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(jīng)網(wǎng)絡(luò)范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)范文第1篇

關(guān)鍵詞 人工；神經(jīng)網(wǎng)絡(luò)；機(jī)器學(xué)習(xí)方法

中圖分類號Q1 文獻(xiàn)標(biāo)識碼A 文章編號 1674-6708（2011）40-0111-02

0 引言

機(jī)器學(xué)習(xí)方法經(jīng)常被應(yīng)用到解決醫(yī)學(xué)和生物信息學(xué)的問題。在這個(gè)報(bào)告中我列舉了一些把機(jī)器學(xué)習(xí)方法應(yīng)用到生物信息學(xué)領(lǐng)域的實(shí)例。比如：組建多重神經(jīng)網(wǎng)絡(luò)，運(yùn)用該神經(jīng)網(wǎng)絡(luò)對4種不同形勢的腫瘤患者進(jìn)行分類。

1 介紹

人工神經(jīng)網(wǎng)絡(luò)屬于機(jī)器學(xué)習(xí)領(lǐng)域。關(guān)于人工神經(jīng)網(wǎng)絡(luò)的概念最早提出于1940年代。后來在1980年代后被推廣應(yīng)用，尤其是在醫(yī)學(xué)領(lǐng)域。

其中一個(gè)非常有用的用途是對疾病進(jìn)行分類，達(dá)到診斷的目的，或者對基因表達(dá)進(jìn)行分類。在這類神經(jīng)網(wǎng)絡(luò)里面，k點(diǎn)最近鄰居算法是最常被采用的算法。

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是：不需要人們蛆關(guān)注神經(jīng)網(wǎng)絡(luò)里面的細(xì)節(jié)信息；人工神經(jīng)網(wǎng)絡(luò)可以很容易地被重新訓(xùn)練來應(yīng)對不同地分類數(shù)據(jù)。人工神經(jīng)網(wǎng)絡(luò)可以用來解決有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，比如：自組織特征映射（self-organized feature map）就可以用來解決無監(jiān)督學(xué)習(xí)的問題。

它的不足之處在于：人工神經(jīng)網(wǎng)絡(luò)往往需要大量的訓(xùn)練數(shù)據(jù)，而這些訓(xùn)練數(shù)據(jù)往往不是很容易獲得。人工神經(jīng)網(wǎng)絡(luò)可以被看作是一個(gè)黑盒，它的細(xì)節(jié)隱藏在點(diǎn)點(diǎn)之間的權(quán)值里面。這些權(quán)值的意義是人類無法理解的。同時(shí)，人工神經(jīng)網(wǎng)絡(luò)需要被仔細(xì)的訓(xùn)練以避免過擬合的情況出現(xiàn)。我們常常需也要降低高維數(shù)據(jù)的維度。下面，我將分析介紹人工神經(jīng)網(wǎng)絡(luò)的具體應(yīng)用。

人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示：

X1 ,X2 ,X3是該神經(jīng)網(wǎng)絡(luò)的輸入值，w0 ,w1 ,w2 ,w3 是該神經(jīng)網(wǎng)絡(luò)的輸入結(jié)點(diǎn)到內(nèi)部節(jié)點(diǎn)的路徑權(quán)值，每個(gè)神經(jīng)元的激活函數(shù)是如上圖右側(cè)所示的函數(shù)圖像。

這個(gè)函數(shù)被稱作為sigmoid函數(shù)，表達(dá)式如下：

多重神經(jīng)網(wǎng)絡(luò)通常有3層，事實(shí)上，3層神經(jīng)網(wǎng)絡(luò)以能進(jìn)行很好的分類效果。這三個(gè)層包括輸入層，隱藏層，輸出層。在每個(gè)神經(jīng)元內(nèi)部我們可以選擇sigmoid激活函數(shù)或其他種類的激活函數(shù)。

如圖2所示：

單個(gè)神經(jīng)元僅能提供線性的分割面，所以多層神經(jīng)網(wǎng)絡(luò)可以提供非線性的分類函數(shù)（即：若干個(gè)線性分割面的復(fù)雜組合）。這并不意味著4層神經(jīng)網(wǎng)絡(luò)就一定比3層神經(jīng)網(wǎng)絡(luò)能一共更好的分類效果，因?yàn)閷訑?shù)越多，需要的訓(xùn)練集就越龐大，得到的效果也不會提高。

既然有訓(xùn)練問題，就會涉及到訓(xùn)練算法。較為早的和著名的訓(xùn)練算法是delta 規(guī)則。它于20世紀(jì)60年代被提出。它的原理是計(jì)算理論輸出值和世紀(jì)輸出值的均方差。tp 為理論輸出值，yp為實(shí)際輸出值，表示為：

訓(xùn)練的開始階段，我們通常設(shè)定一個(gè)隨機(jī)選取值，令該值等于：

該公式里，α是學(xué)習(xí)速率，學(xué)習(xí)速率越大，學(xué)習(xí)的過程就越快，完成學(xué)習(xí)的時(shí)間短。但如果學(xué)習(xí)的速率過大，可能導(dǎo)致網(wǎng)絡(luò)的理想權(quán)值在合理結(jié)果的附近游擺而永遠(yuǎn)無法獲得理想的權(quán)值。

神經(jīng)網(wǎng)絡(luò)被訓(xùn)練好了以后，它就被用到解決目標(biāo)問題。原始的數(shù)據(jù)集可以被分為兩部分：一部分用來訓(xùn)練，一部分用來測試。

有時(shí)候神經(jīng)網(wǎng)絡(luò)會把訓(xùn)練數(shù)據(jù)集里面的噪音點(diǎn)的特征納入自己的權(quán)值表達(dá)里，從而該神經(jīng)網(wǎng)絡(luò)無法真正體現(xiàn)該點(diǎn)集的真實(shí)特征。我們把這種情況叫做過擬合。過擬合是由于網(wǎng)絡(luò)比待估函數(shù)復(fù)雜造成的。比如一個(gè)可以同3層網(wǎng)絡(luò)解決的問題，我們用4層網(wǎng)絡(luò)或者由更多神經(jīng)元的三層網(wǎng)絡(luò)去解決該問題，就容易造成過擬合。為了更好的明確訓(xùn)練時(shí)所采用的神經(jīng)網(wǎng)絡(luò)的隱藏層的層數(shù)，Livingstone 和 Manalack 提出了如下計(jì)算公式：

D = m*o/w

該公式里m是訓(xùn)練樣本的數(shù)目，o是該網(wǎng)絡(luò)的輸出值，w是網(wǎng)絡(luò)權(quán)值的數(shù)目，D就是隱藏層的數(shù)目。

得到了隱藏層的數(shù)目之后，我們可以以這個(gè)數(shù)目創(chuàng)建神經(jīng)網(wǎng)絡(luò)，邊訓(xùn)練邊削減，直到我們獲得一個(gè)一半化的網(wǎng)絡(luò)。對于沒有隱藏網(wǎng)絡(luò)層或只有一個(gè)隱藏網(wǎng)絡(luò)層的神經(jīng)網(wǎng)絡(luò)，我們需要先確定它要解決的問題是否是線性的。

適當(dāng)?shù)挠?xùn)練方案是能也可以使網(wǎng)絡(luò)的復(fù)雜性和數(shù)據(jù)的復(fù)雜性得到合適的匹配。一個(gè)合適的訓(xùn)練方案應(yīng)該是如下步驟：首先選擇一個(gè)很大的網(wǎng)絡(luò)并且把它的每個(gè)權(quán)值都設(shè)到一個(gè)很小的值上。通過訓(xùn)練，這些權(quán)值可以逐漸游擺到一個(gè)合理的值。

由于初始數(shù)據(jù)集通常要被分為訓(xùn)練集和測試集。在醫(yī)學(xué)領(lǐng)域，我們能獲得的數(shù)據(jù)集往往很小，比如某種病的病人數(shù)目不會很大。所以我門需要采用交叉驗(yàn)證的技巧來是較小的數(shù)據(jù)集在被分為訓(xùn)練集和測試集之后能較好的訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)范文第2篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；智能；計(jì)算；應(yīng)用研究

中圖分類號：TP393文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2008)20-30326-02

Application of Neural Network Forefront

LI Bing-fu1,2

(1.Zhanjiang Normal College, Zhanjiang 524048, China; 2.Chongqing University, Master of the Computer College, Chongqing 400030, China)

Abstract: The rise of neural networks, has been on the cognitive and intellectual nature of the computer industry and basic research has produced an unprecedented excitement and great role. Therefore, in all fields has greatly applied research.

Key words: Neural Networks; Intelligent; Computing; Applied Research

1 引言

神經(jīng)網(wǎng)絡(luò)是一門模仿人類神經(jīng)中樞――大腦構(gòu)造與功能的智能科學(xué)，利用物理器件來模擬生物神經(jīng)網(wǎng)絡(luò)的某些結(jié)構(gòu)和功能，即由許多功能簡單的神經(jīng)元互聯(lián)起來，形成一種能夠模擬人的學(xué)習(xí)、決策和識別等功能的網(wǎng)絡(luò)系統(tǒng)。他具有快速反映能力，便于對事物進(jìn)行適時(shí)控制與處理；善于在復(fù)雜的環(huán)境下，充分逼近任意非線形系統(tǒng)，快速獲得滿足多種約束條件問題的最優(yōu)化答案；具有高度的魯棒性和容錯(cuò)能力等優(yōu)越性能。

神經(jīng)網(wǎng)絡(luò)的崛起，已對認(rèn)知和智力的本質(zhì)的基礎(chǔ)研究乃至計(jì)算機(jī)產(chǎn)業(yè)都產(chǎn)生了空前的刺激和極大的推動作用。因此在各個(gè)領(lǐng)域都有很大的應(yīng)用研究。

2 神經(jīng)網(wǎng)絡(luò)（ANN）的研究內(nèi)容

1) 理論研究：ANN模型及其學(xué)習(xí)算法，試圖從數(shù)學(xué)上描述ANN的動力學(xué)過程，建立相應(yīng)的ANN模型，在該模型的基礎(chǔ)上，對于給定的學(xué)習(xí)樣本，找出一種能以較快的速度和較高的精度調(diào)整神經(jīng)元間互連權(quán)值，使系統(tǒng)達(dá)到穩(wěn)定狀態(tài)，滿足學(xué)習(xí)要求的算法；2) 實(shí)現(xiàn)技術(shù)的研究：探討利用電子、光學(xué)、生物等技術(shù)實(shí)現(xiàn)神經(jīng)計(jì)算機(jī)的途徑；3) 應(yīng)用的研究：探討如何應(yīng)用ANN解決實(shí)際問題，如模式識別、故障檢測、智能機(jī)器人等。

3 神經(jīng)網(wǎng)絡(luò)在各領(lǐng)域的應(yīng)用研究

3.1 智能機(jī)器領(lǐng)域的應(yīng)用研究

智能機(jī)器領(lǐng)域的應(yīng)用研究主要是進(jìn)一步研究調(diào)節(jié)多層感知器的算法，使建立的模型和學(xué)習(xí)算法成為適應(yīng)性神經(jīng)網(wǎng)絡(luò)的有力工具，構(gòu)建多層感知器與自組織特征圖級聯(lián)想的復(fù)合網(wǎng)絡(luò)，是增強(qiáng)網(wǎng)絡(luò)解決實(shí)際問題能力的一個(gè)有效途徑。重視聯(lián)結(jié)的可編程性問題和通用性問題的研究，從而促進(jìn)智能科學(xué)的發(fā)展。通過不斷探索人類智能的本質(zhì)以及聯(lián)結(jié)機(jī)制，并用人工系統(tǒng)復(fù)現(xiàn)或部分復(fù)現(xiàn)，制造各種智能機(jī)器，可使人類有更多的時(shí)間和機(jī)會從事更為復(fù)雜、更富創(chuàng)造性的工作。

智能的產(chǎn)生和變化經(jīng)過了漫長的進(jìn)化過程，我們對智能處理的新方法的靈感主要來自神經(jīng)科學(xué)，例如學(xué)習(xí)、記憶實(shí)質(zhì)上是突觸的功能，人類大腦的前額葉高度發(fā)育，它幾乎占了30%大腦的表面積，在其附近形成了人類才出現(xiàn)的語言運(yùn)動區(qū)，它與智能發(fā)育密切相關(guān)，使神經(jīng)系統(tǒng)的發(fā)育同環(huán)境的關(guān)系更加密切，腦的可塑性很大，能主動適應(yīng)環(huán)境還能主動改造環(huán)境，人類向制造智能工具方向邁進(jìn)正是這種主動性的反映。腦的可塑期越長，經(jīng)驗(yàn)對腦的影響就越大，而人類的認(rèn)知過程很大程度上不僅受經(jīng)驗(yàn)主義的影響，而且還接受理性主義的模型和解釋。因此，對于智能和機(jī)器的關(guān)系，應(yīng)該從進(jìn)化的角度，把智能活動看成動態(tài)發(fā)展的過程，并合理的發(fā)揮經(jīng)驗(yàn)的作用。同時(shí)還應(yīng)該從環(huán)境與社會約束以及歷史文化約束的角度加深對它的理解與分析。

神經(jīng)網(wǎng)絡(luò)是由大量處理單元組成的非線性、自適應(yīng)、自組織系統(tǒng)，它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，試圖模擬神經(jīng)網(wǎng)絡(luò)加工、記憶信息的方式，設(shè)計(jì)一種新的機(jī)器，使之具有人腦風(fēng)格的信息處理能力。智能理論所面對的課題來自“環(huán)境－問題－目的”，有極大的誘惑力與壓力，它的發(fā)展方向就將是，把基于聯(lián)結(jié)主義的神經(jīng)網(wǎng)絡(luò)理論、基于符號主義的人工智能專家系統(tǒng)理論和基于進(jìn)化論的人工生命這三大研究領(lǐng)域，在共同追求的總目標(biāo)下，自發(fā)而有機(jī)的結(jié)合起來。在21世紀(jì)初，智能的機(jī)器實(shí)現(xiàn)問題的研究將有新的進(jìn)展和突破。

3.2 神經(jīng)計(jì)算和進(jìn)化計(jì)算的應(yīng)用研究

計(jì)算和算法是人類自古以來十分重視的研究領(lǐng)域，本世紀(jì)30年代，符號邏輯方面的研究非常活躍。例如Church、Kleene、Godel、Post、Turing等數(shù)學(xué)家都給出了可計(jì)算性算法的精確數(shù)學(xué)定義，對后來的計(jì)算和算法的發(fā)展影響很大。50年代數(shù)學(xué)家Markov發(fā)展了Post系統(tǒng)。80年代以后，神經(jīng)網(wǎng)絡(luò)理論在計(jì)算理論方面取得了引人注目的成果，形成了神經(jīng)計(jì)算和進(jìn)化計(jì)算新概念，激起了許多理論家的強(qiáng)烈興趣，大規(guī)模平行計(jì)算是對基于Turing機(jī)的離散符號理論的根本性的沖擊，但90年代人們更多的是批評的接受它，并將兩者結(jié)合起來，近年來，神經(jīng)計(jì)算和進(jìn)化計(jì)算領(lǐng)域很活躍，有新的發(fā)展動向，在從系統(tǒng)層次向細(xì)胞層次轉(zhuǎn)化里，正在建立數(shù)學(xué)理論基礎(chǔ)。隨著人們不斷探索新的計(jì)算和算法，將推動計(jì)算理論向計(jì)算智能化方向發(fā)展，在21世紀(jì)人類將全面進(jìn)入信息社會，對信息的獲取、處理和傳輸問題；對網(wǎng)絡(luò)路由優(yōu)化問題；對數(shù)據(jù)安全和保密問題等等將有新的要求，這些將成為社會運(yùn)行的首要任務(wù)，因此，神經(jīng)計(jì)算和進(jìn)化計(jì)算與高速信息網(wǎng)絡(luò)理論聯(lián)系將更加密切，并在計(jì)算機(jī)網(wǎng)絡(luò)領(lǐng)域中發(fā)揮巨大的作用，建立具有計(jì)算復(fù)雜性、網(wǎng)絡(luò)容錯(cuò)性和堅(jiān)韌性的計(jì)算理論。

基于人類的思維方式的轉(zhuǎn)變：線性思維轉(zhuǎn)到非線性思維。神經(jīng)元、神經(jīng)網(wǎng)絡(luò)都具有非線性、非局域性、非定常性、非凸性和混沌等特性，故此在計(jì)算智能的層次上進(jìn)行非線性動力系統(tǒng)、 混沌神經(jīng)網(wǎng)絡(luò)以及對神經(jīng)網(wǎng)絡(luò)的數(shù)理研究。從而進(jìn)一步研究自適應(yīng)性子波、非線性神經(jīng)場的興奮模式、神經(jīng)集團(tuán)的宏觀力學(xué)等。因?yàn)椋蔷€性問題的研究是神經(jīng)網(wǎng)絡(luò)理論發(fā)展的一個(gè)最大動力，也是它面臨的最大挑戰(zhàn)。此外，神經(jīng)網(wǎng)絡(luò)與各種控制方法有機(jī)結(jié)合具有很大發(fā)展前景，建模算法和控制系統(tǒng)的穩(wěn)定性等研究仍為熱點(diǎn)問題，而容忍控制、可塑性研究可能成為新的熱點(diǎn)問題。開展進(jìn)化并行算法的穩(wěn)定性分析及誤差估計(jì)方面的研究將會促進(jìn)進(jìn)化計(jì)算的發(fā)展。把學(xué)習(xí)性并行算法與計(jì)算復(fù)雜性聯(lián)系起來，分析這些網(wǎng)絡(luò)模型的計(jì)算復(fù)雜性以及正確性，從而確定計(jì)算是否經(jīng)濟(jì)合理。因而關(guān)注神經(jīng)信息處理和腦能量兩個(gè)方面以及它們的綜合分析研究的最新動態(tài)，吸收當(dāng)代腦構(gòu)象等各種新技術(shù)和新方法是十分重要的。

離散符號計(jì)算、神經(jīng)計(jì)算和進(jìn)化計(jì)算相互促進(jìn)或者最終導(dǎo)致這3種計(jì)算統(tǒng)一起來，這算得上是我們回避不了的一個(gè)重大難題。預(yù)計(jì)在21世紀(jì)初，關(guān)于這個(gè)領(lǐng)域的研究會產(chǎn)生新的概念和方法。尤其是視覺計(jì)算方面會得到充分地發(fā)展。我們應(yīng)當(dāng)抓住這個(gè)機(jī)會，力求取得重大意義的理論和應(yīng)用成果。

3.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和神經(jīng)元芯片的應(yīng)用研究

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的研究是神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)以及成功地實(shí)現(xiàn)應(yīng)用的前提，又是優(yōu)越的物理前提。它體現(xiàn)了算法和結(jié)構(gòu)的統(tǒng)一，是硬件和軟件的混合體，這種硬軟混合結(jié)構(gòu)模型可以為意識的作用和基本機(jī)制提供解釋。未來的研究主要是針對信息處理功能體，將系統(tǒng)、結(jié)構(gòu)、電路、 器件和材料等方面的知識有機(jī)結(jié)合起來，建構(gòu)有關(guān)的新概念和新技術(shù)，如結(jié)晶功能體、最子效應(yīng)功能體、高分子功能體等。在硬件實(shí)現(xiàn)上，研究材料的結(jié)構(gòu)和組織，使它具有自然地進(jìn)行信息處理的能力，如神經(jīng)元系統(tǒng)、自組織系統(tǒng)等。神經(jīng)計(jì)算機(jī)的主要特征是具有并行分布式處理、學(xué)習(xí)功能，這是一種提高計(jì)算性能的有效途徑，使計(jì)算機(jī)的功能向智能化發(fā)展，與人的大腦的功能相似，并具有專家的特點(diǎn)，比普通人的反應(yīng)更敏捷，思考更周密。光學(xué)神經(jīng)計(jì)算機(jī)具有神經(jīng)元之間的連接不僅數(shù)量巨大而且結(jié)合強(qiáng)度可以動態(tài)控制，因?yàn)楣獠ǖ膫鞑o交叉失真，傳播容量大，并可能實(shí)現(xiàn)超高速運(yùn)算，這是一個(gè)重要的發(fā)展領(lǐng)域，其基礎(chǔ)科學(xué)涉及到激光物理學(xué)、非線性光學(xué)、光紊亂現(xiàn)象分析等，這些與神經(jīng)網(wǎng)絡(luò)之間在數(shù)學(xué)構(gòu)造上存在著類似性。近年來，人們采用交叉光互連技術(shù)，保證了它們之間沒有串?dāng)_，它有著廣闊的發(fā)展前景。在技術(shù)上主要有超高速、大規(guī)模的光連接問題和學(xué)習(xí)的收斂以及穩(wěn)定性問題，可望使之得到突破性進(jìn)展；另一種是采用LSI技術(shù)制作硅神經(jīng)芯片，以及二維VLSI技術(shù)用于處理具有局部和規(guī)則連接問題。在未來一、二十年里半導(dǎo)體神經(jīng)網(wǎng)絡(luò) 芯片仍將是智能計(jì)算機(jī)硬件的主要載體，而大量的神經(jīng)元器件，如何實(shí)現(xiàn)互不干擾的高密度、高交叉互連，這個(gè)問題可望盡早得到解決。此外，生物器件的研究正處于探索之中，研究這種模型的理論根據(jù)是當(dāng)硅集成塊和元件間的距離如果接近0.01微米時(shí)，電子從鄰近元件逸入的概率將很有限，便產(chǎn)生“隧道效應(yīng)”的現(xiàn)象，它是高集成電路塊工作不可靠的原因之一。而生物芯片由于元件是分子大小的，其包裝密度可成數(shù)量級增加，它的信號傳播方式是孤電子，將不會有損耗，并且?guī)缀醪划a(chǎn)生熱。因此，它有更誘人的前景。隨著大量神經(jīng)計(jì)算機(jī)和神經(jīng)元芯片應(yīng)用于高科技領(lǐng)域，給神經(jīng)網(wǎng)絡(luò)理論和方法賦予新的內(nèi)容，同時(shí)也會提出一些新的理論課題，這是神經(jīng)網(wǎng)絡(luò)迅速發(fā)展的一個(gè)動力。

4 結(jié)束語

近年來，我國“863”計(jì)劃、攻關(guān)計(jì)劃、“攀登”計(jì)劃和國家自然科學(xué)基金等，都對神經(jīng)網(wǎng)絡(luò)的研究給予了資助，吸引了大量的優(yōu)秀青年人才從事神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究工作，并促進(jìn)我國能在這個(gè)領(lǐng)域取得世界上的領(lǐng)先地位。在21世紀(jì)科學(xué)技術(shù)發(fā)展征程中，神經(jīng)網(wǎng)絡(luò)理論的發(fā)展將與日俱增。

參考文獻(xiàn)：

[1] 閻平凡.人工神經(jīng)網(wǎng)絡(luò)的容量、學(xué)習(xí)與計(jì)算復(fù)雜性[J]. 電子學(xué)報(bào),1995,23.

神經(jīng)網(wǎng)絡(luò)范文第3篇

關(guān)鍵詞：期貨；主成分分析；RBF神經(jīng)網(wǎng)絡(luò)；預(yù)測

1引言

在對實(shí)際問題進(jìn)行描述和處理中，為了能夠獲得更加全面的信息，我們經(jīng)常需要統(tǒng)計(jì)多個(gè)變量的數(shù)據(jù)。但是這些多個(gè)變量之間經(jīng)常存在一定的相關(guān)性，并不是每個(gè)變量都是我們所需要的，或者說它們攜帶的信息可能是重復(fù)的。因此我們希望用少數(shù)幾個(gè)變量來代替原有的多個(gè)變量。主成份分析法的基本思想就是通過對原始數(shù)據(jù)的降維，將多個(gè)相互關(guān)聯(lián)的變量轉(zhuǎn)化為少數(shù)幾個(gè)互不相干的變量的統(tǒng)計(jì)方法。

由于期貨價(jià)格的變化是一個(gè)非線性的時(shí)間序列，利用傳統(tǒng)的統(tǒng)計(jì)方法對期貨的價(jià)格直接進(jìn)行預(yù)測，所得到的結(jié)果不是很理想。而神經(jīng)網(wǎng)絡(luò)在非線性模式中具有優(yōu)勢,因而它不需要建立復(fù)雜的數(shù)學(xué)模型就可以完成期貨價(jià)格預(yù)測?；贐P網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)的預(yù)測都有較好的結(jié)果,但是相對BP網(wǎng)絡(luò)而言,利用RBF神經(jīng)網(wǎng)絡(luò)不僅解決了常用BP網(wǎng)絡(luò)易陷入局部最小的問題,而且訓(xùn)練時(shí)間更短,預(yù)測的精度也比BP網(wǎng)絡(luò)高得多。本文提出使用基于主成分分析法的RBF神經(jīng)網(wǎng)絡(luò)方法對期貨價(jià)格進(jìn)行預(yù)測。通過主成分分析法對原始數(shù)據(jù)降維，然后,再用這些個(gè)數(shù)較少的新輸入變量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行模擬預(yù)測。由于主成分之間是相互獨(dú)立的,所以由各主成分組成的輸入空間不存在自相關(guān)性,從而有效地簡化了RBF網(wǎng)絡(luò)在高維時(shí)難以尋找網(wǎng)絡(luò)中心的問題,提高了預(yù)測精度。

2主成分分析法簡介及RBF神經(jīng)網(wǎng)絡(luò)算法概述

2.1主成分分析法

主成分分析法的步驟如下：

（1）原始數(shù)據(jù)的標(biāo)準(zhǔn)化處理。

主成分分析法的目的就是使用較少的變量代替并綜合反映原來較多的信息，綜合后的變量就是原來多變量的主要成分，利用這些綜合后的主要成分去代替原來的變量去解決實(shí)際問題。這里首先利用以下公式對原始變量進(jìn)行標(biāo)準(zhǔn)化處理。其中原變量為xij，其含義為第j個(gè)變量的第i個(gè)值，則處理后的變量值為yij，

（3）計(jì)算矩陣R的特征根和特征向量。

利用R的特征方程|R-λi|=0求出其特征根，其對應(yīng)的特征向量利用|R-λi|A=0和AA''''=1求得。然后對所求得的特征根按照大小順序進(jìn)行排列。

（4）計(jì)算方差貢獻(xiàn)率與累計(jì)方差貢獻(xiàn)率。

利用公式Ki=λi/∑ni=1代入所求的特征根λi，求出各個(gè)主成分的貢獻(xiàn)率Ki，其貢獻(xiàn)率就代表了原數(shù)據(jù)信息量的百分比。

（5）確定主成分計(jì)算其得分值。

主成分的確定方法主要有兩種：（1）當(dāng)前K個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到某一特定值的時(shí)，則保留前K個(gè)主成分。一般采用超過85%以上。（2）選取特征值大于1的主成分。這兩種可視情況進(jìn)行選取，一般前者取得主成分要多，后者要少，通常情況下是將兩者結(jié)合一起來進(jìn)行使用。

2.2RBF神經(jīng)網(wǎng)絡(luò)算法概述

徑向基（RBF）網(wǎng)絡(luò)是以函數(shù)逼近理論為基礎(chǔ)構(gòu)造的一類向前網(wǎng)絡(luò)。其網(wǎng)絡(luò)結(jié)構(gòu)為三層，隱含層采用高斯函數(shù)為激勵(lì)函數(shù)，理論上,只要隱含層中有足夠的徑向基神經(jīng)元,徑向基函數(shù)網(wǎng)絡(luò)就可以逼近任何非線性函數(shù)。輸出層為簡單的線性加權(quán)函數(shù)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖所示。

其中W1i為每個(gè)隱含層神經(jīng)元與輸入層相連的權(quán)值向量，Xq為輸入矢量，b1i為閾值。則隱含層的第i個(gè)神經(jīng)元的輸入為：

kqi=j(w1ji-xqj)2×b1i

輸出為：

rqi=exp((-kqi)2)=exp(-(||w1ji-Xq||×b1i)2)

輸出層的輸入則為各隱含層神經(jīng)元的加權(quán)求和。由于激勵(lì)函數(shù)為線性函數(shù)，因此輸出為：

yq=∑ni=1ri×w22

RBF網(wǎng)絡(luò)首先通過無教師學(xué)習(xí)確定訓(xùn)練輸入層與隱含層間的權(quán)值w2。再通過有教師學(xué)習(xí),確定訓(xùn)練隱含層與輸出層間的權(quán)值w1i。在RBF網(wǎng)絡(luò)訓(xùn)練中，隱含神經(jīng)元的數(shù)量確定是一個(gè)關(guān)鍵的問題。其基本原理是從0個(gè)神經(jīng)元開始訓(xùn)練，通過檢查輸出誤差使網(wǎng)絡(luò)自動增加神經(jīng)元。每次循環(huán)使用，使網(wǎng)絡(luò)產(chǎn)生的最大誤差所對應(yīng)的輸入向量作為權(quán)值向量w1i，產(chǎn)生一個(gè)新的隱含層神經(jīng)元，然后檢查新網(wǎng)絡(luò)的誤差，重復(fù)此過程直到達(dá)到誤差要求或最大隱含層神經(jīng)元為止。由此可見，徑向基函數(shù)網(wǎng)絡(luò)具有結(jié)構(gòu)自適應(yīng)確定、輸出與初始權(quán)值無關(guān)等特點(diǎn)。

3改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)對期貨價(jià)格的實(shí)例預(yù)測

3.1主成分分析

期貨的價(jià)格是受很多因素影響,如國家政策、季節(jié)氣候、供求關(guān)系、戰(zhàn)爭等,所以其價(jià)格會上下波動,呈現(xiàn)出一個(gè)非線性時(shí)間序列。其交易價(jià)格本文選取2007年6月7日至8月29日燃油0801每個(gè)交易日的開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、交易量、持倉量、前5日均價(jià)、前10日均價(jià)為初始變量，每個(gè)變量60個(gè)數(shù)據(jù)，前59個(gè)為訓(xùn)練樣本，最后一個(gè)為檢測樣本?？紤]到期貨交易與股票交易的不同，其交易方式是雙向交易，從投資者獲利的角度考慮，其并不像股票市場一樣單純的考慮股票價(jià)格增長，加上每個(gè)星期正常的期貨交易日僅為5天，所以在這里我們考慮選取后5日均價(jià)作為預(yù)測目標(biāo)，這樣的選擇更有實(shí)際意義。在這里本文直接利用SPSS軟件包，選擇數(shù)據(jù)降維，再選用主成分分析，可以直接得到各個(gè)主成分的方差累計(jì)貢獻(xiàn)率，如表1所示：

從表中我們可以看出，第一個(gè)主成分主要包含了開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、以及前5日均價(jià)共五個(gè)變量的信息，第二個(gè)主成分主要包含了成交量和持倉量兩個(gè)變量的信息，而第三個(gè)主成分則主要包含了前十日均價(jià)一個(gè)變量的信息。由此可以看出，通過數(shù)據(jù)降維，將原來的8個(gè)變量，轉(zhuǎn)化為現(xiàn)在的3個(gè)變量了。

3.2神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)及訓(xùn)練

現(xiàn)設(shè)計(jì)一個(gè)三層的神經(jīng)網(wǎng)絡(luò)，輸入層有3個(gè)神經(jīng)元，輸出層神經(jīng)元為1個(gè)。利用下式對輸入、輸出值進(jìn)行標(biāo)準(zhǔn)化，可使得輸入、輸出值其均落在［－1，1］區(qū)間。

xn=2*(x-minx)/(maxx-minx)-1

在matlab的神經(jīng)網(wǎng)絡(luò)工具箱中用newrb函數(shù)設(shè)計(jì)這個(gè)徑向基函數(shù)網(wǎng)絡(luò),用其作函數(shù)逼近時(shí),可自動增加隱含層神經(jīng)元,直到達(dá)到均方誤差為止,利用語句:net=newrb(P,T,GOAL,SPREAD)進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)，其中GOAL為均方誤差，這里取值為0.0001,SPREAD為徑向基函數(shù)的擴(kuò)展速度,其值越大，函數(shù)的擬合就越平滑。經(jīng)過試驗(yàn),當(dāng)其取0.058時(shí)，其預(yù)測效果最好。把2007年6月7日至8月28日的燃油0801選定的主成分作為輸入的訓(xùn)練樣本，標(biāo)準(zhǔn)化的后5日均價(jià)的值作為輸出的訓(xùn)練樣本，8月29日的數(shù)據(jù)作為測試樣本，計(jì)算結(jié)果如下：

4結(jié)語



由此可看出基于主成分分析法的徑向基神經(jīng)網(wǎng)絡(luò)較一般的徑向基網(wǎng)絡(luò)有更簡潔的網(wǎng)絡(luò)結(jié)構(gòu)，對于相對比較復(fù)雜的期貨價(jià)格預(yù)測，基于主成分分析法的徑向基神經(jīng)網(wǎng)絡(luò)得到的結(jié)果也更加精確。不過徑向基神經(jīng)網(wǎng)絡(luò)本身對擴(kuò)展速度的選擇沒有一個(gè)固定的標(biāo)準(zhǔn)，不同的值得到的結(jié)果有較大的偏差，這是該網(wǎng)絡(luò)的一個(gè)缺陷，也是今后研究的一個(gè)方向。

參考文獻(xiàn)

［1］黃穎,白玫,李自珍.基于主成分-BP神經(jīng)網(wǎng)絡(luò)的期貨市場預(yù)測［J］.數(shù)學(xué)的實(shí)踐與認(rèn)識.2007,(7)：23-26.

［2］劉興彬，萬發(fā)祥.RBF神經(jīng)網(wǎng)絡(luò)主成分分析法在交通量預(yù)測中的應(yīng)用［J］.山西科技,2001,(1)：54-56.

神經(jīng)網(wǎng)絡(luò)范文第4篇

關(guān)鍵詞：網(wǎng)絡(luò)輿情；BP神經(jīng)網(wǎng)絡(luò)；預(yù)警

中圖分類號：C915 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2014）22-5283-04

互聯(lián)網(wǎng)這些年來在我國的快速的發(fā)展，我國網(wǎng)民人數(shù)較之前有了大幅的提升。網(wǎng)絡(luò)的開放性和靈活性讓其成為反映社會輿情的主要載體之一。而近兩三年網(wǎng)絡(luò)輿情引發(fā)的事件激增，引起了政府的高度重視，網(wǎng)絡(luò)儼然已成為政府部門了解民意的又一理想窗口。顯然，能夠直觀表達(dá)網(wǎng)絡(luò)輿情的光定性的解讀遠(yuǎn)遠(yuǎn)不夠，對于決策者更希望得到一個(gè)輿論事件過程中所處的量化等級。由于輿情危機(jī)產(chǎn)生具有模糊性和隨機(jī)性是非線性的，因此通過建立預(yù)警指標(biāo)，再利用容錯(cuò)能力高，通過學(xué)習(xí)復(fù)雜數(shù)據(jù)發(fā)現(xiàn)規(guī)律進(jìn)行識別的人工神經(jīng)網(wǎng)絡(luò)是不二選擇。故本文的核心在于BP神經(jīng)網(wǎng)絡(luò)[1]。

1 網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系

網(wǎng)絡(luò)輿情危機(jī)的發(fā)生，受到多種隨機(jī)因素的影響，而且每個(gè)因素對結(jié)果所起的效果大小也是不一樣的。因此網(wǎng)絡(luò)輿情危機(jī)預(yù)警的關(guān)鍵是建立科學(xué)、系統(tǒng)的預(yù)警指標(biāo)體系。依據(jù)近些年來網(wǎng)絡(luò)輿情方面專家的調(diào)查匯總和政府機(jī)構(gòu)對輿情監(jiān)督部門的考察，并結(jié)合網(wǎng)絡(luò)輿情與危機(jī)預(yù)警機(jī)制方面的資料，經(jīng)過多次地調(diào)試整理匯總制定出，對網(wǎng)絡(luò)輿情信息從五個(gè)具體的指標(biāo)構(gòu)建了網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系[2]。

1.1 輿情預(yù)警指標(biāo)

1.1.1 輿情信息的敏感度

網(wǎng)絡(luò)上有各式各樣的信息，而這些各式各樣的信息其敏感度也是不同的，對于可能造成社會動蕩的網(wǎng)絡(luò)信息則是政府最為關(guān)注的。顯然各條信息所引起的社會敏感度是不同的，敏感度越高說明產(chǎn)生輿論危機(jī)的可能性就越高。這種指標(biāo)的量化標(biāo)準(zhǔn)采用專家打分的方法得到。得分設(shè)定的范圍為[0，1]，0、0.5、0.7、1表示的意義依次為“具有敏感性”、“敏感”、“很敏感”、“相當(dāng)敏感”。

1.1.2 輿情信息的流通量

輿情信息的流通量反映出輿情信息在網(wǎng)絡(luò)上傳播情況和討論熱度。而這些網(wǎng)絡(luò)上的流通信息會被搜索引擎例如Google、百度等抓取。因此通過限定時(shí)間段搜索引擎搜索關(guān)鍵詞得到的搜索量可以作為流通量使用。

1.2.3 輿情觀點(diǎn)傾向度

輿情觀點(diǎn)傾向度主要量化網(wǎng)民對于某個(gè)輿論信息觀點(diǎn)傾向度。分別由1，0，-1表示正面、中立、反面觀點(diǎn)，用[f（x）][f（x）]表示各個(gè)觀點(diǎn)面傾向度，n表示發(fā)表觀點(diǎn)的總觀點(diǎn)數(shù)，此指標(biāo)用[μ]表示：

其實(shí)就是求各個(gè)觀點(diǎn)總和的均值，其取值范圍在（-1，1）。這部分則是通過統(tǒng)計(jì)事件討論最熱的貼吧的跟帖信息或者微博評論進(jìn)行打分得到的。

1.2.4 輿情影響范圍

輿情影響范圍是指在某一時(shí)刻或時(shí)間段內(nèi)，輿情信息所影響的區(qū)域性范圍。對于這部分的評分依照我國的行政地域劃分進(jìn)行評分。即村＼社區(qū)、鄉(xiāng)＼鎮(zhèn)＼街道、縣＼區(qū)、市、省、國家。其取值范圍為[0，1]。這部分的取值則是通過新聞報(bào)道中時(shí)間的發(fā)展態(tài)勢進(jìn)行取值。地域?qū)?yīng)的取值見下表：

1.2.5 網(wǎng)絡(luò)輿情媒體曝光度

網(wǎng)絡(luò)輿情信息被媒體曝光之后則將網(wǎng)絡(luò)信息的討論引到現(xiàn)實(shí)社會中，而現(xiàn)實(shí)中媒體的報(bào)道是有著比網(wǎng)絡(luò)更為嚴(yán)格的審查制度。媒體的報(bào)道無疑對網(wǎng)絡(luò)輿情有著更為影響力的宣傳進(jìn)而推動著輿論的發(fā)展。而這部分的數(shù)據(jù)則采用Google news中通過對時(shí)間段的設(shè)定搜索關(guān)鍵詞得到相應(yīng)的搜索到的新聞條數(shù)進(jìn)行量化評價(jià)媒體的曝光度。

1.2.6 輿情指標(biāo)

而結(jié)果評級依照《國家突發(fā)公共事件總體應(yīng)急預(yù)案》將預(yù)警等級設(shè)為四個(gè)等級：特別嚴(yán)重、嚴(yán)重、較重和一般。而根據(jù)網(wǎng)絡(luò)輿情危機(jī)的嚴(yán)重程度、經(jīng)濟(jì)程度、可控性等方面將預(yù)警設(shè)為5個(gè)等級：安全、輕警、中警、重警、急警[7]。

2 數(shù)據(jù)獲取與處理

2.1 事件的選取和回顧

在實(shí)證分析中以“寧波PX事件”為預(yù)警模型的最終目標(biāo)，而選擇了“廈門PX事件”和“昆明PX事件”為學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)。這一連串關(guān)于PX事件其危害的對象不僅僅是政府形象更是對整個(gè)社會和諧穩(wěn)定造成了較大的影響。尤其是寧波PX事件中，甚至出現(xiàn)了不理智的因受謠言的蠱惑沖擊政府機(jī)關(guān)掀翻執(zhí)勤警車的情況。倘若能及時(shí)且準(zhǔn)確地對此類事件進(jìn)行預(yù)警并作出相應(yīng)的預(yù)防措施就能對事件進(jìn)行有效的控制。

2.2 指標(biāo)數(shù)據(jù)的獲取

對于所建立的模型而言其關(guān)鍵不僅僅在于預(yù)警模型的指標(biāo)的建立和神經(jīng)網(wǎng)絡(luò)的識別。其數(shù)據(jù)的獲取亦是十分關(guān)鍵的一步。根據(jù)各個(gè)數(shù)據(jù)的特點(diǎn)，整理各個(gè)指標(biāo)數(shù)據(jù)獲取方式如下。

將廈門PX事件和昆明PX事件作為一個(gè)學(xué)習(xí)樣本，其數(shù)據(jù)清單如表3所示。

同樣將模型的預(yù)警目標(biāo)――“寧波PX事件”作為目標(biāo)數(shù)據(jù)，其數(shù)據(jù)清單如表4所示。

2.3 輸入數(shù)據(jù)的標(biāo)準(zhǔn)化處理

網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系中有5個(gè)預(yù)警指標(biāo)，其中存在定性指標(biāo)和定量指標(biāo)兩大類，并且對各個(gè)指標(biāo)的數(shù)據(jù)進(jìn)行了量化處理，然而各個(gè)指標(biāo)的單位的量綱是不同的，為了能夠?qū)Ω鱾€(gè)指標(biāo)進(jìn)行對比評分 ，需要將它們進(jìn)行標(biāo)準(zhǔn)化得到[0，1]無量綱指標(biāo)。

量化的指標(biāo)均有正負(fù)方向均有正負(fù)方向之分，自然這些數(shù)據(jù)的標(biāo)注化方法均有不同：

1）正向指標(biāo)處理：正向指標(biāo)表示值越大越安全，危機(jī)等級越小無量綱化以最小值為基準(zhǔn)，正向無量綱化處理方程：

2） 負(fù)向指標(biāo)處理：負(fù)向指標(biāo)在文章中表示指標(biāo)值越小越安全，危機(jī)等級越小。無量綱化以最大值為基準(zhǔn)，負(fù)向的無量綱化處理方程：

其中，X 表示量化后的指標(biāo)值， [xmin]表示指標(biāo)的最小值， [xi] 表示指標(biāo)的實(shí)際值， [xmax]表示指標(biāo)的最大值。

3 輿情預(yù)警模型的建立及結(jié)果

3.1 模型的建立

神經(jīng)網(wǎng)絡(luò)模型是一個(gè)典型的“輸入-處理-輸出”的過程。輸入是采集到的指標(biāo)的實(shí)際值，輸出是模型識別的結(jié)果，即預(yù)警的敏感度，而中間過稱則采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)計(jì)算，這部分相當(dāng)于“黑匣子”。在處理的時(shí)候，該文采用三層BP網(wǎng)絡(luò)（一個(gè)輸入層、一個(gè)隱含層、一個(gè)輸出層）的網(wǎng)絡(luò)結(jié)構(gòu)，那么輸入、輸出節(jié)點(diǎn)數(shù)分別是5和1[8]。

在設(shè)置完參數(shù)之后用第四章所講述的利用Matlab軟件完成模型的建立。

3.2 結(jié)果及檢驗(yàn)

通過搜集得到的數(shù)據(jù)匯編成的學(xué)習(xí)樣本，并將其中的70%作為樣本，30%作為檢驗(yàn)樣本進(jìn)行。

通過計(jì)算可以得到該表，從該表中容易得到，學(xué)習(xí)過程中準(zhǔn)確率達(dá)到了91.76%。并在測過程中抽取了5項(xiàng)進(jìn)行預(yù)測，得到的準(zhǔn)確率為92.31%，其較高的準(zhǔn)確率。因此有理由認(rèn)為該模型在未來的預(yù)測過程中其準(zhǔn)確率應(yīng)該達(dá)到90%以上。

4 研究結(jié)論

本文的研究結(jié)果表明：基于輿情量化指標(biāo)的BP神經(jīng)網(wǎng)絡(luò)能夠?qū)W(wǎng)絡(luò)輿情信息進(jìn)行較為準(zhǔn)確的預(yù)警，無論是學(xué)習(xí)還是最后實(shí)踐的識別準(zhǔn)確率都達(dá)到了80%以上。這種預(yù)警方法通過輿情信息的預(yù)警指標(biāo)利用量化評價(jià)方法可以降低人為的主管臆斷，而實(shí)驗(yàn)結(jié)果也表明了其擁有較高的識別準(zhǔn)確率。并且利用Matlab進(jìn)行編程得到的預(yù)警模型具有廣泛的應(yīng)用前景和使用價(jià)值。模型可以為政府提供網(wǎng)絡(luò)輿情的預(yù)警，也為企業(yè)的網(wǎng)絡(luò)聲譽(yù)進(jìn)行預(yù)警為企業(yè)的公關(guān)提供預(yù)警參考。

參考文獻(xiàn)：

[1] 薛圈圈.基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情危機(jī)預(yù)警研究[D].江西：江西財(cái)經(jīng)大學(xué)，2010：25-30.

[2] 戴媛.我國網(wǎng)絡(luò)輿情安全評估指標(biāo)體系研究[D].北京：北京化工大學(xué)，2008：13-22.

[3] 袁越.廈門PX時(shí)間[OL].http：//.cn/c/2007-09-27/165713986641.shtml.

[4] 王秀娟.昆明PX事件[N].中國石油石化，2013.

[5] 大公網(wǎng).鎮(zhèn)海PX項(xiàng)目引發(fā)[OL].http：///mainland/node_13226.htm.

[6] 周子健.基于網(wǎng)絡(luò)搜索量的上海世博會國際影響力研究[J].藝海，2011（5）：80-82.

神經(jīng)網(wǎng)絡(luò)范文第5篇

美格是一家高端顯示器品牌，自1996年進(jìn)入國內(nèi)市場以來，依靠索尼的顯像管技術(shù)和華旗資訊等渠道的本土優(yōu)勢在國內(nèi)市場節(jié)節(jié)勝利，但是2001年上半年美格跟索尼的合作關(guān)系卻意外地破裂了，產(chǎn)品停頓，中國公司高層集體辭職，渠道陷于癱瘓，迫使美格不得不進(jìn)行一系列大刀闊斧的改革。

2001年6月，美格現(xiàn)任執(zhí)行副總裁俞翠薇走馬上任，8月15日，俞翠薇完成了對美格方向的思考，宣布啟動"美格啟程光電時(shí)代"計(jì)劃。目標(biāo)有兩個(gè)：稀釋對上游技術(shù)提供商的過度依賴；重建渠道，增強(qiáng)對渠道的控制和把握能力。而渠道建設(shè)，是美格的重中之重，俞翠薇說："如果一家企業(yè)沒有有效的神經(jīng)網(wǎng)絡(luò)，就如同一個(gè)植物人，即便有人割下他身上的肉，鮮血淋漓，他也感覺不到。這是很危險(xiǎn)的！"

斷線的風(fēng)箏

日前，記者來到了美格北京事業(yè)平臺，赫然在目的LOGO卻是"北京廣深美科技有限公司"。據(jù)進(jìn)進(jìn)出出忙碌不已的廣深美員工介紹，作為廠商派駐的美格北京科技事業(yè)平臺一直就跟他們一起辦公，該派駐機(jī)構(gòu)的總經(jīng)理鄧偉同時(shí)就是廣深美的實(shí)際總經(jīng)理。廠商派駐高管兼任渠道的總經(jīng)理，渠道和企業(yè)派駐機(jī)構(gòu)合一，倒是件新鮮事。

據(jù)美格北京事業(yè)平臺有關(guān)人員介紹，過去美格顯示器渠道推廣全權(quán)由總負(fù)責(zé)，美格自己幾乎不介入，結(jié)果帶來了一些意想不到的問題。俞翠薇認(rèn)為以往的渠道在信息傳遞上存在著兩個(gè)致命的缺點(diǎn)：其一，信息傳遞過程中每多一個(gè)環(huán)節(jié)，畸變程度就會大幅度提高，結(jié)果廠商獲得的消息往往難以準(zhǔn)確地反映市場狀況。同時(shí)，由于不同地區(qū)的總對美格的理解不同，他們在各自的區(qū)域市場上樹立了不同的品牌形象，處于一種諸侯割據(jù)的分散狀態(tài)，不利于建立統(tǒng)一的品牌形象。

其二，市場信息傳遞途徑的不可控和環(huán)節(jié)過多導(dǎo)致信息反饋很慢。作為一個(gè)顯示器廠商，之前美格并沒有直接接觸市場，除了通過媒體和其他一些渠道獲得市場信息外，渠道并不能反饋實(shí)時(shí)有效的市場信息。結(jié)果整個(gè)渠道體系就像是一個(gè)斷線的風(fēng)箏，貨到渠道里后到底市場反應(yīng)如何，貨物積壓多少，美格難以及時(shí)清楚了解。

美格怎樣才能最終做到跟商及用戶三者的一體化？并形成快速的市場反應(yīng)能力--就如同人體的任何一部分碰到火時(shí)，不用等大腦知道皮膚被燒痛，就已經(jīng)形成反射弧，并采取相應(yīng)的動作？

美格公司的高層意識到，要形成這種快速的反應(yīng)能力，公司就需要做出前所未有的創(chuàng)新。經(jīng)過醞釀，美格首先推出了事業(yè)平臺的概念"事業(yè)平臺不是一個(gè)企業(yè)法人，是由美格各地的區(qū)域總與美格派駐的人員共同構(gòu)成的一個(gè)業(yè)務(wù)和市場推廣平臺。"通過美格的常駐人員，美格可以統(tǒng)一其品牌形象，總也將獲得美格更大的支持。

事業(yè)平臺概念首先于2001年8月開始在廣東和華東地區(qū)試點(diǎn)。其由渠道方出資并擔(dān)任董事長、美格方介入具體經(jīng)營管理、在保證渠道商最低利潤基礎(chǔ)上風(fēng)險(xiǎn)共擔(dān)的做法，贏得了有力的支持?，F(xiàn)為北京事業(yè)平臺負(fù)責(zé)人的鄧偉，早在2002年1月被派往華東地區(qū)，開始做美格事業(yè)平臺的試點(diǎn)工作，經(jīng)過短短4個(gè)月時(shí)間，華東地區(qū)就做到了美格產(chǎn)品全國銷量第一位。至今美格已經(jīng)在全國擁有12個(gè)事業(yè)平臺。在渠道競爭最為激烈的北京，廣深美事業(yè)平臺建設(shè)進(jìn)展不慢。

渠道創(chuàng)新

在顯示器行業(yè)，大多數(shù)企業(yè)直到今天仍沿襲著3層（甚至更多）的渠道體系（如圖1所示）。渠道體系層次越多，產(chǎn)品的渠道成本就會越高。

美格渠道改造的第一步是砍掉作為中間商的分銷商層次，要求各地區(qū)總直接面對裝機(jī)商，開始嘗試"連鎖直營+區(qū)域"的模式（如圖2所示）。

連鎖直營主要是由全國的美格專賣店和遍布全國的加盟店組成的。美格現(xiàn)在全國一共有150多家專賣店，店面統(tǒng)一的風(fēng)格、產(chǎn)品價(jià)格、服務(wù)標(biāo)準(zhǔn)，對用戶產(chǎn)生了很強(qiáng)的視覺沖擊力，同時(shí)也能夠不折不扣地執(zhí)行美格的活動計(jì)劃和渠道政策，不會出現(xiàn)原有渠道體系中渠道商執(zhí)行力度不一的弊病。專賣店以及1500家加盟店，直接展示產(chǎn)品給消費(fèi)者，是美格面對用戶的窗口，已經(jīng)成為美格事業(yè)平臺與用戶之間的最佳通路。

專賣店之上的是稱為"事業(yè)平臺"的渠道管理機(jī)構(gòu)。美格的事業(yè)平臺兼顧分公司與區(qū)域總的雙重色彩。在美格的事業(yè)平臺中，業(yè)務(wù)實(shí)施、渠道管理、物流體系、包括人員等各方面都有美格的人員親自參與。當(dāng)?shù)氐暮献骰锇樵谑聵I(yè)平臺中更多的是扮演投資方和企業(yè)行政管理者的角色。美格承諾的長遠(yuǎn)利益和一定的投資回報(bào)率，獲得了合作方的信任；而美格則獲得了對渠道的絕對控制權(quán)，達(dá)到了廠商管理和渠道管理的統(tǒng)一。

跟傳統(tǒng)的顯示器渠道模式相比，美格的優(yōu)點(diǎn)顯而易見：1.廠商與用戶之間的層次減少，大大加強(qiáng)了渠道反應(yīng)能力和反饋速度。2.提高了商的利潤率。3.專賣店統(tǒng)一的形象促進(jìn)了產(chǎn)品的銷售，加強(qiáng)了服務(wù)的力量。

在新的渠道體系中，美格派駐各地的人員被要求每天去各個(gè)賣場的專賣店和加盟店了解情況，并把數(shù)據(jù)發(fā)回給總部。通過他們，美格隨時(shí)可以了解到最新的市場狀況，包括實(shí)際銷售量、庫存、市場反應(yīng)等。