基于粗糙集RBF神經網絡在東豐縣開發區企業管理上的應用

馬立艷 陳桂芬

摘要：為提高基層企業管理效率，根據吉林省東豐縣開發區2015年企業調查數據，使用粗糙集與RBF神經網絡算法結合算法對企業工業生產總值、用電量、用工量等3個主要影響因素進行分析，并根據各參數之間差異劃分企業等級。研究結果表明：根據算法對數據分類結果，該結果與東豐縣開發區企業分級情況比較接近，說明基于粗糙集RBF神經網絡算法， 是一種在企業綠色發展分級方面有效的評價方法;通過2種算法之間的可視化圖形對比，得出粗糙集RBF神經網絡算法較 BP神經網絡算法分類效果更加明顯; 因而，基于 粗糙集RBF神經網絡算法對東豐縣開發區進行企業劃分準確性強、效率高、易于推廣，為東豐縣開發區關于企業管理工作起到技術指導作用。

關鍵詞：東豐縣開發區;綠色發展;BP神經網絡;RBF神經網絡;粗糙集

中圖分類號：S-3文獻標識碼：ADOI：10.19754/j.nyyjs.20190615002

引言

企業是開發區生存與發展的重要基礎，企業的綠色發展是開發區健康發展的重要保障，確保開發區可持續發展的核心基礎保障，經濟發展、綠色發展、科技發展成為開發區企業發展的3個重要因素[15]。以往對于企業的評估中，企業經濟發展作為評估企業的重中之重，然后系統分析企業經濟總值、納稅值等情況[16]，根據單一的經濟數據決定企業在園區內的幫扶力度和去留等工作，然而企業的規模、發展都不是均一的，是隨著社會因素的總體影響的，使用單一的幫扶企業政策既不能滿足多數企業的需求，甚至會使高能耗、高污染的企業在開發區中密集出現。于是，各地開發區紛紛提出了綠色企業，根據企業多種變量來確定最適合區內發展的企業，目標是在降低能耗、提高科技的前提下，企業經濟展情況最佳。

隨著科技在開發區管理中應用的不斷進步，為有效提高開發區管理能力，數據挖掘被廣泛應用到企業管理中，神經網絡是數據挖掘算法最廣泛使用的分類方法之一，已經在模式識別、智能機器人、預測評估、經濟等領域廣泛的領域解決了實際問題，其適用于非線性數據的處理，其主要功能有自學習、聯想儲存、高速尋找優化解等，典型算法有：BP神經網絡、RBF神經網絡等。本研究根據東豐縣開發區企業的多樣性和差異性，利用數據挖掘中的BP神經網絡、RBF神經網絡，對研究區域的人員投入、經濟產出、能源消耗3種主要影響開發區進行了分別研究，分析研究結果，為開發區企業綠色發展情況劃分起到指導作用。

1關鍵技術及算法介紹

1943年神經網絡初期模型MP被提出，獨立神經元能夠實現執行邏輯功能。

W.S.McCulloch和W.Pitts建立MP模型，實現了單獨神經元能執行相關邏輯功能。直到1986年，神經網絡逐步發展成為BP算法， BP神經網絡能夠解決實際問題。1988年，Broomhead和Lowe用徑向基函數（Radial basis function， RBF）提出分層網絡的設計方法[5]。

BP神經網絡是一種多層的前向型神經網絡，被稱為誤差反向傳播神經網絡，在BP神經網絡中，信號是前向傳播的，而誤差是反向傳播的，BP網絡通常由有一個至多個隱層以及一個輸出層構成，能夠對具有有限性個不連續點的函數進行逼近。人工神經網絡常用來解決非線性分類問題，它通過對訓練樣本的學習，自動提取合理的的規則，對測試樣本具有良好的預測能力。但是，BP神經網絡算法也存在局限性，對輸入樣本的預處理功能不強，易在局部極值點滯留，導致網絡收斂遲緩、或過早收斂等情況出現[6]。

BP神經網絡的性能指標為下：如公式1（節點之間權值為w，節點的閾值為b，輸出層節點數目為n，輸出層結果為d）：

E（w，b）=∑n-1j=0（dj-yj）2（1）

RBF神經網絡同時前饋型神經網絡。它以任意精度逼近任意的非線性函數，且具有全網絡逼近能力[2]，其性能極其優良。它的網絡和模糊邏輯能夠實現合作，真正提高算法的泛化能力。RBF神經網絡的激活函數可表示為：如公式2

f（x）=∑n-1j=0（dj-yj）2（2）

RBF神經網絡與BP神經網絡存在以下區別：RBF在泛化能力上高于BP神經網絡，在同精度的情況下，BP結構更簡單[3，13];RBF神經網絡精度高于BP神經網絡，RBF神經網絡以完全接近真實程度，隨著訓練樣本增多的前提下，其隱藏層增多，且明顯神經元高于BP神經網絡，使得網絡結構復雜，復雜程度也增大，運算量也隨之增加;RBF神經網絡可以實現完全逼近能力，且收斂速度快;結構不同，RBF神經網絡通過不停調整全職直接逼近最小誤差，BP神經網絡是通過梯度下降來接近預期目標;RBF具有最逼近性能和全域最優特性，訓練速度較快，BP神經網絡速度較慢，學習速度基本是固定的，需要較長的訓練時間;局限性不同，BP神經網絡在計算過程中容易產生極小值現象，RBF會完全逼近真實值，不會陷入局部極小值[4，11]。

粗糙集理論能夠對不確定、不完整的數據進行有效處理的一種數學方法[8，9]。它建立在分類的基礎之上，對精確、不確定的數據處理比較客觀，在處理過程中，無需前期驗算信息，僅需要提供戶數據集合[10]。針對該理論對原始數據中不確定、不完整的能力，使得其與處理不確定問題的理論形成互補[1]。

2粗糙集RBF神經網絡在企業分級上的應用2.1實驗數據來源

實驗數據來自吉林省東豐縣經濟開發區，該區成立于2005年11月。經過多年的發展，現已形成了以中小企業創業孵化基地、以梅花鹿特色產業、鑫達冶金鑄造產業、低碳產業孵化為特色的“三園一基地”的模式，開發區建筑面積為4.34km2，總面積約為13.41km2，共設置可租借使用廠房8棟24500m2，目前，開發區區內企業達到220戶，其中工業企業82戶。收集整理該開發區2016年部分企業的生產總值、能耗情況、用工情況等數據（表 1），為建立企業綠色發展評價模型工作提供基礎數據。

2.2結果與分析

企業綠色發展狀況企業人員、企業用電總量、企業生產等因素的影響，部分影響因素無法通過直觀數據得到。生產總值等于0時說明企業可能已經停工或搬遷，企業發展情況受生產總值的直接影響容易產生異常，為了使得數據更加準確剔除生產總值為0的數據。

針對東豐縣開發區企業狀況數據，對企業數據中的企業人員、企業用電總量、企業生產總值3個指標分別進行歸一化處理。對開發區管理系統中的生產總值、用電量、用工情況分攤至單位使用土地面積，利用粗糙集理論進行處理，并實現數據的歸一化。由多年工作在基層開發區工作人員根據工作、研究經驗分析總結，得出該基層開發區在單位土地面積的工業生產總值、用電量、用人工量權重，因為以上屬性之間依賴度較高，所以去除任一屬性，分類情況都需要重新確定，在綜合考慮屬性之間的重要度，得到工業生產總值、用電量、用人工量的綜合屬性值為0.55、0.25、0.2。

根據前期對數據的處理，利用最終權重對RBF神經網絡算法進行分析，借助數據歸一化處理更能有效的處理開發區管理數據?？紤]開發區企業綠色發展情況將將開發區企業綠色發展等級劃分為4個等級，用S代表企業綠色發展等級區間，其中一類企業得分為<0.8，二類企業得分為≥0.8、<1.5，三類企業得分為≥1.5、<3.5，四類企業得分為≥3.5。 在上述基礎上，利用BP神經網絡算法和粗糙集RBF神經網絡算法對東豐縣開發區2015年企業綠色發展情況情況數據進行對比分析。

從表2可知，BP神經網絡所得分類結果中一類企業1個，二類企業4個，三類企業11個，四類企業6個。粗糙集RBF神經網絡所得分類結果為一類企業3個，二類企業3個，三類企業9個，四類企業7個。兩種算法均無孤立點現象出現。

從表3可以看出2015年粗糙集RBF神經網絡與BP神經網絡分類精度是95.45%、86.3%，從結果可以看出粗糙集RBF對屬性數據能得到精準劃分，無孤立點現象出現，分類誤差率底，對開發區企業綠色發展情況分級具有實用價值。

可視化的圖形模式分析。通過粗糙集RBF神經網絡與BP神經網絡對分類結果分別以可視化圖形模式進行對比分析。對比結果如圖2所示，從圖2可以明顯看出：2種分類結果于專家給定數據吻合度較高，粗糙集RBF神經網絡算法分類效果較BP神經網絡算法明顯，尤其是在分級內的吻合度更高一些，RBF神經網絡分類與專家給出的實際情況相符，說明粗糙集RBF神經網絡算法更能夠高效、精準的進行企業綠色發展等級的劃分。

3結果與討論

本文分別通過運用BP神經網絡和粗糙集RBF神經網絡算法，對東豐縣的企業綠色發展數據進行等級劃分，在綜合考慮了影響企業分級的各類數據權重問題，驗證了神經網絡算法在開發區企業綠色評價上的可行性。經過對比分析可以看出，粗糙集 RBF神經網絡算法能較好地實現企業綠色發展的評價。

提出改進的RBF神經網絡，將粗糙集與RBF進行有效結合，兩者的結合能夠具有互補性，數據結構在具有完整性的同時提高精度。

基于粗糙集RBF神經網絡算法屬性權值因子的提取和確定，通過對各屬性權重的綜合測定，確定該基層開發區企業發展管理數據工業生產總值、用電量、用人工量的綜合權重為0.55、0.25、0.2。

將改進的RBF神經網絡算法與BP神經網絡算法運用在2015年開發區企業發展管理數據進行對比分析，RBF神經網絡算法能較好的實現企業管理數據的分析，其中粗糙集RBF神經網絡、BP神經網絡在15a數據的準確率分別為95.45%、86.3%，結合可視化的圖形模式對比分析結果更加明顯。

上述分析結果表明，對企業綠色發展情況的劃分使得開發區發展趨于向上，對區域經濟、生態效能的提高具有長久的現實意義。本實驗在企業數據應用上僅選擇1a數據，其結果只說明了算法的應用性，本文將要繼續通過更多的實驗結果進行驗證。

參考文獻

[1] 賈晨光，陳桂芬.基于粗糙集C4.5算法的應用[J].中國農機化學報，2016，37（7）：149-153.

[2] 朱玉榮，呂建新.基于RBF神經網絡的柴油機故障診斷[J].農機化研究，2012（5）：212-215.

[3] 王啟. 人工神經網絡在函數逼近中的應用研究[J]. 電腦開發與應用， 2012， 25（7）：85-86.

[4] 孫紅輝， 張清華， 宋賢征. 基于RBF神經網絡的柴油機故障診斷[J]. 小型內燃機與車輛技術， 2009， 38（1）：70-72.

[5] 王晶晶. 一種改進的Elman神經網絡算法的研究[J]. 華中師范大學學報（自然科學版）， 2016， 50（3）：349-352.

[6] 吳潔， 曲暢， 王華. 基于BP神經網絡的腦卒中患者分類方法研究[J]. 無線互聯科技， 2016（24）：140-142.

[7] 馬斌， 張麗艷. 一種基于徑向基神經網絡的短期風電功率直接預測方法[J]. 電力系統保護與控制， 2015， 43（19）：78-82.

[8] 楊玉琴， 陳桂芬， 郭宏亮. 大數據處理技術在土壤肥力評價中的研究[J]. 中國農機化學報， 2016， 37（4）：233-236.

[9] 蔡麗霞， 陳桂芬. 基于數據挖掘算法土壤肥力狀況的分析研究[J]. 中國農機化學報， 2014， 35（3）：252-255.

[10] 于合龍， 劉杰， 馬麗. 基于 Web 的設施農業物聯網遠程智能控制系統的設計與實現[J]. 中國農機化學報， 2014， 35（2）：240-245.

[11] 陳軍令. 基于徑向基神經網絡的財務預警研究[D]. 中南大學， 2013.

[12] 吳浩亮， 孟令啟， 王建勛. 基于RBF神經網絡的中厚板軋制寬展模型[J]. 機械設計， 2010， 27（4）：21-24.

[13] 胡勁松， 楊世錫. EMD方法基于徑向基神經網絡預測的數據延拓與應用[J]. 機械強度， 2007， 29（6）：894-899.

[14] 曾慶謙. 基于神經網絡的船舶運動姿態建模預報[D]. 哈爾濱工程大學， 2008.

[15] 鄒鵬. 基于數據倉庫的遼寧省中小企業產業集群戰略設計[D]. 沈陽理工大學.

[16] 諸克軍. 經濟管理中軟計算的理論與方法[M]. 華中科技大學出版社， 2009.

作者簡介：馬立艷（1987-），女，研究方向：人工智能與計算機農業應用;陳桂芬（1956-），女，教授，研究方向：人工智能與數據挖掘、精準農業。