量特性的预测，因此，寻求更　为有效、适用的预测方法就成为必然。以非线性、并　行分布式处理为特征的人工神经网络（ＡＮＮ）技术　使基于ＡＮＮ信息的加工精度预测具有与传统的数　学建模方式无法比拟的优点，如非线性映射能力、联　想能力、容错能力和并行计算能力等ＡＮＮ的非线　性映射能力　］。加工精度预测的应用环境具有复杂　多任务、多目标实时运行和多事件实时并发的特点，　而ＡＮＮ本身结构体系就具有并行的特点；利用　ＡＮＮ的联想能力、容错能力和并行计算能力实现　在有噪音污染环境下的加工精度预测补偿是实现自　动加工零废品控制的有效手段。所以，本文利用较　为成熟的ＢＰ神经网络进行过程质量的预测，以适　应少数据信息的需要，提高预测精度。　１　ＢＰ神经网络模型　人工神经网络是目前发展较为成熟的人工智能　（ＡＩ）的主要理论和方法之一，并在模式识别和函数　逼近等领域得到了广泛的应用。目前常用的神经网　络有ＢＰ网络、自适应共振网络（ＡＲＴ网络）、Ｋｏｈｏ—　ｎｅｎ网络和Ｈｏｐｆｉｅｌｄ网络等，而在众多网络中，ＢＰ　网络得到了比较普遍的应用。ＢＰ网络又称作反向　传播网络，是一种研究比较成熟、应用最广泛的神经　网络。据统计，目前大约有（８Ｏ～９０）　的网络模型　采用的是ＢＰ网络或它的变形，主要用于模式识别、　分类、数据压缩和函数逼近等方面。　基于误差反向传播（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）算法的　多层前馈网络（Ｍｕｌｔｉｐｌｅ—ｌａｙｅｒ　ｆｅｅｄ—ｆｏｒｗａｒｄ　ｎｅｔ—　ｗｏｒｋ，ＢＰ神经网络）是神经网络的一个典型模型，　它是一种多层感知器结构，由若干层神经元组成，网　络不仅有输入层节点和输出层节点，而且还可以有　一层或多层隐含层节点。图１给出一个具有单隐含　层的ＢＰ神经网络模型　。　输入　，１　输　入层　隐含层　输出层　

第１５卷第４期　２０１２年８月　工业工程　Ｉｎｄｕｓｔｒｉａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｊｏｕｒｎａｌ　Ｖｏ１．１５　Ｎｏ．４　Ａｕｇｕｓｔ　２０１２　

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００７—７３７５．２０１２．０４．００４　

基于粒子群ＢＰ神经网络的质量预测模型　

徐　兰　２，方志耕　，刘思峰　

（１．南京航空航天大学经济与管理学院，江苏南京２１００１６；２．江苏科技大学经济管理学院，江苏镇江２１２００３）　

摘要：为了对产品质量进行预测控制、辅助新产品开发设计、寻找最优参数，将测试样本的网络输出值与真值之间的　

灰色关联度作为目标函数，采用粒子群算法优化了ＢＰ神经网络的权系数和阈值，构建了基于粒子群神经网络的质　

量预测模型。所提出的ＰＳＯ—ＧＲＧ算法解决了一般ＢＰ算法迭代速度慢，且易出现局部最优的问题，并以注塑件质量　

预测为例，进行算法实现，仿真结果表明本文所提出的ＰＳＯ—ＧＲＧ算法比ＢＰ算法迭代次数减少了８７．５％，并避免了　

局部最优，且预测误差亦明显减少。得出结论：所构建的质量预测模型具有较高的预测精度和研究价值。　

关键词：粒子群算法；ＢＰ神经网络；质量预测；灰色关联度　

中图分类号：Ｆ２７３．２　文献标志码：Ａ　文章编号：１００７－７３７５（２０１２）０４—００１７—０４　

Ｑｕａｌｉｔｙ　Ｐｒｅｄｉｃｔｉｏｎ　Ｍｏｄｅｌ　ｂｙ　Ｕｓｉｎｇ　ＰＳＯ－ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　

Ｘｕ　Ｌａｎ’　，Ｆａｎｇ　Ｚｈｉ．ｇｅｎｇ　，Ｌｉｕ　Ｓｉ．ｆｅｎｇ　

（１．Ｓｃｈｏｏｌ　ｏｆ　Ｅｃｏｎｏｍｉｃｓ　ａｎｄ　Ｍａｎａｇｅｍｅｎｔ，Ｎａｎｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ａｅｒｏｎａｕｔｉｃｓ　ａｎｄ　Ａｓｔｒｏｎａｕｔｉｃｓ，Ｎａｎｊｉｎｇ　２１００１６，Ｃｈｉｎａ；　

２．Ｓｃｈｏｏｌ　ｏｆ　Ｅｃｏｎｏｍｉｃｓ　ａｎｄ　Ｍａｎａｇｅｍｅｎｔ，Ｊｉａｎｇｓｕ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｚｈｅ￣ｉａｎｇ　２１２００３，Ｃｈｉｎａ）