论文部分内容阅读
模糊综合评价法是在模糊数学的隶属度理论基础上,对一些具有“模糊性”的事物进行宏观模糊数学推理、定性评价与定量评价之间转化的一种综合评价方法。它能较好地处理一些模糊的、难以量化的事务。该方法的关键在于权重向量的确定,目前,大多数方法在权重的确定过程中都难免受到人为主观性因素的影响或者存在计算方法复杂度高等问题,容易出现与实际不符的赋权结果。神经网络法确定权重是利用神经网络学习或训练获取知识,并存储在神经元之间的连接权值中,然后通过相关系数公式计算等方法把相关信息复现,能够“揣摩”、“提炼”出评价指标的客观规律,从而得到相关评价指标的权重。目前,对于利用BP神经网络方法确定权重研究较为广泛,但利用RBF神经网络方法确定权重研究相对较少。相比BP神经网络,RBF神经网络具有收敛速度快,不易陷入局部极小等优势,本文提出利用RBF神经网络方法确定权重,通过网络结构的构建以及具体网络参数的优化设计,使其能够在权重的确定问题上发挥较好的效果。首先,构建了基于RBF神经网络的模糊综合评级模型(Fuzzy Synthetic Evaluation Model,以下简称FSE评级模型),把被评级事务的指标量化数据作为神经网络的输入,最终的评级结果作为网络的输出。通过神经网络训练的方式把RBF神经网络三层结构体系与模糊综合评价方法流程步骤有效的结合起来。为了验证评级模型的有效性,把基于BP神经网络的模糊综合评价模型与本文FSE评级模型分别进行企业模糊综合实力评级,通过比较验证了基于RBF神经网络的FSE评级模型较为有效。其次,提出了利用RBF神经网络优化权重的方法,该方法通过对网络参数的优化设计,构建了相对稳定的RBF神经网络,把样本数据训练得到的结果进行相关系数的逆矩阵公式计算来实现权重的确定,充分发挥了RBF神经网络训练速度快的优势,保证了指标权重确定的客观性,有效提高了权重确定的效率。对模糊综合评价的权重优化研究有一定的借鉴意义。最后,本文把得到的评级指标优化权重与层次分析法确定的评级指标权重相对比,通过仿真实验比对最终的企业模糊综合评级结果证明了基于RBF神经网络优化权重方法的可行性和有效性。它能够有效的克服层次分析法中存在的主观性权重以及计算复杂化等算法缺陷。