你的位置:主页 > 招贤纳才 >

信游娱乐平台:基于极限学习机的出口食品加工企业检验检疫信用评

2020-01-31 01:26 作者:信游娱乐
信游娱乐平台资讯:

建立社会信用体系是改善中国社会主义市场经济体制的客观需要。这是整顿和规范市场经济秩序的基本政策。这是促进社会经济健康,协调,可持续发展的先决条件。它也符合国际惯例和加强。提高出口产品质量和安全性,提高中国企业和产品的国际形象和市场竞争力的唯一途径。

质量检验体系进出口企业检验检疫信用体系是我国社会信用体系建设的重要组成部分。通过建立和完善进出口企业检验检疫信用体系,在检验检疫信用等级的基础上,实施进出口企业分类管理。对信用等级较高的企业,抽样检验和口岸检验的比例降低;对信用等级较低的企业,提高抽样检验率,在严格监管的基础上提高工作效率。

为全面有效地掌握和整合企业信用信息,国家质量监督检验检疫总局建立了进出口企业信用管理体系,同时制定了企业信用管理方法和评分标准。通过对进出口企业检验检疫信游娱乐平台:信用等级的标准化,定量化,科学性评估,改变了人们主观判断企业信用等级的确定方法,进出口企业的信用意识和产品质量。晋升,一线检查得到改善。检疫工作的效率。

传统的信用评级方法是根据检验检疫相关的信用指标设定评价标准,建立主观或客观综合评价专家系统。这样有两个问题。一个是不同指标的一致性。信贷指标包括定量和定性指标。不同的评估指标没有一致的客观因素。二,重量选择不同的指标。不同的信用指标在最终评级的权重是完全人为的,没有客观性。

近年来,为了准确,客观,科学地评价企业信用,国内外许多学者做了大量的研究工作,并提出了人工神经网络方法[1],支持向量机方法[3]。这些方法存在诸如计算复杂,参数设置多,预测时间长等问题。本文以极端学习机(ELM,ExtremeLearningMachine)为出口食品加工企业,以评估企业检验检疫信用等级。 ELM是一种前馈神经网络训练算法[2],它随机生成输入层与隐藏层之间的连接权重和隐藏层神经元阈值,并且在训练过程中不需要调整参数,只需设置隐藏layer可以获得最佳神经元数量。与传统的训练方法相比,ELM速度快,参数少,泛化性能好[5]。

1极端学习机

给定X={(xi,ti)| xi∈Rn,ti∈Rn,i=1,2,N}作为样本集,其中xi是n×1维向量,ti是m×1维向量。包含K个隐藏层节点和激励函数g(x)的ELM是

其中wi=(wi1,wi2,wid)T表示隐藏层的输入层和第i个神经元之间的权重,βi=(βi1,βi2,βim)T代表i 信游娱乐:-th neuron and output值之间的权重oj是对应于第j个输入数据的目标值。 ELM的目标是满足βi,wj和bj。

H是神经网络的隐藏层输出矩阵,H的第i列是对应于输入x1,x2,xN的第i个隐藏层神经元的输出。 Huang [2]在之前的研究中证明,不需要调整ELM中的权重和偏差值,并且在算法开始执行时只需要给出一个输入值。因此,可以将输出权重计算为最小均方误差结果的Moore-Penrose广义逆矩阵。因此,最小训练误差计算为

ELM使用公式(6)通过快速学习获得具有良好泛化性能的预测结果。对于本文的问题,企业信用评估指标的输入和输出值不满足线性关系,因此选择单极函数作为激励函数。

G(X)=1 /(1 + E-X)(7)

出口食品加工企业的信用指标体系由企业卫生注册年限、出口检验检疫批次不合格率等12项评价素组成[4],其中包括数字型数据和离散型数据,指标及相应权重见表1。

根据各项指标的得分,加权后可计算得到综合评分。

3数据处理方法

利用ELM进行检验检疫信用评价,首先根据指标体系中素的求收集数据。目前,出口食品加工企业检验检疫数据主来源于已有业务系统数据导入和人工录入两种方式。得到初始数据后需对数据进行转换处理,包括将非数字值转换为数字值、归一化处理等。

归一化处理是将所有数字归一化到[0,1]区间内,取消不同来源的数据间量级的差别,提高ELM预测的准确性。本文采用最大最小法对信用评价指标进行归一化处理

其中xk表示评价指标数据,xmax和xmin表示所有指标的上下限。

4实验结果及分析

本文选取10家出口食品加工企业的检验检疫信用数据进行实验,ELM算法中隐含层神经元数目定为30。根据第3节中数据处理方法,对选取的指标数据进行数字转化及归一化处理,处理结果见表2。

本文首先使用表2中前9家公司的数据构建训练集,第10家公司的数据作为测试集。图1中给出对12项评价指标分别预测的结果。表3中给出企业信用评价的预测结果。

信游娱乐平台:基于极限学习机的出口食品加工企业检验检疫信用评价研究

信游娱乐平台:基于极限学习机的出口食品加工企业检验检疫信用评价研究

接下来,我们使用表2中前8家公司的数据构建训练集,第9、10家公司的数据作为测试集。图2(a)和图2(b)分别给出对这两家公司12项评价指标分别预测的结果。表4中为这两家企业信用评价的预测结果。可以看出,由于使用的训练样本数比上一组实验少,预测误差比上一组实验稍大。

5结束语

本文使用ELM构建了出口食品加工企业检验检疫信用评价模型,实现对企业信用历史数据的训练和学习。通过设置隐含层神经元个数,自动调整模型中的连接权重,确定输入、输出之间的内在联系,使模型具备预测能力。

通过使用ELM,改变了以人的主观判断来确定企业信用等级的方式,弱化了人为因素对预测结果的影响,提高了评价结果的准确性、科学性。同时,与传统训练方法相比,ELM速度快、参数少,能够大大提高模型的训练速度,使模型更具有实际应用的意义。



如果喜欢此文章,转载请注明本文地址:http://www.rutaijixie.com/dfr/zhaoxiannacai/20200131/943.html