神經網絡電子政務論文范文

本站小編為你精心準備了神經網絡電子政務論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1數據的預處理

由于數據的獲取難度較大，因此本文借用了相關文章的數據[4]，選取了湖南省十一個省市的數據作為研究的樣本，為了確保輸入數據（包括訓練以及將來要預測的數據）在比較接近的范圍里，我們需要對數據進行歸一化處理。本文的數據主要包括輸入數據和期望輸出數據，輸入數據主要是湖南省十一個市的電子政務指標數據，包括16個輸入維度，輸出的是對電子政務系統的評價結果，主要包括：好、較好、一般、較差、差五個結果。利用下面的線性函數轉換方法完成數據的歸一化。公式中的P為歸一化處理后的數據，P1為原始數據，P1min為原始數據中的最小值，P1max為原始數據中的最大值。通常情況下，用于測試的輸入數據所對應的輸出數據不是量化數據，比如本文中所提到的好、較好、一般、較差、差五個結果。因此本文的輸出數據主要使用的是專家評價得出的分數，來對電子政務績效做出評價，分數評價結果的對應關系為：1-3為差，3-5為較差，5-7為一般，7-9為較好，9以上為好。經過歸一化處理過的指標數據和通過專家評價得出的評價結果如表2所示。

2輸入層、輸出層及隱層節點的設計

由于一個三層的前向網絡具有以任意精度逼近任意一個非線性函數的能力，因此，只需構造一個輸入層、一個隱層和一個輸出層的3層神經網絡。本文中的電子政務績效評價指標體系共包括成本效益、服務對象、內部運營及學習與發展四個指標維度，然后又將其細分成16項三級指標，也就是說神經網絡輸入層的維度為16，即輸入層神經元個數Pn=16。輸出層輸出的結果是我們對電子政務系統的評價，而我們把評價結果好、較好、一般、較差、差作為網絡的唯一輸出，因此，輸出層神經元個數為r=1。1988年Cybenko[11]大量的研究表明在三層神經網絡中一個隱藏層就可以實現任意分類的問題，以任何精度來實現任意非線性的輸入和輸出的映射。本文將隱藏層設置為一層。隱藏層節點的選擇也是一個復雜的問題，如果隱層節點數比較少的話，則有可能導致網絡訓練者性能很差；如果選擇較多的隱層節點數，雖然能夠降低系統誤差，但是會使網絡訓練的時間增加，而且也極易使訓練陷入局部極小點而得不到最優點，最終會導致訓練出現“過擬合”的現象。其中n為輸入層節點數，m為輸出層節點數，a為1~10之間的常數。

3基于BP神經網絡的電子政務績效評價模型的設計

利用BP神經網絡對電子政務績效進行評價的主要步驟有：第一步：根據電子政務發展過程中的相關影響因素，選取合適的電子政務績效評價的指標數據，利用相關的算法對指標數據進行標準化處理[5]，將處理后的指標數據x1，x2，x3，⋯，xn作為輸入BP神經網絡的輸入值。第二步：在輸入層輸入數據以后，數據會在神經網絡中正向傳播，數據在隱藏層進行一層一層的處理，然后會把處理后的數據傳向輸出層，輸出層得到的數據就是實際的輸出值Y。第三步：當輸出層得到實際的輸出值以后，會和期望值進行比較，如果輸出值和期望值不相等，那么會根據相關的公式計算出誤差，然后把誤差信號按照原來的路徑進行反向的傳播，通過不斷的循環的傳播來調整隱藏層神經元的權重，從而使誤差越來越小。第四步：不斷的重復前面的第二步和第三步，一直到誤差可以小到某個閾值，然后停止訓練和學習，只有選擇的樣本足夠多時，神經網絡的訓練才更精確，輸入的樣本數據不同，得到的輸出向量也會不同，當所有的數據樣本的數據值和期望值誤差最小的時候，綜合評價結果更為接近，神經網絡的權重值Wij就是BP神經網絡通過訓練和自適應的學習得到的一個內部的表示。對選取的樣本進行訓練以后，我們就可以利用BP神經網絡的訓練模型對電子政務績效進行評價，而且可以對大規模的電子政務進行績效評價，因為神經網絡具有一定魯棒性[6]，那么會導致出現主觀綜合評價值在一定的程度會與實際值存在少量偏差，但是這個偏差不會影響評價結果。

4應用粒子群算法優化BP神經網絡模型

1995年兩位美國學者對鳥群的群體遷徙和覓食的過程進行了模擬，從而提出了一種智能的優化算法-粒子群優化算法[7]（ParticleSwarmOptimization，PSO），隨著近年來粒子群算法的不斷應用，已經逐漸成為一種新的優化算法。粒子相繼兩次位置的改變取決于粒子當前位置相對于其歷史最佳位置和群體歷史最佳位置的變化。因此，若把網絡的權值看作是PSO算法中粒子的位置，則在網絡訓練過程中，相繼兩次權值的改變可視作粒子的位置的改變。因而類比公式3，網絡的權值改變量計算公式。

5實例分析

首先利用基本的BP神經網絡對選取的樣本進行訓練，這里選取了長沙、株洲、婁底、岳陽、永州、郴州、懷化、湘西等八個城市作為訓練樣本，訓練之前要對訓練參數進行基本設置，由于輸入層和輸出層節點數分別為16和1，那么隱藏層節點數可以選擇5-14個，利用MATLAB經過多次實驗，最終將隱藏層節點數確定為12個最為合適，誤差相對較小。利用PSO優化過的BP神經網絡對十一個市的樣本進行訓練和測試，為了保證測試結果的一致性，這里我們依然選取以下八個城市作為訓練的樣本：長沙、株洲、婁底、岳陽、永州、郴州、懷化、湘西，然后利用剩余的城市作為測試樣本。訓練過程如圖3所示，得到的實際輸出和期望輸出如表4所示。優化后的數值更加接近期望值，而且誤差會比PSO優化前的BP神經網絡的訓練更小，優化前后的測試的結果對比如表5所示。本文在結合了BP神經網絡和粒子群優化算法建立了PSO-BP電子政務績效評價模型，取得了較為滿意的結果，然而本課題依然遇到了諸多的困難和問題，比如：數據獲取困難；另外本文算法中的許多參數都是用了默認值，沒有考慮到優化前后初始權值和閾值的不一致性是否會影響結果，這也同樣成為了后續的研究重點。

作者：劉宏單位：遼寧師范大學管理學院