基于ANP-DEA-BP神经网络模型的信息处理方法

摘要

本发明提供基于ANP‑DEA‑BP神经网络模型的信息处理方法，属于信息处理技术领域，将DEA模型与ANP方法综合，可以用来评价多种输入和多种输出决策单元的效率，由此来评价具有复杂生产关系的决策单元的效率，可以进一步了解决策单元资源的使用情况。使用ANP‑DEA模型得出综合值之后，将值输入BP神经网络，减少了在进行评价时的人的主观性、不确定性、模糊性等主观因素的影响，从而提高评价结果的准确性与可信度。

说明书

技术领域

本发明属于信息处理技术领域，具体涉及基于ANP-DEA-BP神经网络模型的信息处理方法。

背景技术

目前，信息处理技术领域能够为决策者解决各种复杂系统问题，但它也存在一些不足。比如没有考虑到不同决策层或者同一层次之间的相互影响；需要提前设定输入输出指标之间的显性表达式，具有许多主观因素，使结论具有很强的主观性等。

多层前向BP神经网络评价模型是目前多指标评价模型应用最多的一种神经网络形式，它具备神经网络的普遍优点，但它也不是非常完美的。从数学角度看，传统的BP神经网络为一种优化方法，它要解决的是一个复杂非线性化问题，网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败；由于BP神经网络算法本质上为梯度下降法，它所要优化的目标函数是非常复杂的，因此，必然会出现“锯齿形现象”，这使得BP算法低效；又由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿。

发明内容

发明目的：在于克服上述背景技术的不足，提供基于ANP-DEA-BP神经网络模型的信息处理方法，从目标层、准则层、指标层构建神经网络评价模型的信息处理体系。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：

基于ANP-DEA-BP神经网络模型的信息处理方法，从目标层、准则层、指标层构建神经网络评价模型，包括如下步骤：

步骤1，获取待处理信息的数据；

步骤2，选择DEA模型的评价对象；

步骤3，评价目标选择DEA-BCC模型进行分析求解；

步骤4，将ANP-DEA模型计算出的结果作为神经网络评价模型的训练样本数据；

步骤5，由训练好的神经网络评价模型得出相应的结果，最终得出评价结果。

进一步地，所述的步骤1中，对所述的待处理信息的数据进行标准化处理，确定指标权重。

进一步地，所述的步骤2中，选择DEA模型的评价对象具体为选择决策单元，其中包含确定输入、输出指标。

进一步地，所述的标准化处理具体为用min-max归一化方法对数据进行无量纲化处理：

其中，

进一步地，所述的确定指标权重是通过网络分析法，并运用Super Decision软件，最终确定各个评价指标的权重值。

进一步地，所述的步骤3中，具体步骤为：

3.1)明确有效性评价目的；

3.2)选择一组具有同性质的决策单元DMU；

3.3)建立输入、输出指标体系；

3.4)选择DEA模型；

3.5)进行投入产出有效性分析。

进一步地，所述的步骤4中，所述的BP神经网络是一种按照误差逆传播算法训练的多层前馈网络；所述的步骤5中，所述的评价结果是通过BP神经网络计算得到，评价结果等级为包括以下情形：

[0，0.2)为特别差；[0.2，0.4)为较差；[0.4，0.6)为一般；[0.6，0.8)为良好；[0.8，1)为优秀。

进一步地，所述的网络分析法将决策问题进行系统的分析、组合形成元素和元素集，构造判断矩阵A，在确定各层次因素之间的权重时，采用一致性矩阵，判断矩阵的一致性检验，一致性指标：

上式CI是指一致性指标，λ是指最大特征值，k是指判断矩阵的阶数；其中，当CI＝0时，矩阵A一致；CI越大，矩阵A的不一致性程度越严重；一致性比率CR，用于确定A的不一致性的容错范围：

其中，RI是指随机一致性指标；当CR<0.1时，矩阵A的不一致性程度在容许范围内，此时矩阵A的特征向量作为权向量。

进一步地，所述的步骤3中，具体包括如下步骤：

假设决策单元DMU的数量是n，在生产活动中具有m种输入向量，则输入向量表示成x＝(x

x

y

其中，x

上式中x

将u＝(u

式中，u和v是权系数，x

u＝(u

v＝(v

其中u>＝0表示对于i＝1,2,...,m，u

上式是一个分式规划的问题，使用Charnes-Cooper变化，即令：

即变成如下的线性规划模型：

该线性规划的对偶规划是：

引入松弛变量S

上述三个线性规划公式中，u和v是权系数，x

上式是BCC模型，通过该模型是否达到最优来对生产活动的规模，技术的有效性进行判断，假设最优值是

进一步地，所述的步骤4中，将ANP-DEA模型计算出的综合效率评价值作为BP神经网络的训练样本，具体包括如下步骤：

确定采用3层神经网络，其中包含一个隐含层建立BP神经网络评价模型；

根据评价指标体系，将由ANP-DEA得到的19个三级指标作为输入层的节点，并将综合效率评价值进行归一化处理，使得数值在[0,1]的区间范围内；

确定隐含层神经元数目，根据常用的经验公式：

(其中b为输入节点个数，c为输出节点数目，d为1～10的整数)，通过训练比较不同隐含层神经元个数时网络误差，确定隐含层神经元数为9。

有益效果：与现有技术相比，本发明将DEA模型与ANP方法综合，可以用来评价多种输入和多种输出决策单元的效率，由此来评价具有复杂生产关系的决策单元的效率，可以进一步了解决策单元资源的使用情况。使用ANP-DEA模型得出综合值之后，将值输入BP神经网络，减少了在进行评价时的人的主观性、不确定性、模糊性等主观因素的影响，从而提高评价结果的准确性与可信度。

附图说明

图1表示根据本发明实施例采用的ANP算法的基本结构网络图；

图2表示根据本发明实施例采用的BP神经网络拓扑结构。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

基于ANP-DEA-BP神经网络模型的信息处理方法，包括以下步骤：

步骤1：获取数据，数据来源于江苏某年份的高校协同创新中心建设进展统计表，江苏某年份的高校协同创新计划年度报告及项目申报汇总；

步骤2：建立评价指标体系，包括协同创新环境指标，协同创新投入指标，协同创新过程指标，协同创新产出指标以及协同创新效用指标；

步骤3：对指标体系内的指标数据进行标准化处理；

步骤4：确定指标权重，包括网络分析法、专家评分法确定指标权重；

步骤5，选择DEA模型的评价对象，即决策单元，其中包含确定输入、输出指标；

步骤6，评价目标选择DEA-BCC模型进行分析求解；

步骤7，将ANP-DEA模型计算出的结果作为BP神经网络的训练样本数据。

步骤8，由训练好的神经网络模型得出相应的结果，最终得出评价结果。

步骤3选用min-max归一化方法对数据进行无量纲化处理过程如下：

(1)对数据进行收集；

(2)接着选用min-max归一化方法，即：

式中，

具体地，评价指标经过标准化处理后，其数值介于0～1之间。

步骤4的层次分析法，协同创新绩效评价是一个复杂的评价系统，通过对其网络结构的分析，并运用Super Decision软件，最终确定各个评价指标的权重值。

步骤5采用DEA模型进行分析求解，具体步骤如下：

(1)明确有效性评价目的是什么；

(2)选择一组具有同性质的决策单元DMU；

(3)建立输入、输出指标体系；

(4)选择DEA模型；

(5)进行投入产出有效性分析；

步骤6采用DEA-BCC模型方法：

BCC模型能够在规模收益变化的情况下，得出决策单元规模效率值、单元的综合效率值，使得评价结果更加全面。

步骤7采用BP神经网络的方法。BP神经网络是一种按照误差逆传播算法训练的多层前馈网络，具有自学习、自组织和良好的容错能力，可以进行大规模的并行信息处理，具有较强的模拟能力。神经网络算法能够克服人的主观因素的影响，能够较好的学习专家评估的方式，经过计算机的评估，得到的结果更加精确。

步骤8最终通过BP神经网络计算出评价结果。其中设定的评价结果等级为：[0，0.2)为特别差；[0.2，0.4)为较差；[0.4，0.6)为一般；[0.6，0.8)为良好；[0.8，1)为优秀。

实施例

本发明基于ANP-DEA-BP神经网络模型的信息处理方法，包括以下步骤：

步骤1：获取数据，数据来源于江苏某年份的高校协同创新中心建设进展统计表，江苏某年份的高校协同创新计划年度报告及项目申报汇总；

步骤2：建立评价指标体系，包括协同创新环境指标，协同创新投入指标，协同创新过程指标，协同创新产出指标以及协同创新效用指标；

步骤3：对指标体系内的指标数据进行标准化处理；

步骤4：确定指标权重，包括网络分析法、专家评分法确定指标权重；

步骤5：选择DEA模型的评价对象，即决策单元，其中包含确定输入、输出指标；

步骤6：评价目标选择DEA-BCC模型进行分析求解；

步骤7：将ANP-DEA模型计算出的结果作为BP神经网络的训练样本数据。

步骤8：由训练好的神经网络模型得出相应的结果，最终得出评价结果。

如图1所示，是ANP的基本结构图，显示出各个元素组之间相互影响的结构。网络分析法(ANP)结构分为控制层和网络层，在高校协同创新中心绩效评价体系中，绩效即是控制层的唯一元素。经分析得到高校协同创新的系统行为主要包括五个二级指标，分别是高校创新中心协同创新环境、高校创新中心协同创新投入、高校创新中心协同创新运行过程、高校创新中心协同创新产出和高校创新中心协同创新效果，他们相互作用、相互影响，最终形成高校协同创新的绩效。

本实施案例建立了高校协同创新绩效评价体系。包含5个二级指标(主因子)，19个三级指标(次因子)，通过对指标体系的评价考核来反映高校协同创新中心的质量。其中，协同创新环境具体包含行业部门和地方政府支持的经费(a

网络分析法把元素划分为两大层，第一层被称为控制层，包括所需处理的问题目标和决策准则。网络分析法处理问题步骤包括：

(1)将决策问题进行系统的分析、组合形成元素和元素集。主要分析判断元素层次是否内部独立，是否存在依存和反馈；

(2)构造判断矩阵；

上式中，A表示判断矩阵，其中a

在确定各层次因素之间的权重时，采用一致性矩阵，即将因素两两相互比较，尽可能减少性质不同因素相互比较的困难，以提高准确度。

(3)判断矩阵的一致性检验，所谓一致性是指判断思维的逻辑一致性；

一致性指标：

上式CI是指一致性指标，λ是指最大特征值，k是指判断矩阵的阶数。

其中，当CI＝0时，A一致；CI越大，A的不一致性程度越严重。

随机一致性指标RI见表1：

表1：一致性指标RI

一致性比率，用于确定A的不一致性的容错范围：

其中，RI是指随机一致性指标。

当CR<0.1时，A的不一致性程度在容许范围内，此时可以用A的特征向量作为权向量。

(4)构造ANP超矩阵和加权超矩阵。ANP赋权的核心工作：解超矩阵，这是一种非常复杂的计算过程，手工运算难度很大，应用Super Decision软件可以解决这个问题。

进一步，步骤3选用min-max归一化方法对数据进行无量纲化处理过程如下：

首先是对数据进行收集；

接着选用min-max归一化方法，即：

式中，

具体地，评价指标经过标准化处理后，其数值介于0～1之间。

具体地，步骤4的层次分析法，协同创新绩效评价是一个复杂的评价系统，通过对其网络结构的分析，并运用Super Decision软件，最终确定各个评价指标的权重值。

具体地，步骤5的选择DEA模型的评价对象，确定输入输出指标，最终敲定的输入二级指标为：高校协同创新环境、高校协同创新投入和高校协同创新运行，以及该二级指标对应下的三级指标；输出二级指标为：高校协同创新产出以及高校协同创新效果，以及该二级指标对应下的三级指标。

具体地，步骤6的评价目标选择DEA-BCC模型进行分析求解，具体原理如下：

假设决策单元DMU的数量是n，在生产活动中具有m种输入向量，则输入向量可以表示成x＝(x

目前，假设有n个DMU

x

y

其中，x

上式中x

为了避免主观因素的影响，并不事先给定输入输出指标的权向量，而是将u＝(u

式中，u和v是权系数，x

u＝(u

v＝(v

其中u>＝0表示对于i＝1,2,...,m，u

上式中x

上式是一个分式规划的问题，使用Charnes-Cooper变化，即令：

即变成如下的线性规划模型：

该线性规划的对偶规划是：

引入松弛变量S

上述三个线性规划公式中，u和v是权系数，x

上式是BCC模型，可通过该模型是否达到最优来对生产活动的规模，技术的有效性进行判断，假设最优值是

具体地，步骤7是将ANP-DEA模型计算出的综合效率评价值作为BP神经网络的训练样本数据。BP神经网络具体的步骤如下：

确定采用3层神经网络，其中包含一个隐含层建立BP神经网络评价模型。

根据评价指标体系，将由ANP-DEA得到的19个三级指标作为输入层的节点，并将综合效率评价值进行归一化处理，使得数值在[0,1]的区间范围内。

确定隐含层神经元数目，根据常用的经验公式：

(其中b为输入节点个数，c为输出节点数目，d为1～10的整数)，通过训练比较不同隐含层神经元个数时网络误差，确定隐含层神经元数为9。

对输出层的设计：高校协同创新绩效的评价结果是对高效协同创新中心水平的衡量，由于期望的输出值应该是一个结果值，所以将输出层的神经元数目定为1，综合专家打分的评价经验，将高校协同创新绩效评价等级分为五个等级，分别为较差，很差，一般，良好和优秀，其中具体对应的等级标度见表2：

表2：等级标度

根据BP神经网络的基本原理，建立对应的拓扑结构，如图2所示，包含输入层、隐含层、输出层结构，BP神经网络根据误差反向传播，按照误差梯度下降法调节各层的权值和阙值，最终得出最优的结果。

采用本实施例的方法，可以为衡量高校协同创新中心的实施成效提供较为科学的评价，有利于提升高校协同创新中心创新能力，推动高校协同创新实践，有利于促进政府对高校协同创新中心进行更好的建设。

本发明综合运用ANP-DEA-BP神经网络模型，构建高校协调创新绩效评价模型，对今后在绩效评价方面的研究具有参考意义。