神经网络模型训练结果优化

本文的BP神经网络的结构设计如下：输入值是价格竞争，所以输入层节点数为22，也就是各个经过价格竞争调制的影响因素，输出层的节点数是价格竞争网络营销绩效个数，也就是1，中间隐含层设计为3个，那么隐含层的输入节点与相应输出节点之间的隐含层的权重值就是作用强度。

利用Matlab7.1对归一化之后的数据进行网络训练，以找出经过价格竞争调制各个影响因素对网络营销绩效各个因子的影响强度。首先对网络进行初始化设置，将训练次数设为1000，训练结果的间隔步数50步，训练最大允许误差0.005，其他选项选择默认。训练次数不能设置得太多，也不能设置得太少。太多意味着训练过程中时间会增加，太少则会出现样本经过设定的训练次数后，不能达到训练的误差要求，这样会增加实验者的烦琐程度。同样，训练误差的精度要求也要设置得合适。精度太低，不能保证结果的准确性；精度太高，训练次数增加，训练时间增加。因此，不管是训练次数，还是训练误差，都要选择合适的值。

经过反复地训练，样本数据在第151次训练时达到所设定的目标误差，如图9-4、图9-5所示。

图9-4　隐含层节点数为5的训练结果

由图可以看到：网络在经过151次训练之后，网络误差降到0.005以下，达到我们的目标设定值，因此网络在151次训练之后停止训练。这说明网络的收敛速度比较快，网络的结构设计是合理的。如果经过反复地训练，网络都不能收敛到设定的误差值以下，这就说明网络的结构设计存在问题，这就需要我们重新设计网络结构。我们知道，网络的输入层节点数和输出层节点数是根据数据进行设计的，因此不能改变，那么能够改变的就只是隐含层的节点数。现实生活中，有些学者也是通过不断地改变隐含层节点数来获取最优解，但是本文将隐含层节点数设为3，经过训练能够达到网络要求，所以无须改变网络的结构设计。

图9-5　训练过程(www.xing528.com)

BP神经网络计算所得到的输入层与隐含层的各个神经元（节点）之间的连接权矩阵如下所示，共22×5=110个连接矩阵值，简便起见，这里仅列出前35个连接值。

[-0.9558 -1.1559 0.51064 1.0976 0.74340 0.21373 -0.39504；-0.40369 0.05233 -0.43659 0.26686 -0.88847 0.17141 -0.59957； -0.14755 -0.26575

-0.85836 1.0337 -0.46551 -0.36379； 1.2171；0.64154 -1.77290 0.10011-0.41794 -0.29067 -1.5844 0.44543；-1.2942 0.26285 0.39294 0.45625 0.23474 -0.49511 1.17941，…]

隐含层到输出层的连接权矩阵为：

[-0.64618 -4.5919 0.58276 2.1275 3.4862]

输入层到隐含层的连接权矩阵就是求取各输出变量的权重值，即可以找出输入变量（22个影响因素）对输出变量（综合绩效）的拟合曲线关系。根据相关文献^[1]，当所有样本训练结束并且达到网络精度要求之后，根据输入层到隐含层之间的连接权矩阵（如式9-12）计算各个输入层节点到隐含层节点间连接权的绝对值之和，并且通过归一化的方法，即可以得到各个影响因子的权重，也就是相对作用强度。具体公式如下式9-16所示。

利用以上推导出的公式，对所构建神经网络训练出来的连接权矩阵数值进行计算，可以得出价格竞争对各个影响因子的权重大小。权重值的大小并没有具体的含义，只是表明在整个系统内，各个因子的相对作用强度。