基于改進型BP神經(jīng)網(wǎng)絡的管理信息系統(tǒng)開發(fā)風險評價模型*

方文超

(廣東工貿(mào)職業(yè)技術學院，廣東廣州510510)

基于改進型BP神經(jīng)網(wǎng)絡的管理信息系統(tǒng)開發(fā)風險評價模型*

方文超

(廣東工貿(mào)職業(yè)技術學院，廣東廣州510510)

BP神經(jīng)網(wǎng)絡能較好處理非線性化數(shù)據(jù)，但傳統(tǒng)BP神經(jīng)網(wǎng)絡存在著局限性，為了提高神經(jīng)網(wǎng)絡運算的精確度，通過權值和學習率共同優(yōu)化，并采用貝葉斯正則化算法訓練神經(jīng)網(wǎng)絡，形成了基于改進型BP神經(jīng)網(wǎng)絡的管理信息系統(tǒng)開發(fā)風險評價模型，經(jīng)測算，該模型輸出值與實際值高度吻合，模型可接受度較高，并且與傳統(tǒng)BP神經(jīng)網(wǎng)絡相比，改進型BP神經(jīng)網(wǎng)絡的相對誤差更小。

改進型BP神經(jīng)網(wǎng)絡;管理信息系統(tǒng);開發(fā)風險;評價模型

1 引言

管理信息系統(tǒng)是企業(yè)信息化的重要組成部分，其作用日趨顯著。管理信息系統(tǒng)開發(fā)風險的評價直接影響到開發(fā)活動的開展和實施，因此，如何評價管理信息系統(tǒng)開發(fā)風險成為近年來研究的熱點。由于管理信息系統(tǒng)開發(fā)風險較多，評價結果一般都是非線性的，因此傳統(tǒng)評價方法難以準確有效反映相關開發(fā)風險，采用能夠處理非線性化數(shù)據(jù)變得尤為重要，而神經(jīng)網(wǎng)絡(Neural Network)正是處理非線性化數(shù)據(jù)的一個重要工具，其在制造業(yè)、農(nóng)業(yè)、醫(yī)藥學、建筑學等眾多領域有著廣泛的應用［1－4］。神經(jīng)網(wǎng)絡是通過計算機模擬生物體的神經(jīng)元活動規(guī)律，對相關數(shù)據(jù)進行學習，揭示數(shù)據(jù)之間的聯(lián)系，是一項新興的計算機數(shù)據(jù)處理技術。神經(jīng)網(wǎng)絡有著泛化能力，自適應性，具有高度魯棒性，分布存儲和并行處理等特點，融合計算機學科、生物學、控制學、數(shù)學等多學科的技術，是當代人工智能發(fā)展的亮點。

在管理信息系統(tǒng)風險評價模型的研究上，學界主要使用層次分析法(AHP)、Petri網(wǎng)、結構方程等研究方法［5－7］，使用BP神經(jīng)網(wǎng)絡研究的文獻較少，使用改進型BP神經(jīng)網(wǎng)絡的研究更為鮮見。因此，采用改進型BP神經(jīng)網(wǎng)絡進行評價模型構建是一種新的研究思路，探索一種新的研究方法，具有一定的現(xiàn)實意義和實踐意義。

2 BP神經(jīng)網(wǎng)絡以及改進型算法

BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network)是最普遍使用的神經(jīng)網(wǎng)絡，其原理是指通過信號正向傳播和誤差反向傳播確定權值，這個過程會循環(huán)執(zhí)行直到找到合適的值，或誤差少到可接受程度，或到達預先設定學習次數(shù)而終止。在BP神經(jīng)網(wǎng)絡中，以三層前饋網(wǎng)為最常見。

參考相關研究，建立以下模型［8］:

設輸入向量X=(x1，x2，x3，…，xn)，隱層輸出向量Y=(y1，y2，y3，…，yn)，輸出層輸出向量為A= (a1，a2，a3，…，an)，期望輸出向量為R=(r1，r2，r3，…，rn)，輸入層到隱層之間的權值矩陣用B表示，B =(B1，B2，B3，…，Bm)，其中列向量bi為隱層第i個神經(jīng)元對應的權向量;隱層到輸出層之間的權值矩陣用C表示，C=(C1，C2，C3，…，Cl)，其中列向量Ci為輸出層第i個神經(jīng)元對應的權變量，如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡圖

對于輸出層，有

對于隱層，有

在(1)、(3)中f(x)均為單極性Sigmoid函數(shù):

當實際輸出與期望輸出不等時，產(chǎn)生誤差E，

把(5)式代入到隱層，可得

再把(6)式代入到輸入層，可得

BP算法需要調(diào)整誤差，使誤差盡可能地減少，因此可得

以下是推導三層BP算法權值調(diào)整的過程。

對于輸出層，由(8)可得

對于隱層，由(9)可得

對輸出層和隱層各設定一個誤差變量，令

由(2)和(12)，把(10)推導為

由(4)和(13)，把(11)推導為

結合(14)和(15)，可得

以下是誤差對各層的傳遞:

對于輸出層，可得

對于隱層，可得

把(17)和(18)代入到(14)和(15)，可得

把(20)和(21)代人到(14)和(15)，三層前饋網(wǎng)的BP學習算法權值調(diào)整公式為

因此，BP神經(jīng)網(wǎng)絡的算法由學習率η、誤差變量δ和輸入變量X(或Y)決定。

但是由于傳統(tǒng)的BP神經(jīng)網(wǎng)絡存在著容易形成局部最小化和收斂速度慢的缺點，所以近年來學界提出了不同的方案，本文采用權值和學習率共同優(yōu)化改進傳統(tǒng)BP算法，并使用貝葉斯正則化算法(Bayesian regularization algorithm)訓練神經(jīng)網(wǎng)絡。具體如下:

權值調(diào)整為

學習率調(diào)整為

正則化是指通過調(diào)整神經(jīng)網(wǎng)絡的訓練性能函數(shù)以達到網(wǎng)絡泛化能力［9］。一般地，神經(jīng)網(wǎng)絡訓練性能函數(shù)采用均方誤差函數(shù)Ed:

具體而言，正則化就是在(26)式增加一項網(wǎng)絡權值平方和Ep，即把原來性能函數(shù)調(diào)整為新的函數(shù)Eu:

而貝葉斯正則化算法的本質(zhì)是通過在網(wǎng)絡訓練中自適應調(diào)整變量φ，λ的值以使其性能達到最優(yōu)。

3 基于改進型BP神經(jīng)網(wǎng)絡的管理信息系統(tǒng)開發(fā)風險評價模型構建

根據(jù)改進型BP算法，綜合考慮開發(fā)風險評價因素，構建管理信息系統(tǒng)開發(fā)風險評價模型，如圖2所示:

圖2 基于改進型BP神經(jīng)網(wǎng)絡的管理信息系統(tǒng)開發(fā)風險評價模型

步驟1:建立風險評價體系。課題組對廣東省制造業(yè)和IT行業(yè)企業(yè)信息部門進行多次訪談，并對相關企業(yè)進行走訪和深度訪談，設計和發(fā)放相應問卷，結合現(xiàn)實情況，查閱相關文獻，選擇現(xiàn)有管理信息系統(tǒng)的數(shù)據(jù)作為參照來源，綜合評價現(xiàn)有管理信息系統(tǒng)的運行情況與先前風險評價之間的關系，建立風險評價體系。

步驟2:收集資料。課題組從行業(yè)專家、學者、開發(fā)人員、管理人員等收集第一手數(shù)據(jù)，并通過文獻、數(shù)據(jù)庫、網(wǎng)絡等渠道收集第二手數(shù)據(jù)，務求實現(xiàn)資料收集的多方位性、全面性和及時性。

步驟3:確定輸入層神經(jīng)元個數(shù)及參數(shù)。根據(jù)評價體系，結合步驟1的工作，參考相關文獻［10－13］，確定輸入層神經(jīng)元個數(shù)為6，分別是性能風險、成本風險、環(huán)境風險、進度風險、產(chǎn)品風險、過程風險。

步驟4:確定輸出層神經(jīng)元個數(shù)。輸出層神經(jīng)元個數(shù)為1，輸出值(設為a)的取值范圍是:0.7＜a＜=1.0為低度風險，0.4＜a＜=0.7為中度風險，a＜=0.4為高度風險。

步驟5:確定隱層神經(jīng)元個數(shù)。根據(jù)神經(jīng)網(wǎng)絡的原理，如果隱層神經(jīng)元個數(shù)過多，會出現(xiàn)所謂的“過度學習”問題;如果隱層神經(jīng)元個數(shù)過少，也會出現(xiàn)泛化能力下降的可能。因此，采用試湊法進行隱層神經(jīng)元個數(shù)的設定，即先通過，(m為隱層神經(jīng)元個數(shù)，n為輸入層神經(jīng)元個數(shù)，l為輸出層神經(jīng)元個數(shù)，g為1－10的整數(shù))等公式進行初值測算，設置一個相對較小的初值，并逐步增加神經(jīng)元個數(shù)，經(jīng)過多輪試湊，最終確定隱層神經(jīng)元個數(shù)為16。

步驟6:選定輸入、輸出樣本。為了使樣本盡可能反映管理信息系統(tǒng)開發(fā)風險評價的本質(zhì)，課題組先后多次走訪廣東省制造業(yè)和IT行業(yè)企業(yè)，邀請業(yè)內(nèi)專家進行指導，設計第一輪問卷，向部分企業(yè)進行問卷發(fā)放和回收，在此基礎上，對第一輪問卷進行修改，設計了第二輪(即修訂版)問卷，全面向相關企業(yè)信息部門進行發(fā)放和回收，得到了所需要的樣本。修訂版問卷的發(fā)放數(shù)為62，回收有效問卷為56。設定訓練樣本數(shù)為42，測試樣本數(shù)為14。

步驟7:樣本數(shù)據(jù)歸一化處理。由于樣本數(shù)據(jù)量綱不同，以及BP神經(jīng)網(wǎng)絡使用的是Sigmoid函數(shù)的輸出值在［0，1］或［－1，1］，所以必須對樣本數(shù)據(jù)進行歸一化處理，即通過以下公式把數(shù)據(jù)轉(zhuǎn)化為［0，1］區(qū)間:

其中，s為轉(zhuǎn)化為［0，1］區(qū)間的值，ti為輸入或輸出值，tmin為每組輸入或輸出值的最小值，tmax為每組輸入或輸出值的最大值，設a=0.85，b=(1－a)/2

步驟8:權值和學習率共同優(yōu)化的改進算法，通過運用(24)和(25)兩個公式對權值和學習率進行調(diào)整和優(yōu)化，并使用貝葉斯正則化算法訓練BP神經(jīng)網(wǎng)絡，以期改進窗體神經(jīng)網(wǎng)絡的局限性，為模型提供更為準確的輸出結果。

步驟9:輸出評價結果。通過編寫MATLAB程序，輸入樣本，得到相應的運算結果，并由此得到評價結果。

4 數(shù)值算例分析

通過構建模型，設定輸入層神經(jīng)元個數(shù)為6，輸出層神經(jīng)元個數(shù)為1，隱層神經(jīng)元個數(shù)為16，訓練樣本數(shù)為42，測試樣本數(shù)為14，運用MATLAB程序，得到訓練結果和測試結果，并與實際值進行比較，見表1和表2所示，由于篇幅所限，僅顯示部分數(shù)據(jù)，下同。

表1 部分訓練結果與實際結果比較

表2 部分測試結果與實際結果比較

如表1、2所示，無論是訓練樣本還是測試樣本，模型計算的數(shù)值與數(shù)據(jù)數(shù)值的相對誤差很小，兩者評價結果是一致的。而且，經(jīng)過對56個樣本的比較，也得出上述相同的結論，即該模型計算的數(shù)值與實際數(shù)值吻合度較高。

5 改進型BP神經(jīng)網(wǎng)絡與傳統(tǒng)BP神經(jīng)網(wǎng)絡的效果比較

為了測算出改進型BP神經(jīng)網(wǎng)絡與傳統(tǒng)BP神經(jīng)網(wǎng)絡的效果差異，本文分別從改進型BP神經(jīng)網(wǎng)絡與傳統(tǒng)BP神經(jīng)網(wǎng)絡兩個角度對同一樣本進行訓練與測試，得到以下比較結果(如表2所示):

表3 改進型BP神經(jīng)網(wǎng)絡與傳統(tǒng)BP神經(jīng)網(wǎng)絡效果比較

由表3可知，與傳統(tǒng)BP神經(jīng)網(wǎng)絡相比，改進型BP神經(jīng)網(wǎng)絡測試值與實際值的誤差更小。

6 結語

構建管理信息系統(tǒng)開發(fā)風險評價模型，有助于及時發(fā)現(xiàn)管理信息系統(tǒng)開發(fā)風險，也為進一步采取風險防范措施提供可能性。通過算例分析，改進型BP神經(jīng)網(wǎng)絡模型與實際數(shù)值吻合度較高，可接受度較高，而且其相對誤差優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡。并且，基于改進型BP神經(jīng)網(wǎng)絡的管理信息系統(tǒng)開發(fā)風險評價模型使用相對簡便，能夠有效縮短運算時間，能較好為開發(fā)風險提供更準確的評價，在管理信息系統(tǒng)的開發(fā)具有廣泛的適用性，為管理信息系統(tǒng)風險評價提供了一種新的方法。

［1］高霽，曹國強.機械優(yōu)化設計中BP神經(jīng)網(wǎng)絡的應用研究［J］.機械設計與制造，2004(5):53－55.

［2］石建勛，等.基于BP神經(jīng)網(wǎng)絡方法計算灌區(qū)農(nóng)業(yè)耗水量的研究［J］.工程勘察，2011(5):41－46.

［3］傅旭春.用神經(jīng)網(wǎng)絡法預測藥物在體透過人皮膚的滲透性［J］.浙江大學學報(醫(yī)學版)，2003(2):69－71.

［4］黃鳳潔，等.基于BP神經(jīng)網(wǎng)絡的城市燃氣管網(wǎng)泄漏定位［J］.山東建筑大學學報，2011(5):436－439.

［5］李煜華.管理信息系統(tǒng)的模糊綜合評價模型研究［J］.哈爾濱工業(yè)大學學報，2004(8):1128－1131.

［6］張李義，李雅烽.基于Petri網(wǎng)的信息系統(tǒng)開發(fā)風險管理與決策方法［J］.武漢大學學報(工學版)，2002 (1):84－88.

［7］張薇.基于結構方程模型的信息系統(tǒng)開發(fā)風險評價研究［J］.現(xiàn)代情報，2011(1):47－51.

［8］施彥，韓力群，廉小親.神經(jīng)網(wǎng)絡設計方法與實例分析［M］.北京:北京郵電大學出版社，2009:23－75.

［9］陳黎霞，炳南.基于Bayesian正則化算法的非線性函數(shù)擬合［J］.河南科學，2005(1):23－25.

［10］Rees J，Allen J.The State of Risk Assessment Practices in Information Security:An Exploratory Investigation［J］.Journal of Organizational Computing and Electronic Commerce，2008，18(4):255－277.

［11］Yang F，Shao P，LiD.Research on Risk Managementof Flexibility Information Systems［J］.Management Science and Engineering，2011，5(3):83－86.

［12］百度百科.軟件項目風險管理［EB/OL］.http://baike.baidu.com/view/1317106.htm.

［13］Finne T.Information Systems Risk Management:Key Concepts and Business Processes［J］.Computers＆Security，2000，19(3):234－242.

An Evaluation M odel of M anagement Information System Development Risks Based on Im proved BP Neural Network

FANGWen－chao
(Guangdong College of Industry and Commerce，Guangzhou 510510，China)

BP neural network can dealwith nonlinear data rightly，but traditional BP neural network has limitations.In order to boost the precision，a new evaluation model ofmanagement information system development risks based on improved BP neural network is established through the co－optimization of weight and learning ratio as well as the application of Bayesian regularization algorithm in training neural network.After calculation，the cutput value of thismodel accordswith the actul value，thismodel has a high acceptability.Besides，compared with traditional BP neural network，the relative error of improved BPNeural Network is smaller.

improved BP neural network;management information system;development risks;evaluation model

F270.7

B

1673－5382(2014)03－0079－05

(責任編輯 侯中巖)

2014－03－01

廣東省高職教育商業(yè)類專業(yè)教學指導委員會項目(編號:YSYJZW2013YB03;YSYJZW2013QN09).

方文超(1983－)男，廣東省廣州人，廣東工貿(mào)職業(yè)技術學院講師，高級工程師，經(jīng)濟師.