基于模糊神經網絡算法的進口貨物口岸檢驗檢疫風險評估

曹永斌 張曉龍 安 鑫 劉偉姮 劉 慧

(1.首都機場出入境檢驗檢疫局 北京 101300;2.北京林業大學)

1 前言

近年來,隨著改革開放的不斷深入,我國經濟高速增長,對外貿易進出口量迅猛增加,尤其是原材料、能源和經濟發展需求物質、設備的進口量大幅度上升。雖然國家出臺了一系列的法律法規政策來保證進口貨物的質量,但是還是存在一定數量的魚目混珠和良莠不齊現象,這嚴重損害了國家和人民的利益,因此,保證進口貨物檢驗檢疫工作的高效性、科學性和準確性,意義重大[1]。

目前我國口岸檢驗檢疫機構對進口貨物實行檢驗檢疫監管,都是針對不同種類貨物,人工設定各種抽查比例,系統按設定的比例在貨物中隨機抽取,發出查驗指令。該種方式并未引入風險管理的概念,只是對同種類的貨物一視同仁,隨機按比例查驗,人為性大,存在一定的不合理因素。

2 Delphi法和模糊神經網絡算法簡介

2.1 Delphi法

Delphi法——專家調查法,以專家作為采集信息的對象,依靠專家的知識和經驗,由專家對問題做出判斷,從而得到科學的解決方案。具體流程如圖 1所示。

2.2 模糊合成推理法

模糊推理是不確定性推理方法之一,其基礎是模糊數學。它是一種以模糊判斷為前提,運行模糊語言規則,推理出一個新的、近似的模糊判斷結論的方法。

圖 1 Delphi法流程圖

模糊推理的關鍵表現是推理規則是否為模糊的。通常用到的模糊條件語句:

(1)“如 A則 B ”,“ IF A THEN B ”

(2)“如 A則 B否則 C ”,“ IF A THEN B ELSE C”

(3)“如 A且 B則 C”,“ IF A AND B THEN C”

2.3 神經網絡

人工神經網絡模型是以人腦結構為參考模型,試圖通過簡單計算單元的高速互連,來實現類似于人類在語言和圖象處理等方面的行為。它以工程技術手段模擬人腦神經網絡的結構與功能,即用大量的非線性并行處理器 (計算單元)來模擬人腦神經細胞間的突觸行為。

目前,在人工神經網絡的實際應用中,絕大部分的神經網絡模型都采用 BP網絡及其變化形式,它也是前向網絡的核心部分,體現了人工神經網絡的精華,拓撲結構如圖 2所示。

圖 2 BP網絡結構拓撲圖

3 進口貨物風險查驗系統的研究過程——算法原理說明

①本文旨在運用先進的數據挖掘技術,建立一套科學有效的進口貨物風險查驗系統的風險指標體系;②考慮到貨物風險因子即具體貨物的風險指標,例如報檢單位誠信度、HS編碼的安全等級等都是模糊概念,因此要利用模糊合成推理法對系統中風險因子進行處理;③風險因子與評判結果 (貨物風險合格與否)是貨物模型的輸入與輸出,它們之間存在著高度非線性映射,且無法用精確的數學模型表示出來,因此本研究利用神經網絡建立風險模型,即利用神經網絡模擬專家思維,對進口的一批貨物進行風險評估?？紤]到采集樣本 (即歷史樣本數據)時,檢驗檢疫結果只有“合格”、“不合格”,因此神經網絡模型的輸出 (即評價結果)由向量 (0,1)與 (1,0)表示。

檢驗檢疫機構對口岸進口貨物的監管范圍很廣,包括動植物及其產品、工業產品、食品、化妝品、木質包裝等,而每一類貨物在查驗時側重點不同,這也就決定了每一類貨物都有各自的風險指標體系。本文以中國強制性認證 (3C)類貨物的口岸監管為實例,重點講述利用專家調查法、模糊合成推理法和 BP神經網絡模型對進口 3C類貨物進行風險評價的步驟。

4 進口 3C類貨物的風險評價實例

4.1 建立 3C類貨物的風險指標體系——Delphi法

進行 Delphi法問卷調查時,研究人員從某口岸檢驗檢疫機構的貨物查驗部門、檢務審單布控部門、通關業務管理部門等相關領域挑選專家 21名組成評價小組,選擇的專家都具有豐富的經驗,對貨物風險具有很高的判定能力,能滿足專家的權威性和代表性。

通過 SPSS16.0[2]對反饋的問卷進行數據統計分析,主要考慮如下幾個指標,見表 1。

表 1 調查問卷統計分析指標

當變異系數 CV≥0.25,則專家們對該指標重要性程度評價有很大波動性,該指標不可取;Kendall系數通常要進行 T檢驗,并且當 T-test具有顯著性,表示專家的協調性好,本輪專家的評價結果均可取。

表 2為 2輪調查問卷的指標體系。第 1輪調查問卷有 8個指標;第 2輪調查問卷根據 CV系數去掉了問題 6,添加了問題 9(貨物的單件重量);最后再根據 CV系數去掉了問題 8和問題 9,得到最終的指標體系,見表 3。表 4為 2輪調查結果 SPSS指標分析表。

表 2 2輪調查問卷的指標體系

表 3 最終的指標體系

表 4 2輪調查結果 SPSS指標分析

根據指標因子,采集了該口岸檢驗檢疫機構2011年 3月 1日到 2011年 3月 20日的入境貨物報檢信息及其查驗結果作為樣本。

4.2 樣本數據的模糊歸一化

因為采集的數據樣本要作為后續 BP神經網絡的輸入,而神經網絡輸入的樣本通常都是 (0,1)之間的數據,因此有必要對數據進行模糊歸一化。

以報檢單位誠信度為例,講述一下風險因子的模糊歸一化。取報檢單位一段時間內的總批次和不合格比例作為模糊模型的 2個輸入,報檢誠信度為輸出,利用 Matlab的模糊控制器建立起模糊模型,其步驟如下:

(2)對輸入進行模糊化,隸屬函數采用不對稱梯形隸屬函數,如圖 3所示。

(3)由專家提取模糊規則,并將其輸入模糊規則編輯器,如圖 4所示。

(4)對輸出等級進行解模糊化,隸屬函數為梯形隸屬函數。例如根據其中一條規則就是:當總批次多,不合格比例較低時,推理得到應該屬于風險 B級,0.2-0.4,如圖 5所示,最后結果為 0.355,正確。

圖 3 模糊控制器

圖 4 模糊規則編輯界面

圖 5 模糊規則顯示界面

4 .3 BP神經網絡的建模以及仿真

BP神經網絡建模的關鍵步驟包括系統建模、網絡訓練和網絡測試[3],具體流程如圖 6所示。

4.3.1 確定 BP神經網絡結構

根據系統的輸入輸出特點確定了網絡的輸入層節點數為 6維,輸出層節點數為 2維[4]。最佳隱含層節點數目采用了參考公式法 +經驗嘗試法,參考公式如下:

本研究中 L=1:15,然后設計一個隱含層數目可變的BP網絡。對比不同隱含層節點數對應分類的均方誤差 (如表 5),來確定出隱節點數。

“我們兩個老的，邊走邊看吧。那四個孩子，能不能爬出一行和尚與司徒一一設下的迷宮一般的隧道，還是未定之天。就是由隧道里爬過去，進入了萬花谷，憑他們四個新人，真的能將萬花谷攪動起來？”

圖 6 BP神經網絡建模流程圖

表 5 不同隱含層節點數對應的 BP神經網絡分類均方誤差

由表 5確定最終的網絡結構為 6—11—2。

4.3.2 BP神經網絡訓練參數的選擇

(1)初始權值和閾值的選擇——為了使網絡能夠很快收斂,且避免陷入局部極小值,在網絡初始化時,選擇初始權重和閾值 (-1,1);

(2)訓練函數選擇了收斂速度較快的 Levenberg-Marquardt算法。

(3)隱層和輸出層的傳遞函數分別選擇“purelin”和“tansig”函數。誤差比較見表 6。

表 6 不同傳遞函數對應分類誤差

其中訓練參數的選取這里不再贅述。

4.3.3 BP神經網絡仿真測試

取 16組樣本 (8組不合格和 8組合格)進行仿真,結果如下:

y1=sim(net,p_test)

error=0.1754

Columns 1 through 8

0.5956 0.0821 0.3672 0.3090 0.4554 0.6584 0.5403 0.4688

0.5161 1.1167 0.7682 0.8417 0.6849 0.4328 0.5766 0.6587

Columns 9 through 16

0.2653 0.2653 0.3514 0.2653 0.4554 0.2857 0.1436 0.1633

0.8967 0.8967 0.7942 0.8967 0.6849 0.8749 1.0409 1.0229

圖 7 網絡訓練誤差

綜合分析網絡訓練誤差 (圖 7)可知,樣本仿真分類的結果準確率 81.25%,均方誤差為 0.1754。

5 總結

一批貨物進出口,有的數量可以達到幾十萬件,而且查驗的項目也比較多,所以查驗率設定上的細微差別將會給檢驗檢疫機構在分配查驗人力、物力方面帶來很大不同。實例證明利用模糊神經網絡對進口貨物進行風險分類可行,而且更能作為設定查驗率的一個參考依據,給現場工作人員帶來很多方便。另外,模糊神經網絡不但能在查驗貨物風險等級分類中發揮較好的作用,在針對企業日常的風險評估、專項風險評估等領域中也有著非常廣闊的應用空間。因此,利用模糊神經網絡算法進行貨物風險評估,將為進一步探究檢驗檢疫查驗率設定打下良好的基礎[5]。

[1] 徐道文.海關對企業管理業務 [M].北京:中國海關出版社,2002.

[2] 陳緒海.多元統計分析在海關統計監測中的應用[J].科技經濟市場,2008,6:10.

[3] 魏海坤.神經網絡結構設計的理論與方法[M].北京:國防工業出版社,2005.

[4] 盧金秋.人工神經網絡在海關風險管理中的應用研究[J].計算機工程與應用,2006,27:208-211.

[5] 陶明,楊永康,劉國華,等.WTO與海關實務[M].上海:上海人民出版社,2002,124-125.