CN111160715A - 基于bp神经网络新旧动能转换绩效评价方法和装置 - Google Patents

基于bp神经网络新旧动能转换绩效评价方法和装置 Download PDF

Info

Publication number
CN111160715A
CN111160715A CN201911256392.7A CN201911256392A CN111160715A CN 111160715 A CN111160715 A CN 111160715A CN 201911256392 A CN201911256392 A CN 201911256392A CN 111160715 A CN111160715 A CN 111160715A
Authority
CN
China
Prior art keywords
kinetic energy
new
neural network
index
energy conversion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911256392.7A
Other languages
English (en)
Inventor
高源�
吕宗宝
葛通
陈维强
王玮
王栋梁
李建伟
王小正
李晓雨
陈玉静
贺新宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hisense Co Ltd
Original Assignee
Hisense TransTech Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hisense TransTech Co Ltd filed Critical Hisense TransTech Co Ltd
Priority to CN201911256392.7A priority Critical patent/CN111160715A/zh
Publication of CN111160715A publication Critical patent/CN111160715A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及计算机数据处理技术领域，尤其涉及一种基于BP神经网络新旧动能转换绩效评价方法和装置。本申请提供一种基于BP神经网络新旧动能转换绩效评价方法，包括：构建指标体系并对收集的数据进行中心化、标准化处理形成训练集、测试集；对BP神经网络模型进行训练，得到最优BP神经网络模型参数；通过变量的连接权重计算和变量的敏感度分析结果确定共同的指标基准点；通过改进K‑means算法计算预估指标与指标基准点之间的联结距离、强度得到输入变量重要性可知的BP神经网络模型输出得到全国重点城市的新动能发展水平的分数及排序；根据绩效划分依据以及新动能发展水平分数及排名重新判定新旧动能转换绩效评价。

Description

基于BP神经网络新旧动能转换绩效评价方法和装置
技术领域
本申请涉及计算机数据处理技术领域，尤其涉及一种基于BP神经网络新旧 动能转换绩效评价方法和装置。
背景技术
新旧动能转换是社会在新一轮科技革命和产业变革中形成的新动能，如互联 网、新能源产业等逐渐取代传统意义上高耗能、高污染的旧动能的这个过程。在 对指标进行调整的过程中，需要同时考虑到其适用性以及数据收集的难度。新动 能发展偏向静态，更多的表达一个地区新动能的发展状况；新旧动能转换更多的 表达一个地区新动能的发展状况强调该地区在过去一段时间中新旧动能更新迭 代的情况，是一个动态的概念，也更接近绩效评价的范围。
在一些新旧动能转换绩效评价方法的实现中，提出了一种先使用层次分析法 确立评价指标权重，然后通过模糊综合评价法来将权重矩阵与隶属度矩阵相乘， 最终得到新旧动能转换绩效评价结果并进行排名。
但是，其运算过程都需要有专家参与，比如其指标体系权重是通过向一定数 量的相关领域资深专家发出调查问卷确定的，成本较高，一旦指标体系发生变动， 需要添加/删减某指标，就要重新再发出调查问卷来构建权重矩阵；整个过程较 费时费力，而且需要根据经验判断指标之间的重要性，具有主观性。
发明内容
本申请提供了一种基于BP神经网络新旧动能转换绩效评价方法和装置，通 过BP神经网络算法实现对新旧动能转换评价的训练，通过连接权重与敏感度分 析结果中共同存在的重要性排序确立基准点，然后使用改进的K-means算法来 确定神经网络模型输入变量指标的重要性，一定程度上可以解决通常神经网络模 型由于″黑箱″特性而出现的不一致性、解释性差、较高、人工干涉过多的问题。
本申请的实施例是这样实现的：
本申请实施例的第一方面提供一种基于BP神经网络新旧动能转换绩效评价 方法，包括：
构建包括4个一级指标和19个二级指标的新旧动能转换指标体系；
对基于所述指标体系收集的数据进行中心化、标准化处理形成用于BP神经 网络模型的训练集、测试集；
使用所述训练集对所述BP神经网络模型进行训练，得到误差全局最小化的 最优BP神经网络模型参数；
基于所述最优BP神经网络模型参数，通过变量的连接权重计算和变量的敏 感度分析结果确定共同的指标基准点，所述指标基准点为输入变量的重要性排序；
基于所述指标基准点，通过改进K-means算法计算预估指标与所述指标基 准点之间的联结距离、强度得到输入变量重要性可知的BP神经网络模型；
将所述测试集输入到所述输入变量重要性可知的BP神经网络模型，输出得 到全国重点城市的新动能发展水平的分数及排序；
根据新旧动能转换绩效划分依据以及所述新动能发展水平分数及排名重新 判定新旧动能转换绩效评价。
本申请实施例的第二方面提供一种基于BP神经网络新旧动能转换绩效评价 装置，包括：
第一数据处理装置，用于构建包括4个一级指标和19个二级指标的新旧动 能转换指标体系；对基于所述指标体系收集的数据进行中心化、标准化处理形成 用于BP神经网络模型的训练集、测试集；
第一模型训练装置，用于使用所述训练接对所述BP神经网络模型进行训练， 得到误差全局最小化的最优BP神经网络模型参数；
第二模型训练装置，用于基于所述最优BP神经网络模型参数，通过变量的 连接权重计算和变量的敏感度分析结果确定共同的指标基准点，所述指标基准点 为输入变量的重要性排序；基于所述指标基准点，通过改进K-means算法计算 预估指标与所述指标基准点之间的联结距离、强度得到输入变量重要性可知的BP神经网络模型；
第一输出装置，用于将所述测试集输入到所述输入变量重要性可知的BP神 经网络模型，输出得到全国重点城市的新动能发展水平的分数及排序；根据新旧 动能转换绩效划分依据以及所述新动能发展水平分数及排名重新判定新旧动能 转换绩效评价。
本申请提供的技术方案包括以下有益技术效果：根据BP神经网络算法实现 对新旧动能转换评价的训练，避免过多的人工参与和干涉，简化了***复杂度； 进一步通过连接权重与敏感度分析结果中共同存在的重要性排序确立基准点，然 后使用改进的K-means算法来确定神经网络模型输入变量指标的重要性，一定 程度上可以解决通常神经网络模型由于″黑箱″特性而出现的不一致性，可以提 高输出结果相对于输入变量的解释性；进一步根据绩效评价依据结合新动能发展 水平重新判定，最终输出一种较为均衡、简洁明快的新旧动能转换绩效评价的结 果。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图 作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳 动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请实施例一种基于BP神经网络新旧动能转换绩效评价方法 的流程图；
图2示出了本申请实施例阶跃函数的示意图；
图3示出了本申请实施例sigmoid函数示意图；
图4示出了本申请实施例Relu函数的示意图；
图5示出了本申请实施例3个二级指标重要性关系示意图；
图6示出了本申请实施例一种基于BP神经网络新旧动能转换绩效评价装置 的示意图；
图7示出了本申请实施例一种基于BP神经网络新旧动能转换绩效评价*** 的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、 完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的 实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前 提下所获得的所有其他实施例，都属于本发明保护的范围。
本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实 施例″等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实 施例中。因此，本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、 ″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此 外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组 合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或 特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这 种修改和变型旨在包括在本申请的范围之内。
图1示出了本申请实施例一种基于BP神经网络新旧动能转换绩效评价方法 的流程图。
在步骤S1中，构建包括4个一级指标和19个二级指标的新旧动能转换指 标体系。
构建新旧动能转换指标体系的主要依据来自于2018年2月公布的《山东省 新旧动能转换重大实施规划》，并在考虑到各地区发展状况不同后进行相应的调 整，从质量效益、创新发展、对外开放和环保民生4个方面作为一级指标进行综 合进一步的在上述4个一级指标的基础上细分衡量并下沉得到19个二级指标， 如表1示出了指标体系。
Figure BDA0002310372450000051
表1
在对指标进行调整的过程中，需要同时考虑到其适用性以及数据收集的难度。
值得注意的是，在这里我们需要区分新动能发展和新旧动能转换两个不同的 概念。
所述新动能发展偏向静态，更多的表达一个地区新动能的发展状况；
所述新旧动能转换强调该地区在过去一段时间中新旧动能转换更新迭代的 情况，是一个动态的概念，也更接近绩效评价的范围，因此本实施例在得到全国 重点城市的新动能发展分数设排名后又根据绩效依据再次确定了新旧动能转换 绩效评价。
本实施例所述指标体系用于表示该地区的新动能发展水平，仍需要一定的调 整和计算，从而更加准确的对所述地区的新旧动能转换绩效进行评价。
在步骤S2中，对基于所述指标体系收集的数据进行中心化、标准化处理形 成用于BP神经网络模型的训练集、测试集。
本申请实施例的数据主要来源于国家***网站公布的主要城市年度数据、 中经网公布的统计数据库，需要说明的是，国家***网站和中经网数据库的优 点在于其数据种类广、数量大而且有较强的权威性。
本申请实施例指标体系中的数据在通常情况下都可以通过国家***网站 和中经网获取，但所采集的数据依然存在部分缺失值需要处理，例如有的城市在 某个指标数据因为各种原因而缺失，针对这种情况，本实施例需要对所述缺失数 据进行处理。
首先，在处理数据的过程中排除掉数据缺失较多的年份。
其次，如果缺失的数据只是部分缺失，其缺失类型的数据任然存在其他有效 的数据，则缺失数据可以通过拟合近3年平均值等方式加以补齐。
这样虽然无法利用缺失值提供更多有效的信息，但在某种程度上也能防止缺 失值处理不当导致的误差波动。
在采集的数据中，不同的指标数据其单位和数量级并不一致，如果不加以处 理就成为训练数据会产生相关误差。
并且对于神经网络模型来说，通过对采集的指标数据进行中心化和标准化处 理，一定程度上能够提高梯度下降法中寻求最优解的速度，即收敛速率。
对采集数据进行中心化处理，是指在数据表格中将同一列的指标数据都减去 所述列的均值。
对采集数据进行标准化处理，是指将所述中心化后的各个指标数据除以所在 列数据的标准差，其计算公式表示如下：
Figure BDA0002310372450000061
其中，xi为当前指标数据。
Figure BDA0002310372450000062
是总体指标数据的平均值；标准差σ用于衡量 数据离散程度，其表示为：
Figure BDA0002310372450000063
本申请实施例中，以深圳、上海、沈阳、哈尔滨等4个城市2007-2017年 的各类指标数据为训练集；青岛、济南等全国19个重点城市作为测试集。
在训练集、测试集的划分中，会希望训练数据的取样范围尽可能广泛，以增 加模型的学习和泛化能力。
考虑到城市经济竞争力和新旧动能转换有着很高的关联性，可以用来大致判 断该城市在新动能发展水平中的位置。
对训练集的4个城市进行分析，在2017年的《中国城市竞争力报告》中， 深圳与上海的经济竞争力指数分别为1.000和0.728，在全国城市中处于领先位 置，沈阳与哈尔滨的指数则为0.184和0.117，排名相对靠后。在某种程度上， 这也可以考虑为训练集合盖了整体分布的边界。
需要说明的是，本申请实施例在对神经网络模型的训练过程中不考虑增加验 证集，主要原因有如下：
首先，是用来拟合神经网络模型的训练集的训练数据相对较少且每一个都非 常重要，因此从训练集中再划分出验证集可能导致模型的欠拟合，降低其泛化能 力；其次，是由于使用到了模拟评价分数，过多对现有数据进行估测可能会导致 误差放大，进而影响神经网络模型的精确度。
在构建用于新旧动能转换输出的神经网络模型的过程中，需要赋予一个模拟 评价分数，即输出值来训练模型，在本实施例中采取将《中国城市竞争力报告》 与专家研究成果相结合的手段，模拟出一个相对客观的模拟评价分数。
所述专家研究成果采用山东理工大学孙秀梅与侯士奇教授的《基于层次分析 -模糊综合评价法的新旧动能转换绩效评价研究》，其中同样采用质量效益、创新 发展、对外开放、环保民生等4个一级指标用于绩效评价，其指标权重分别为 0.5940、0.2336、0.1054与0.0670，并在之后下沉为19个二级指标。
按照一级指标权重保持不变，每一类的模拟评价可以通过将转换过的指标数 据相加后与整体权重相乘的方式得出。这样首先可以保持质量效益、创新发展等 每一类指标在新旧动能转换评价中的重要性，其次是通过整体性的计算弥补单个 指标之间的差异。
最终在计算模拟评价分数时，通过《中国城市竞争力报告》在专家研究成果 的基础上进行调整，以期能更好地平衡指标不同带来的排名差异。
在步骤S3中，使用所述训练集对所述BP神经网络模型进行训练，得到误 差全局最小化的最优BP神经网络模型参数。
在本实施例中，BP神经网络模型的输入层的神经元个数设置为19个，对 应着指标体系中的19个二级指标输入变量；所述BP神经网络模型的输出层的 神经元个数设置为1个，对应着输出的新动能发展水平分数；所述BP神经网络 模型的隐藏层的结构设置中，需要同时考虑到所述BP神经网络模型的学***衡关系、神经网络模型本身的可解释性等。
如果所述BP神经网络模型的隐藏层数量和神经元个数过少，所述神经网络 模型很难具有较强的学习和泛化能力。如果所述BP神经网络模型的隐藏层数量 和神经元个数过多的话，不仅会使所述神经网络模型变得非常复杂，而且也会增 加所述神经网络模型在学习训练过程中陷入局部极小点，耗费整体训练时间。
因此，本申请实施例中所述BP神经网络模型以双隐藏层c(19，4)作为 标准。可以认为，所述BP神经网络模型的隐藏层设置为如输入层结构的双隐藏 层结构，所述双隐藏层的第一个隐藏层神经元的设置数量与所述二级指标的数量 相同，第二个隐藏层神经元的设置数量与所述一级指标的数量相同。
首先，双隐藏层设置可以兼顾到所述BP神经网络模型的学***衡。其次，通过设置与输入变量，即4个一级指标和19个二级指标相似的 隐藏层结构，当某个神经元的连接权重非常显著时，我们可以合理推测是某一个 指标在其中发挥了重要作用，一定程度上可以增强所述BP神经网络模型本身的 可解释性。
在BP神经网络模型的参数学习率设置中，过高或者过低都会带来不同的负 面影响。
学习率设置过高将导致训练难以收敛，在局部极小点附近来回振荡甚至发散； 学习率设置过低将导致损失函数会以非常缓慢的速率下降，进而耗费更多的训练 时间和***资源。
通常会确立一个最优范围来平衡神经网络模型的精度与训练效率。在本实施 例中将参数学习率设置为0.001，可以在保持一定精度，即累计误差较小的情况 下，拥有可接受的训练效率。
通过BP(Backward propagation：误差反向传播法)算法对权重参数的梯度 进行计算和优化。
所述误差反向传播法的基本原理为：首先，为各权重变化赋一个初始值，对 于每个训练样例，BP神经网络模型将输入样例传递给输入层神经元，然后逐层 将信号前传，直到产生输出层结果；其次，通过计算输出层误差，将其逆向传播 至隐藏层神经元；最后，根据隐藏层神经元的误差对连接权重和阈值进行调整， 该迭代过程循环进行，直到达到停止条件为止，所述停止条件通常可以包括最大 迭代次数和/或预测准确率。在本实施例中，将参数阈值设置为0.005。
所述BP算法基于链式法则，以目标的负梯度方向对参数进行调整，相比较 于数值微分等其他算法，可以高效的计算出梯度，其表示如下：
Figure BDA0002310372450000091
Figure BDA0002310372450000092
Figure BDA0002310372450000093
Δwnh＝ηghbn
其中，Ek表示误差，η为学习率，wnh是指隐藏层到输出层的连接权重，Δwnh为，
βh为输出层的第h个神经元的输入值，yh为输出层的第h个神经元的输出 值；
gh为梯度项，yh为训练例(Xh，Yh)的假定神经网络输出，bn为隐藏层第n个 神经元的输出。
同理，可得到隐藏层间的连接权重vnh与阈值θnh。
在神经网络模型的训练的过程中，设定损失函数并通过使所述损失函数的输 出值最小化，来寻找最优参数，所述最优参数即权重和阈值。
损失函数有很多的选择，其中通常使用的是均方误差，其表示为：
Figure BDA0002310372450000101
其中，yk表示神经网络的输出，tk为监督数据，n则是训练数据的维度。
残差平方和SSE表示为：
Figure BDA0002310372450000102
其中，yk表示神经网络的输出，tk为监督数据，n则是训练数据的维度。
残差平方和(SSE)与均方误差相似，但没有系数，对梯度的变化会更为敏感。
在本实施例中，所述BP神经网络模型的损失函数将使用残差平方和(SSE) 算法，其计算公式表示如下：
SSE＝∑(Yi-Yf)2
其中，Yi表示神经网络整体结果上的第i个输出，Yf表示训练集中对应的真 实值，所述SSE的值越接近于0，则认为神经网络模型在训练集上的累计误差 越小，离局部极小点越近。
梯度(gradient)是指由损失函数的全部偏导数汇聚而成的向量，也是该点处 函数值变化最快的方向。因为要尽可能的减少累计误差，在这里采取梯度下降法 来寻找所述损失函数的最小值。
Figure BDA0002310372450000103
其中，xn表示损失函数在梯度更新后该维度的，
Figure BDA0002310372450000104
表示梯度方向上的下降 值。
η为学习率，表示根据损失函数的梯度进行参数更新的″步幅″大小。
激活函数将输入信号进行非线性处理转换为输出信号，提升神经网络模型的 非线性表达能力。激活函数通常使用三种方式分别是阶跃函数、sigmoid函数、 Relu函数，如图2至图4所示。
在本实施例中，所述BP神经网络模型的激活函数将使用Logistic函数。 logistic为Sigmoid系函数，通过非线性转换将输入数据映射到[-1，1]的区间范 围内。需要说明的是，所述Logistic函数与阶跃函数、Relu函数相比，其函数 整体始终较为连续，便于求导且整体输出较为均衡。
局部极小值是指损失函数的累计误差在某一个范围内的最小值。
如果存在多个局部极小值的情况下，通常并不能保证梯度为0的地方是全局 最小，但是可以通过重复迭代的办法根据累计误差最小化的原则从多个局部极小 值中选取最接近全局最小的局部极小值。
在步骤S4中，基于所述最优BP神经网络模型参数，通过变量的连接权重 计算和变量的敏感度分析结果确定共同的指标基准点，所述指标基准点为输入变 量的重要性排序。
当我们得到一个经过训练的神经网络模型时，通常会希望其能有一定的可解 释性，即对于最终输出结果来说，可以知道不同输入变量的重要性，即指标的重 要性。
例如，表4中2017年青岛市在新动能发展上的整体得分为90.08分，那么 对于19个输入的新旧动能转换绩效评价的二级指标参数来说，需要知道哪一个 指标参数在增长中发挥了更加重要的作用，这个最重要的指标参数可以认为是带 动青岛市新动能发展的核心指标；如果需要有一部分的指标参数出现下滑，那么 哪些二级指标参数应该是政府优先关注的对象，这些问题都是十分有意义并值得 考虑的。
目前针对于神经网络输入变量的重要性，主要通过变量的连接权重和变量本 身进行敏感度分析来衡量。通过变量的连接权重对神经网络输入变量的重要性的 衡量方法主要有Garson算法和Olden算法；通过变量本身进行进行敏感度分 析对神经网络输入变量的重要性的衡量方法主要通过计算Generalized Weight 来表示其非线性影响力(non-linearity of independent effects)。
这两种方法各有其优势，但也都存在局限性。
首先是模型的不稳定性，神经网络模型的训练过程通常是根据已设定的参数 基于梯度下降原理寻找局部极小值，但因为局部极小值并不一定代表全局最小， 因此每一次的训练结果可能都不尽相同，进而导致在衡量输入变量指标参数的重 要性时也会得出不同的结果。
其次连接权重和变量本身进行敏感度分析都是各侧重于从一个方面来衡量 输入变量指标参数的整体重要性，当这两者的计算结果出现矛盾时，需要有一个 相对客观的方式统一进行衡量。
在本实施例中，对于BP神经网络模型的不稳定性，可以通过重复训练并根 据累计误差最小化的原则从多个局部极小值中选取最接近全局最小的那个。这样， 可以证明基于此结果的重要性计算在某种程度上是符合神经网络模型最优化的。
首先寻找变量连接权重和变量敏感度分析的″最大公约数″，即共同存在的 重要性排序确立指标基准点。
Garson算法是一种通过计算连接权重来衡量输入变量指标数据相对重要性 的方法，当神经网络模型为单隐藏层时，输入变量xi对输出结果yk的影响程度Qik表示如下：
Figure BDA0002310372450000121
其中，wij表示从第i个输入变量到隐藏层第j个神经元的连接权重，vjk表示 该隐藏层第j个神经元到第k个输出结果的连接权重，L表示隐藏层神经元的个数， N表示输入层神经元个数，r表示和i为同一内容的不同表达方式。
通常Garson算法应用于单个输出结果的计算，所以这里的k值设定为1。
Generalized Weight是通过敏感度分析来衡量单个输入变量指标参数对整 体神经网络模型的独立影响，所述敏感度分析其数学表达式如下：
Figure BDA0002310372450000131
其中，i表示每个变量的标注，o(x)表示预测输出结果的概率，通过Log-odds 方程求与输入变量的偏导数。
需要说明的是，当输入变量的Generalized Weight趋近于零时，可以认为 所述的输入变量对输出结果没有影响。这样的判定方法与方差判定是不同的，对 于一个输入变量来说，当方差越大时，越能表明整体的″非线性″独立影响。
通过寻找变量连接权重与敏感度分析结果中的″最大公约数″，即两种计算 方式共同存在的重要性排序确立指标基准点，进而平衡计算两种方式的影响力。
例如，在两种计算结果中都存在X8＞X2＞X10，就以这三个指标为基准点。
在步骤S5中，基于所述指标基准点，通过改进K-means算法计算预估指 标与所述指标基准点之间的联结距离、强度得到输入变量重要性可知的BP神经 网络模型。
根据改进的K-means算法分别从联结距离与强度两个方面计算预估指标与 所述指标基准点之间的距离与强度。
这里的分层计算主要通过改进K-means算法。在传统的K-means算法中：
首先，通过计算样本到聚类中心的欧式距离(Euclidean Distance)来将其分 到距离最小的聚类中心所对应的类中；然后，再根据每个类别重新计算其新的聚 类中心并重复迭代；最终，实现聚类所得簇划分C＝{C1，C2，...，Ck}平方误差的最 小化，表示如下：
Figure BDA0002310372450000132
在本实施例中，对上述算法进行了改进，因为在步骤104中中之经确立指 标基准点，所以并不需要从初始数据集中随机选取K个样本作为初始聚类中心C ＝{C1，C2，...，Ck}，并根据新的聚类中心点进行迭代。
在本实施例中，改进K-means算法中将不再只考虑样本距离，而是通过计 算预估指标与已确立的指标基准点之间的联结距离与强度两个影响因素来进行 指标重要性的分层与确定。
如图5所示，一级指标质量效应下的3个二级指标来示例其指标重要性关 系，所述3个二级指标分别是全员劳动生产率、在岗职工平均工资、规模以上工 业利润总额。
其中，全员劳动生产率为根据产品的价值量指标计算的平均每一个从业人员 在单位时间内的产品生产量，所述全员劳动生产率指标的提高对于其他两个指标 具有一定的促进作用。
在分层计算中，本实施例所采用的改进K-means算法在考虑相同的指标基 准点之间的联结距离，即连线长度的同时，也需要考虑将联结强度，即连线粗细 的影响。这样的聚类算法可以从更多的维度均衡考虑问题，进而提升分层精确度。
在本实施例中，所述联结距离使用欧式距离计算的方法。
值得注意的是，在改进K-means算法中，聚类初始中心点之间的距离应该 尽可能的大，本实施例也是一样的，已确立的指标基准点的极差分布越大，分层 计算的精确度相对来说就会越高。
如果想要计算预估指标与指标基准点之间的强度，可以分别从指标划分与指 标一致性两个方面来考虑。
所述指标划分，是指通过指标的所属输入层得到维度计算值。例如，全员劳 动生产率与规模以上工业利润总额在新旧动能转换绩效评价的指标体系中都属 于质量效益维度的一级指标，那么可以认为上述两个指标之间可能会有更强的联 系。
如果所述全员劳动生产率指标与规模以上工业利润总额指标不属于相同的 一级指标维度，那么就要根据输入层的状况加以判断。通常来说，随着计算维度 的增加，指标整体性的考虑就越有必要，原本分属于不同输入层的指标更有可能 存在联系，其关系可以表示如下：
when Xi，Yj∈Dk，
Cij＝1
Figure BDA0002310372450000151
其中，Cij为根据指标划分得到的维度计算值，即为全员劳动生产率与规模以 上工业利润总额之间的维度计算值，在本实施例中所述维度计算值Cij取值为1； Dk为第k个维度的意思。
指标的一致性，指通过计算协方差可以得到两个输入变量的变化是否趋于一 致，表示如下：
Figure BDA0002310372450000152
其中，|Cov(Xi，Yj)|为协方差计算，表示预估指标与指标基准点之间的一致 性。
例如，随着全员劳动生产率指标的提高，在岗职工平均工资指标也有所提升， 这种反馈结果表明两者之间可能存在较大的一致性。
在本实施例中使用的是协方差的绝对值，因为不论是变化趋势为正向，或变 化趋势为负向，都能表明两者之间可能存在较强的联系。在本实施例中不使用相 关系数的原因是因为在数据预处理中已经进行了中心化和标准化，如果再将所述 中心化和标准化后的数据继续除以标准差可能导致重复计算以及部分有效信息 的损失。
最后根据通过计算预估指标与已确立重要性指标(基准点)之间的联结距离 与强度两个影响因素来产生输出结果，并根据其确定神经网络模型指标的重要性。 表示如下：
Figure BDA0002310372450000153
OutputX18＞OutputX12＞OutputX1，10，
其中，OutputXi是输出结果，表示预估指标Xi与基准点Yj之间的联结关系； |Cov(Xi，Yj)|为协方差计算表示预估指标与基准点之间的一致性；
Cij为根据指标划分得到的维度计算值；dij为欧式距离，其距离越大，表明两 者分为同层的可能性越小。
根据预估指标与不同基准点之间产生的计算结果加以比较，如存在最终计算 结果是OutputX18要大于其余二者，那么可以将其分层到指标X8所属的部分中并 据此确定神经网络模型指标的重要性，从而得到输入变量重要性可知的BP神经 网络模型。
最终输出的神经网络模型，通过重复的学***)。通过两层的非线性转换，神经网络模型能够表达复杂的非 线性关系并对测试集中的19个城市进行泛化。
在步骤S6中，将所述测试集输入到所述输入变量重要性可知的BP神经网 络模型，输出得到全国重点城市的新动能发展水平的分数及排序。
将所述19个城市采集并且经过数据处理的的测试集输入到已完成的新旧动 能转换输入变量重要性可知的BP神经网络模型可以得到输出结果，即2007年 至2017年11年期间全国重点城市新动能发展水平的分数及排序，其结果如表 2至表4所示。
Figure BDA0002310372450000161
Figure BDA0002310372450000171
表2
Figure BDA0002310372450000172
表3
Figure BDA0002310372450000181
表4
表2至表4示出了所述输入变量重要性可知的BP神经网络模型通过将所述 测试集的19个城市的数据输入所述神经网络模型后，输出的对应城市在对应时 间段的新动能发展水平的分数，然后按照每年城市的新动能发展水平的分数进行 排序整理，得到上述每年每个城市的新动能发展水平分数和其排序信息。
在步骤S7中，根据新旧动能转换绩效划分依据以及所述新动能发展水平分 数及排序重新判定新旧动能转换绩效评价。
在进行绩效评价的时候，考虑到各个城市发展环境、初始条件不尽相同，如 果单独从新动能发展一个维度评价时不客观的。
因此在本实施中，绩效评价主要参考分数，即新动能发展水平和排序，即城 市在全国重点城市中的位置来对该地区的新旧动能转换绩效评价进行计算，表5 示出了新旧动能转换绩效划分依据所示。
Figure BDA0002310372450000191
表5
基于上述新旧动能转换绩效划分依据，可以得到上述城市对应的在2008年 至2017的10年期间全国重点城市新旧动能转换绩效评价，如表6和表7所示。
Figure BDA0002310372450000192
Figure BDA0002310372450000201
表6
Figure BDA0002310372450000202
表7
图6示出了本申请实施例一种基于BP神经网络新旧动能转换绩效评价装置 600的示意图。
基于BP神经网络新旧动能转换绩效评价装置，包括第一数据处理装置601， 第一模型训练装置602，第二模型训练装置603，第一输出装置604。
第一数据处理装置601用于构建包括4个一级指标和19个二级指标的新旧 动能转换指标体系；对基于所述指标体系收集的数据进行中心化、标准化处理形 成用于BP神经网络模型的训练集、测试集。
第一模型训练装置602用于使用所述训练接对所述BP神经网络模型进行训 练，得到误差全局最小化的最优BP神经网络模型参数。
第二模型训练装置603用于基于所述最优BP神经网络模型参数，通过变量 的连接权重计算和变量的敏感度分析结果确定共同的指标基准点，所述指标基准 点为输入变量的重要性排序；基于所述指标基准点，通过改进K-means算法计 算预估指标与所述指标基准点之间的联结距离、强度得到输入变量重要性可知的 BP神经网络模型。
第一输出装置604用于将所述测试集输入到所述输入变量重要性可知的BP 神经网络模型，输出得到全国重点城市的新动能发展水平的分数及排序；根据新 旧动能转换绩效划分依据以及所述新动能发展水平分数及排名重新判定新旧动 能转换绩效评价。
本申请实施例基于BP神经网络新旧动能转换绩效评价装置其运行方法在前 文中已经详细阐述，此部分不在赘述。
图7示出了本申请实施例一种基于BP神经网络新旧动能转换绩效评价*** 700
本申请还提供了一种基于BP神经网络新旧动能转换绩效评价***700，包 括：通信模块720，其用于接收对新旧动能转换绩效评价的指标数据；新旧动能 转换绩效评价计算模块762；存储器760，其用于存储计算机程序指令；至少一 个处理器710，其耦合至所述存储器并和所述新旧动能转换绩效评价计算模块通 信，所述至少一个处理器可操作运行程序指令用以：
构建包括4个一级指标和19个二级指标的新旧动能转换指标体系；
对基于所述指标体系收集的数据进行中心化、标准化处理形成用于BP神经 网络模型的训练集、测试集；
使用所述训练接对所述BP神经网络模型进行训练，得到误差全局最小化的 最优BP神经网络模型参数；
基于所述最优BP神经网络模型参数，通过变量的连接权重计算和变量的敏 感度分析结果确定共同的指标基准点，所述指标基准点为输入变量的重要性排序；
基于所述指标基准点，通过改进K-means算法计算预估指标与所述指标基 准点之间的联结距离、强度得到输入变量重要性可知的BP神经网络模型；
将所述测试集输入到所述输入变量重要性可知的BP神经网络模型，输出得 到全国重点城市的新动能发展水平的分数及排序；
根据新旧动能转换绩效划分依据以及所述新动能发展水平分数及排名重新 判定新旧动能转换绩效评价。
所述***实现基于BP神经网络新旧动能转换绩效评价的具体方法在上文中 已做详细的阐述，在此不做赘述。
如图7所示，***700包括耦合到通信模块720的处理器710，诸如单芯 片微处理器或多核处理器的形式的一个或多个商用中央处理单元(CPU)，该通 信模块720被配置为经由通信网络与另一个设备或***(例如，管理者设备或 客户端设备，未示出)通信，***700还可以包含缓存器750，诸如RAM存储 器模块。***700还可以包含输入设备730(例如，触控屏、鼠标和/或键盘以 输入内容)以及输出设备740(例如，触控屏、用于显示的计算机监视器、LCD 显示器、打印机)。
处理器710与存储器760通信。存储器760可以包括任何适当的信息存储 设备，包含磁存储设备(例如，硬盘驱动器)、光、固态驱动器、和/或半导体存 储器设备的组合。在一些实施例中，存储器760可以包括数据库***，包含在 一些配置中的存储器内数据库。
存储器760可以存储程序代码或指令以控制评价指数分析计算模块762的 操作以依照本申请中的过程在其中获取城市发展评价指数。处理器710可以执 行用于实现新旧动能转换绩效评价计算模块762的指令以从而根据本申请中描 述的实施例中的任何实施例进行操作。新旧动能转换绩效评价计算模块762可 以被存储在压缩的、未编译的和/或加密的格式中。此外，对于新旧动能转换绩 效评价计算模块762的程序指令可以包含其它程序元件，诸如由处理器710使 用的操作***、数据库报告***、和/或设备驱动器以与例如客户端、管理者、 以及***设备(图7未示出)进行接口。存储器760还可以包含数据761。在 一些方面中，在执行本申请的过程的一个或多个过程(包含个体过程，那些过程 的个体操作，以及个体过程和个体过程操作的组合)时，数据761可以由*** 700使用。
本申请的有益效果在于，根据BP神经网络算法实现对新旧动能转换评价的 训练，通过连接权重与敏感度分析结果中共同存在的重要性排序确立基准点，然 后使用改进的K-means算法来确定神经网络模型输入变量指标的重要性，解决 通常神经网络模型由于″黑箱″特性而出现的不一致性，输出解释性较高的新动 能发展水平分数和排序；进一步的根据绩效评价依据结合新动能发展水平重新判 定，最终输出一种较为均衡、简洁明快的新旧动能转换绩效结果。并且本实施例 的算法有较强的拟合能力，可以表述复杂的非线性关系，收敛速度较快且相对来 说对样本数据需求较少。同时能够从数据中学习，并自动决定权重参数的值；避 免过多的人工参与和干涉，简化了***复杂度，便于在工程中灵活使用。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利 性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物 质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以 完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以 由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、 ″单元″、″组件″或″***″。此外，本申请的各方面可能表现为位于一个或多 个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内合有计算机程序编码的传播数据信号，例如 在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、 光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之 外的任何计算机可读介质，该介质可以通过连接至一个指令执行***、装置或设 备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可 以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似 介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言 编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、 C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、 Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运 行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分 在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程 计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网 (WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服 务使用如软件即服务(SaaS)。
需要说明的是，术语″包括″、″包含″或者其任何其他变体意在涵盖非排 他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且 还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设 备所固有的要素。在没有更多限制的情况下，由语句″包括一个......″限定的要 素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同 要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本 申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文 中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例 中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本 文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是，本申请并不局限于上面已经描述的内容，并且可以在不脱离 其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于BP神经网络新旧动能转换绩效评价方法，其特征在于，包括：
构建包括4个一级指标和19个二级指标的新旧动能转换指标体系；
对基于所述指标体系收集的数据进行中心化、标准化处理形成用于BP神经网络模型的训练集、测试集；
使用所述训练集对所述BP神经网络模型进行训练，得到误差全局最小化的最优BP神经网络模型参数；
基于所述最优BP神经网络模型参数，通过变量的连接权重计算和变量的敏感度分析结果确定共同的指标基准点，所述指标基准点为输入变量的重要性排序；
基于所述指标基准点，通过改进K-means算法计算预估指标与所述指标基准点之间的联结距离、强度得到输入变量重要性可知的BP神经网络模型；
将所述测试集输入到所述输入变量重要性可知的BP神经网络模型，输出得到全国重点城市的新动能发展水平的分数及排序；
根据新旧动能转换绩效划分依据以及所述新动能发展水平分数及排名重新判定新旧动能转换绩效评价。
2.根据权利要求1所述的基于BP神经网络新旧动能转换绩效评价方法，其特征在于，
所述新动能发展水平表示一个地区新动能的发展状况；
所述新旧动能转换表示一个地区一段时间内新旧动能转换更新迭代的情况。
3.根据权利要求1所述的基于BP神经网络新旧动能转换绩效评价方法，其特征在于，所述对基于所述指标体系收集的数据进行中心化、标准化处理，还包括：在数据处理过程中缺失数据可以通过拟合近3年平均值等方式加以补齐。
4.根据权利要求1所述的基于BP神经网络新旧动能转换绩效评价方法，其特征在于，所述BP神经网络模型的隐藏层设置为如输入层结构的双隐藏层结构，所述双隐藏层的第一个隐藏层神经元的设置数量与所述二级指标的数量相同，第二个隐藏层神经元的设置数量与所述一级指标的数量相同。
5.根据权利要求1所述的基于BP神经网络新旧动能转换绩效评价方法，其特征在于，所述误差全局最小化，是指存在多个局部极小值的情况下通过重复迭代的办法根据累计误差最小化的原则从多个局部极小值中选取最接近全局最小的局部极小值。
6.根据权利要求1所述的基于BP神经网络新旧动能转换绩效评价方法，其特征在于，所述通过变量的连接权重计算和变量的敏感度分析结果确定共同的指标基准点，即通过寻找变量额连接权重与敏感度分析结果中的″最大公约数″，两种计算方式共同存在的重要性排序。
7.根据权利要求1所述的基于BP神经网络新旧动能转换绩效评价方法，其特征在于，所述K-means算法中，通过使用所述指标基准点，不需要从初始数据集中随机选取K个样本作为初始聚类中心C＝{C1，C2，...，Ck}，并根据新的聚类中心点进行迭代。
8.根据权利要求1所述的基于BP神经网络新旧动能转换绩效评价方法，其特征在于，所述输入变量重要性表示为：
Figure FDA0002310372440000021
其中，OutputXi是输出结果，表示预估指标Xi与基准点Yj之间的联结关系；
|Cov(Xi，Yj)|为协方差计算表示预估指标与基准点之间的一致性；
Cij为根据指标划分得到的维度计算值；dij为欧式距离，其距离越大，表明两者分为同层的可能性越小。
9.根据权利要求1所述的基于BP神经网络新旧动能转换绩效评价方法，其特征在于，所述新旧动能转换绩效划分依据为：
所述新动能发展水平的排序保持升序和分数不降低的情况下，新旧动能转换绩效评价为A；
所述新动能发展水平的排序保持不变，或分数提高的情况，或排序为升序且分数下降时，新旧动能转换绩效评价为B；
所述新动能发展水平所的排序降低且分数下降，新旧动能转换绩效评价为C。
10.一种基于BP神经网络新旧动能转换绩效评价装置，其特征在于，包括：
第一数据处理装置，用于构建包括4个一级指标和19个二级指标的新旧动能转换指标体系；对基于所述指标体系收集的数据进行中心化、标准化处理形成用于BP神经网络模型的训练集、测试集；
第一模型训练装置，用于使用所述训练接对所述BP神经网络模型进行训练，得到误差全局最小化的最优BP神经网络模型参数；
第二模型训练装置，用于基于所述最优BP神经网络模型参数，通过变量的连接权重计算和变量的敏感度分析结果确定共同的指标基准点，所述指标基准点为输入变量的重要性排序；基于所述指标基准点，通过改进K-means算法计算预估指标与所述指标基准点之间的联结距离、强度得到输入变量重要性可知的BP神经网络模型；
第一输出装置，用于将所述测试集输入到所述输入变量重要性可知的BP神经网络模型，输出得到全国重点城市的新动能发展水平的分数及排序；根据新旧动能转换绩效划分依据以及所述新动能发展水平分数及排名重新判定新旧动能转换绩效评价。
CN201911256392.7A 2019-12-10 2019-12-10 基于bp神经网络新旧动能转换绩效评价方法和装置 Pending CN111160715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911256392.7A CN111160715A (zh) 2019-12-10 2019-12-10 基于bp神经网络新旧动能转换绩效评价方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911256392.7A CN111160715A (zh) 2019-12-10 2019-12-10 基于bp神经网络新旧动能转换绩效评价方法和装置

Publications (1)

Publication Number Publication Date
CN111160715A true CN111160715A (zh) 2020-05-15

Family

ID=70556591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911256392.7A Pending CN111160715A (zh) 2019-12-10 2019-12-10 基于bp神经网络新旧动能转换绩效评价方法和装置

Country Status (1)

Country Link
CN (1) CN111160715A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881193A (zh) * 2020-06-12 2020-11-03 福建亿能达信息技术股份有限公司 一种基于机器学习的绩效方案测算***、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881193A (zh) * 2020-06-12 2020-11-03 福建亿能达信息技术股份有限公司 一种基于机器学习的绩效方案测算***、设备及介质
CN111881193B (zh) * 2020-06-12 2022-08-05 福建亿能达信息技术股份有限公司 一种基于机器学习的绩效方案测算***、设备及介质

Similar Documents

Publication Publication Date Title
CN104881706B (zh) 一种基于大数据技术的电力***短期负荷预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
US11366806B2 (en) Automated feature generation for machine learning application
CN110571792A (zh) 一种电网调控***运行状态的分析评估方法及***
US20200372342A1 (en) Systems and methods for predictive early stopping in neural network training
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN111898867B (zh) 一种基于深度神经网络的飞机总装生产线产能预测方法
CN110837939A (zh) 一种电网多目标项目筛选方法和***
CN112363896A (zh) 日志异常检测***
WO2017071369A1 (zh) 一种预测用户离网的方法和设备
CN111832839B (zh) 基于充分增量学习的能耗预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及***
CN115759415A (zh) 基于lstm-svr的用电需求预测方法
CN111461286A (zh) 基于进化神经网络的Spark参数自动优化***和方法
CN113706328A (zh) 基于fassa-bp算法的智能制造能力成熟度评价方法
CN110310012B (zh) 数据分析方法、装置、设备及计算机可读存储介质
CN111160715A (zh) 基于bp神经网络新旧动能转换绩效评价方法和装置
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及***
CN107705160A (zh) 一种结合计量经济学和启发式智能的汽车销量预测方法及***
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
Guo et al. Data mining and application of ship impact spectrum acceleration based on PNN neural network
Jiang et al. SRGM decision model considering cost-reliability
Heng et al. A hybrid forecasting model based on empirical mode decomposition and the cuckoo search algorithm: a case study for power load
Wang et al. A Novel Multi‐Input AlexNet Prediction Model for Oil and Gas Production

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20200812

Address after: 266000, No. 218, Bay Road, Qingdao economic and Technological Development Zone, Shandong

Applicant after: QINGDAO HISENSE ELECTRONIC INDUSTRY HOLDING Co.,Ltd.

Address before: 266071 No. 151, Zhuzhou Road, Laoshan District, Shandong, Qingdao

Applicant before: QINGDAO HISENSE TRANSTECH Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201202

Address after: Donghai West Road 266071 Shandong city of Qingdao province No. 17

Applicant after: HISENSE Co.,Ltd.

Address before: 266555 Qingdao economic and Technological Development Zone, Shandong, Hong Kong Road, No. 218

Applicant before: QINGDAO HISENSE ELECTRONIC INDUSTRY HOLDING Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20200515

RJ01 Rejection of invention patent application after publication