基于SOM神经网络的江苏常铝经营风险评价研究.docx

?

?

基于SOM神经网络的江苏常铝经营风险评价研究

?

?

郭莉

摘要：近几年，市场竞争日益激烈，上市公司陷入经营危机甚至破产时有发生，造成投资人和债权人的损失。对常铝公司经营过程进行监控和评价，尽早发现风险信号，可以及时采取防范和控制措施，有利于企业持续健康的发展，增强企业实力。文章运用SOM神经网络评价常铝目前的风险等级，得出常铝经营风险等级略高的结论，针对存在的风险，提出确定合理负债和存货，降低成本费用，加强技术力量等建议来降低经营风险。

关键词：经营风险；经营指标；SOM神经网络

一、常铝公司经营风险的综合评价

（一）评价方法的选择

1.主成分分析法

考察多个定量与变量之间是否具有相关性以及相关大小的统计方法，它主要研究怎样通过有限的几个主成分解释协方差结构。

2.回归分析

通过搜集大量的样本数据来确定各变量之间的数学关系式，然后对样本数据所确立的数学关系式的可信程度进行统计检验，并找出对某一特定变量影响较为显著的变量以及影响不显著的变量。

3.SOM神经网络

SOM神经网络是以神经元本身自行组织以修改各类具体模式的概念为基础的。其中网络包含输入层和竞争层两个部分，输入层各神经元和竞争层各神经元之间为双向连接，竞争层各神经元竞争对输入模式的相应机会，最后只有一个神经元能成为竞争的获胜者，并且它能对与获胜神经元有关的各个连接权进行朝着有利于它竞争的方向调整。

通过比较，SOM神经网络能够自发学习和自适，同时也能够对输入模式在原始空间的拓扑结构特征进行学习，还能对输入数据进行正确的分类，所以SOM神经网络方法更适合于评价本文的研究对象。

（二）SOM神经网络的原理和评价步骤

1.SOM神经网络的原理

自组织特征映射网络由芬兰学者TeuvoKohonen于1981年提出。其最大的特点是无教师、自组织、自学习，Kohonen认为，位于空间中不同区域的神经元都有着不同的分工，当一个神经网络接受外界输入模式时，会分为不同的反应区域，每个区域对输入模式都有不同的响应特性。

2.SOM神经网络的结构

SOM网络最为典型的特性就是它能够在一维或者二维的处理单元阵列上，形成输入信号的特征拓扑分布，故SOM网络拥有抽取输入信号模式特征的能力。一般来说，SOM网络只包含一维阵列和二维阵列，但它也能够推广到多维处理单元阵列中去。接下来，我们的讨论仅限于应用较多的二维阵列。

假设网络输入值是X∈Rn，输出神经元i与输入单元的连接权值Wi∈Rn，那么输出神经元i的输出oi为：

3.SOM网络评价步骤

（1）初始化。对N个输入神经元至输出神经元的连接权值赋予较小的权值。其中，Sj（0）表示时刻t=0神经元j的“邻接神经元”的集合，Sj（t）表示时刻t的“邻接神经元”的集合。区域Sj（t）随着时间的增长而不断缩小。

2.模型的构建

（1）网络样本设计

根据网上资料获取了有色金属冶炼及压延加工业中数家上市公司的18个财务指标的原始数据。确定网络的输入模式为：

Pk=（P1k，P2k，…，Pnk）k=1，2，…，9，

n=18（8）

即一共有9个样本，每个样本包括18个因素。

（2）网络设计

首先利用new函数创建一个SOM网络，代码为：

net=newsom（minmax（P），[101]）

其中P为输入向量，minmax（P）指定了输入向量元素的最大值和最小值，[10，1]表示创建网络的竞争层为10×1的结构，然后利用函数train和仿真函数sim对网络进行训练并仿真。

3.模型的训练

这里将步数设置为100、300和500，同时观察其权值位置。

（1）训练步数为100时分类结果为：

yc=1097654211

（2）训练步数为300时分类结果为：

yc=1098754321

（3）训练步数为500时分类结果为：

yc=1097654321

從上述数据可看出，当训练次数达到一定值后，权值位置的改变就不明显了。训练步数为100时，分类结果与另外两个差异较大，训练步数为300和500的分类结果差不多，网络训练结束后，权值和分类结果也就固定了。

4.模型的仿真

运用仿真函数sim来观察网络对样本数据的分类结果。

y=sim（net，P）

yc=vec2ind（y）

test=[0.10380.10660.77390.11850.08380.09400.12400.08080.24230.20950.24030.28720.15320.2130.15650.21890.38380.3054]

结果为

testyc=3

结果说明该组数据属于第3类，由此可见神经网络成功的识别了该数据，因此模型是有效的，可以正确的分类评价。

5.常铝风险类别评价