《表1 p＿test仿真结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《BP神经网络视角下我国油企技术创新效率分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

第一，确立训练组和仿真组。将中国石油、中国石化和中国海油2007—2013年数据训练组输入向量p，由层次分析法（A HP）确立的权重得到各年指标期望值作为导师向量t。然后对所有数据归一化处理备用，图1为已经确定好的训练组输入向量p、仿真数据组p＿test和期望输出向量t。第二，确定隐含层的节点数。通过训练时间和识别率来判断节点数的选择是否合适，在实际操作过程中采取经验公式或者与作为参考，其中m为输出神经元数，n为输入神经元数，为[1，10]之间的常数。本文10个指标作为输入层向量，输出层为1个，经过反复多次训练来比较隐含层的节点数对结果影响的误差值，选择使最终整体误差值最小的N作为隐含层神经元的个数。第三，确定网络训练的方法和具体代码。调用BP神经网络函数newff，设置输入层输入向量p，期望输出向量t，隐含层神经元个数为4个，采用10-4-1结构。中间隐含层采用tansig函数，输出层采用purelin函数，采用标准的梯度下降算法t rainlm，目标误差为0.00001，误差显示步长25，最大训练步长数6000步。训练结果gradient是误差曲面的梯度，当梯度达到0.0000942时，训练结束。Mu是算法里面的一个参数，Performance是Mean Squared Error（均方误差），0.0145是初始值，训练过程迭代得到0.000000123，小于目标值0.00001，训练过程结束。第四，测试数据。比较BP神经网络训练的实际输出值与导师向量，误差在可接受范围之内，该网络可以用于仿真测试。对三大石油企业2014—2015年数据p＿test进行逐一仿真，得到如表1结果。