模糊逻辑在企业评价系统中的应用

陶晓晶黄官伟

陶晓晶，黄官伟（同济大学中德学院，上海200092）

作者简介：陶晓晶(1984-)，女，上海人，硕士研究生，主要研究方向：信息管理与信息系统。

摘要：利用现代数据挖掘技术构建企业经营状况评价体系模型。给出决策系统中常用的算法——模糊神经网络，分析、说明该算法具有精确、可靠、快速的优点。提出一种专家系统中常用的学习型评价系统的建立方法，完整模糊神经网络模型。该模型适用于以语言型变量为主的系统的评价问题。样本数据集的建立及语言型变量的描述，通过挖掘专家知识，建立符合其偏好的隶属函数实现的，从而得到与决策者的评价结论相同的评价结果。该体系模型由7个定量指标和2个定性指标组成，利用专家样本数据训练神经网络，使训练出来的神经网络可以像专家一样进行评价活动。

关键词：模糊逻辑；决策系统；模糊神经网络；评价；语言型变量

1引言

①问题提出。在21世纪的今天，随着经济的迅速发展和市场竞争的日益激烈，企业要在残酷的商业竞争中立于不败之地，就要能够通过在对自己的生产经营活动、经营成果及财务状况进行综合评价并正确认识自身的生产经营活动后，做出正确的战略决策与经营决策。

良好有效的决策首先是建立在对企业的经营状况有个全面、精准的评价基础上。但是，现阶段许多企业综合评价系统大多仍停留在评价企业财务指标的层面上，而单方面的指标无法对企业的经营状况做出科学的评价，因此我们要综合企业的内部运作状况、发展潜力状况、企业外界影响力状况的各项指标进行综合评价。

企业经营活动的各项指标不仅包括量化指标，还包括许多表述性、描述性的定性指标，因而，如何全面客观地来体现这些指标、如何获得科学正确的样本数据、如何选择高效科学的算法是本文讨论的重点。

②研究现状。现在对于综合评价问题的分析一般采用层次分析法、模糊综合评价法、灰色关联度评价法等，当涉及样本数较多时获取所需参数不是一件容易的事情，然而神经网络具有学习功能，能够从大量样本数据中获得数据间的映射关系；而模糊逻辑可以根据人为定义的隶属函数和一系列并串行的模糊推理规则，用逻辑推理去处理各种模糊性的信息。因此，通过将模糊逻辑与神经网络相结合，构成模糊神经网络，则既可以处理定量数据也可以处理定性数据，从而符合建立决策系统的要求。

本文主要讨论如何在神经网络中引入模糊逻辑来处理企业的各种语言描述性信息。首先讨论决策支持系统（DDSs）中常用的算法——模糊神经网络，通过介绍一种专家系统中常用的学习型评价系统的建立方法，来分析说明该算法具有精确、可靠、快速的优点。然后利用模糊神经网络的原理，构建一个基于BP神经网络和模糊逻辑的企业评价系统，来综合评估企业的业务绩效。该体系模型由7个定量指标和2个定性指标组成，利用专家样本数据训练神经网络，使训练出来的神经网络可以像专家一样进行评价活动。

1基本原理

1.1人工神经网络

人工神经网络（ArtificialNeuralNetwork，ANN）是由大量处理单元（神经元Neurons）互连而成的网络，是对人脑的抽象、简化和模拟，反映人脑的基本特性。ANN通过学习获取知识，用内部神经元存储知识信息。它以大规模模拟计算为主，具有容错性和鲁棒性，学习能力强，并能在学习中不断完善。

1.2模糊逻辑

模糊逻辑是超常规的逻辑，它用于处理处于完全正确和完全错误之间的部分真相的问题。上个世纪六十年代LotfiZadeh博士提出了一种针对不确定的自然语言的模型。模糊逻辑的理论基础是模糊集合论。模糊集合论认为，论域上的对象从属于集合是逐渐过渡的，而不是突然变化的。因此，它把元素属于集合的观念模糊化，承认论域上存在着既非完全属于某集合，又非完全不属于某集合的元素；它又把属于概念量化，承认论域上的不同元素对同一集合有着不同的隶属度。所谓隶属度是指一个元素属于某一集合的程度。模糊集合论强调的不是集合中包含哪些元素，而是集合中所包含元素的程度如何变化。

1.3模糊神经网络

模糊逻辑着眼于可用语言和概念表述的人脑的宏观功能，力图从人的思维外特性，即语言和对世界认识的概念上去研究人的智能，它根据人为定义的隶属函数和一系列并串行的模糊推理规则，用逻辑推理去处理各种模糊性的信息。而神经网络主要关注人脑的微观结构，力图从人脑的物理结构上去研究人的智慧产生和形成，它通过有自学习、自组织和自适应功能的神经网络上的非线性动力学，对无法语言化的模式信息进行处理。模糊逻辑和神经网络是信息处理的两种新的方法，它们都是自适应的模型无关估计器，在处理不确定信息和含有噪声的信息方面都有一定的特长。

模糊神经网络结构分为四层，依次为输入层、计算隶属函数层、规则层、精确输出层。当一组数据输入系统后，首先，在计算隶属函数层计算各输入变量的隶属函数，并将各隶属函数的最大值作为输出，然后，在规则层与计算隶属函数层各输出相对应的规则节点被激活，相应的规则参与推理计算，形成推理结果，并在精确输出层进行反模糊化计算，得到推理的精确输出。该输出与样本理想输出之间的偏差则用来调节网络相应的参数，直到输出误差达到要求。

2基于模糊神经网络的学生学习情况评价模型

2.1基于模糊神经网络的学生学习情况的评价模型

该模型是一个五层前馈式的神经网络结构。输入数据是学生的GPA和CPA（往年累计的绩点）。CPA和GPA的取值范围是[0，4]。以高斯公式作为成员函数，将CPA和GPA模糊化。输入输出变量用：LOW,MED,HIGH来表示等级,他们的范围分别是[0,2.6],[1.7,3.6],[2.7,4.0]。其神经网络结构共为五层：

第一层为精确输入层，CPA和GPA的值直接输入到该层的神经元，在本层中神经元的输入等于输出。

第二层称为计算隶属函数层，该层采用高斯函数作为传递函数主要用于实现模糊隶属度函数，计算出5个分属于“LOW,MID,HIGH”语言变量的隶属。

第三层称为规则层，每个神经元调表单个模糊规则。这里要注意的是第三层和第四层之间的权重代表相应的规则所具有的信度。权重在神经网络的训练过程中得到修正。

第四层是输出成员函数层或称模糊输出层，神经元收到来自相应模糊规则的神经元的输入，将结点的输出和此层的其它结点输出相AND输出。

第五层称为精确输出层。该层的每个神经元将上一层的模糊输入反模糊化，得到精确的输出。此处用的是重心法产生每个输出数据。

2.2建立符合专家偏好的隶属函数

①确定定性变量的模糊划分及隶属度。采集专家样本数据的表格如表1。请专家按列，也就是模糊集合填入相应的数值，由于专家可能不了解什么是隶属度，所以界定数值在0.5~1.0，这样就得到模糊集合的隶属度。

②确定语言变量的隶属函数。定性变量没有数值论域，同样的事物每个人的理解不同，存在主观差异。相关文献采用钟型函数比较恰当，可以根据斜率的不同来表示这种主观上的差异。利用钟型函数，可用如下的公式表示：“L”、“M”、“H”分别表示“强”、“中”、“弱”：

（1）

式中：wg1<0,wg2、wg3、wg4>0。

参数wci确定，此处用连续变化的整数1、2、3来代表L、M、H的中心值，则wc1=1.5、wc2=2.5，那么表1的语言变量的模糊集合就可以用相应的模糊数来表示.

③参数wgi的确定。当确定wgi之后，就可以得到模糊集合“L”、“M”、“H”的图形。wgi不同则曲线的斜率也不同，有的尖锐、有的较平钝。在交点处的斜率与参数wgi成正比。在评价中，需要获得参与者的偏好，也就是说：他所认为的“H”的含义是什么，可以由wgi所决定的模糊集合的图形的不同来表示决策者的偏好不同。

④确定系统的精确输入。当语言变量为“强”时，输入层相应的输入则为模糊集合3，模糊集合3的论域是一个数据区间，区间由截取值的不同而不同。模糊神经网络的输入应为该区间内的某一精确的数值，利用表1中的隶属度来计算该值。

4企业经营状况评价模型的建立

4.1企业经营状况评价模型的建立

建立一个对企业经营状况进行评估的评价模型。评价模型分为三个层次，底层为企业原始财务数据层，中间层是指标层，顶层是企业经营状况结果层。整个信息流从下至上流过整个评价模型，最后得到各个企业可信、可靠的评价结果。

4.2构造企业经营状况神经网络

①样本数据的提取。本指标体系中共有9个指标，其中7个为定量指标，2个为定性指标。样本数据可选取各公司和中小企业的年报中的数据，各项指标按照公式计算；2个定性指标的样本数据分别来自于5位专家的打分。②样本数据的预处理。对于专家数据样本，在得到每个专家的样本数据之后，根据专家所给的个人偏好，构造隶属函数，获得定量数据，用算术平均法得到最终的精确输入。③神经网络的初始化。一般取3层BP神经网络最为企业经营状况评价模型。④训练后的神经网络模型。训练后的神经网络就可以用于评价企业经营状况了。根据神经网络确定后的阀值和权值，数据从输入层输入，经过隐含层，到达输出层，最后输出结果，根据结果所在的区间，判断企业经营状况的优劣。

参考文献：

[1]KostasM,JohnP,EmanuelS.Integratingfuzzylogicintodecisionsupportsystems:currentresearchandfutureprospects[J].InformationManagement&ComputerSecurity,2003,(11).

[2]荣莉莉,王众托.基于知识和模糊神经网络的学习型评价系统[J].管理科学学报,2003,(6).

[3](加)韩家炜,(加)Kamber,M.范明等译.数据挖掘概念与技术[M]北京:机械工业出版社,2001.

[4]赵高峰,毕笃彦,孙卫.基于模糊神经网络的数据挖掘算法[J].空军工程大学学报,2008,(6).

[5]常见阳,白思俊.工业企业经营状况综合评价指标体系的构建[J].长春大学学报,2001,(4).