基于BP神经网络的中文图书采购招标评价

李雪萍 ，吴青林 ，熊 琪

(1.东华理工大学图书馆，江西 抚州 344000；2.江西农业大学图书馆，江西 南昌 330045；3.江西省图书馆，江西 南昌 330046)

随着《中华人民共和国招标投标法》和《中华人民共和国政府采购法》的颁布和施行，图书馆中文图书采购工作实行招投标的管理方法。近年来，很多图书馆率先采用了中文图书的采购招标，取得了一定的效果，但也存在供应商选择不够科学合理的问题。如何确立一套合理的、符合图书馆工作需要的供应商选择评价指标体系，用以指导图书馆中文图书的招投标采购，显得尤为重要。对中文图书的采购招标进行详细准确评价是一项复杂的工程，它的评价指标、评价标准、评价技术和方法有很多，这一系列指标构成了一个复杂的非线性系统模型。人工神经网络(ANN)是并行分布式系统，它采用与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点，所以在解决复杂度问题中有着广泛的应用。BP（Back Propagation）即神经网络则是一种按误差逆传播算法训练的多层前馈网络，是擅长处理规律隐含在杂乱无章数据中的映射逼近问题最广泛的神经网络模型之一。本文采用BP神经网络设计出新型的中文图书采购招标评价系统模型，从定量和定性的角度合理的评价各书商的实力，为中文图书采购招标、选择图书供应商提供参考。

1 中文图书采购招标评价指标体系的建立

中文图书采购招标评价是通过收集各图书馆在采购评标过程中的可用性数据或潜在的可用数据，并立足于对有关因素的全面分析，对系统的设计特征提出建议。本文从资信实力、服务承诺、到货、报价四个方面给出了20个评价指标，具体内容如表1所示。利用表1所列出的20个评价指标，可对书商进行综合评价，从而利于图书馆选择图书供应商。

表1 中文图书采购招标评价指标

2 BP算法及其改进

2.1 BP神经网络

人工神经元作为人工神经网络在处理数据时的一个基本单元，是一个数学模型，它类似于生物的神经元，主要通过相连的下级神经元对输入数据进行接收。主要分前向、反馈和自组织网络三种。

BP网络属于误差的反向传播网络，它是前向网络的一种。BP网络有输入层、隐含层、输出层，每层之间各部分全部相连。输入层的节点接入信号，再按顺序传过每一个隐含层的层序节点，最后到达输出节点。通过多次实践证明，三层BP网络就像是一个连续的函数，它的精度可以任意逼近。

2.2 BP算法

从数学意义上讲，BP网络的基本思想是利用映射训练样本（x1y1）、（x2y2）、（xkyk），实现从 n维欧氏空间子集到f[A]的映射。BP网络的学习过程是由信号的正向和反向两个传播过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层，每一层神经元状态只影响下一层神经元状态。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。BP网络学习详细过程如下：

（1）给各权值或阈值分配其初始值：Wji(0)、θj(0)为小的随机数值。

（2）提供训练样本：从输入层输入矢量 Xk，k=1,2,…,P，以及其期望输出=Dk，k=1,2,…,P，对每一个从输入层输入的样本进行下面(2.2.3)到(2.2.5)的迭代。

（3）计算BP神经网络的实际输出结果和隐含层单元的反传状态：

okj=fj(+θj)，其中 f(x)为转移函数，采取 Sigmoid 函数，即 f(x)=

（4）计算训练误差：

（6）当k每经历1至p后，判断指标是否符合精度要求：

（7）结束。

2.3 改进BP算法

传统BP神经网络算法都是把从输入层输入、输出层输出的样本问题转变为数学方式中的非线性优化问题，使用的是优化算法过程中的梯度下降法，这种算法是最普通的。BP算法具有很强的非线性映射能力，其网络所隐含神经元的层数、各层神经元总数量以及算法的标准系数都可以视具体情况而进行相应设定，能高强度的识别。这些复杂的非线性仿真模型从理论角度说是可以达到无限小的，但在实际运行过程中，标准的BP算法还是会有收敛速度相对较慢，而且容易陷入局部极限值的缺点。这个可以通过以下措施改进。

2.3.1 学习速率应现状而调整

造成标准BP神经网络算法的收敛速度过慢的原因之一是学习速率不适当。如果该算法学习速率太小的话，会造成收敛速率太慢；而一旦学习速率太大的话，更有可能会导致该BP神经网络算法振荡不收敛，更严重的会导致发散。这时就要进行该算法学习率的自适应性调整。当算法出现连续两次或以上迭代的梯度其方向都相同时，说明梯度下降太慢了，要将步长翻倍调整；而如果是连续两次或以上迭代梯度方向都相反时，说明下降梯度过头了，那么就可以把步长减为一半。

2.3.2 加载动量项目

标准BP神经网络算法在修正w(t)时，只会按照这一时刻的瞬间负方向的梯度来进行修正，而不会比较和参照前面部分时刻的梯度方向，这样就常常导致学习过程发生激烈振荡，使得算法的收敛过程较慢。加载动量项的目的就是为了降低BP神经网络对出现误差的曲面细节问题的敏感程度，从而使得网络受限于局部的程度极小。

3 基于BP神经网络的中文图书采购招标评价系统设计

3.1 评价指标的标准化

由于中文图书采购招标评价有一系列的指标，这其中包括了定性和定量两种类型指标，而且各评价指标都有不同的量纲。我们取定输入层输入节点数据的取值范围为[0,1]，然后再对评价指标进行一系列的标准化处理。

3.1.1 定量指标

对于中文图书采购评价指标ui，其评价指标的最小值为mi，最大值为Mi。设ri为招标人员对中文图书采购评价指标ui的属性值xi的无量纲化值，且ri[0,1]。根据图书采购评价指标的类型，可以采用如下两种无量纲化标准函数来计算：

3.1.2 定性指标

在前面的评价指标体系中，大部分指标只能进行一些定性的描述，没有直接的量化指标，我们可以采用确定中文图书采购各评价指标的等级隶属度的方法来使其得到量化。步骤为：设Ui为定性评价指标，Ui相对于评价集的隶属度向量为：。这里的隶属度向量值可以采用专家调查方法，再通过集值统计进行确定，也可通过模糊数学方法中的确定隶属函数方法确定。如果为了简便快捷，可以直接进行专家打分确定，专家在评分时对中文图书采购招标中的每个评价指标的影响因素进行充分的分析，并审核，再估算出每个招标评价指标的应取评分值，其取值范围依然是[0,1]。中文图书采购招标往往采用的是定性与定量指标相结合的评价方式，所以可以参照定量指标的一些处理方法，把这些指标的评分值做标准化处理后再作为BP神经网络的输入。

3.2 系统结构设计

实验表明，具有单隐层的BP网络可以达到逼近任意的连续函数的极限。本文采用三层BP网络模拟中文图书采购招标评价系统的评价过程。将中文图书采购评价指标的标准化值作为网络输入点的输入向量，该网络包含了20个输入节点，1个输出节点，输出值为中文图书采购招标评价结果，即中文图书采购招标的相对量化值。实验过程中因为输入和输出向量之间不能满足数学的线性关系，我们就选择了单极性的Sigmoid函数作为转移函数。对隐含层节点数采用经验公式：，其中、、分别为隐含层、输入层、输出层的神经元数目，L则是从一至十之间的任一整数，然后再采取对比实验的方式来选择最佳隐含层节点的数目。采用改进BP神经网络算法进行学习，根据所学时间的次数和达到全局误差的综合效果来看，6个隐含层神经元比较合适。

以资信实力、服务承诺等20项中文图书采购招标评价指标的标准量化值作为BP神经网络输入点的输入向量，用表示；隐含层节点用向量表示；O=（o1）表示输出层的输出向量，根据转移函数的性质，是中文图书采购招标的综合评价分值，用来表示。所得到的S分值越大，则表明这个中文图书的供应商的相对服务质量越高，相反则其相对服务质量就越低。将训练集的实际输出数据转换为[0,1]的数值，期望输出用T=(t1)表示。输入层节点到隐含层节点的权值用向量表示，隐含层节点到输出层节点的权值用向量表示。对于隐含层有：

这样隐含层和输出层两层就建立了中文图书采购招标评价系统。结构如图1所示：

图1 基于BP神经网络的中文图书采购招标评价系统设计结构图

3.3 网络训练样本的获得

BP神经网络之所以具有评价功能，都是经过了大量样本数据的训练的。因此，要获得网络训练的样本的前提是获取大量的训练数据。所以我们可以选取适量图书供应商来作为实证分析的对象，即神经网络的训练单元。再将前面所提及的20项评价指标作为专家对这些图书供应商的打分值，把这些分值作为神经元的输入层输入数据，网络期望输出数据就取相应书商的评价值。网络期望输出可以采取层次分析法(AHP)获得，这种方法也是一种定性与定量相结合的系统化、层次化决策分析方法。层次分析法的基本原理是将一个复杂得多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标（或准则、约束）的若干层次，通过定性指标模糊量化方法算出层次单排序（权数）和总排序，以作为目标（多指标）、多方案优化决策。通过层次分析法的分析，我们不仅可以准确得出各个评价指标对于图书供应商的相对价值权重，还能将各个评价指标的评分值与指标权重进行加权相加，最后得出各图书供应商的综合评价分值，该评价分值就能作为网络的期望输出。通过采用层次分析法，我们就能获得训练和仿真样本。

3.4 网络训练与系统仿真

获得了网络训练样本数据后，就要对网络进行训练。我们将编号为1～5的图书供应商所提供的以往数据作为训练单元输入到BP神经网络的输入层神经元，并设定书商的学习精度为，书商学习速率最初值为0.05，所得出的训练样本的综合评价值就可以作为网络期望，在BP神经网络的输出层输出。当训练误差达到了图书馆采购标准所要求的精度时，就停止训练。再将编号为6～10的图书供应商作为仿真样本来检验网络的评价和预测精度，发现网络的仿真结果同样本的评价结果非常接近，如表2所示。这就表明该网络具有很好的泛化能力，采用BP神经网络建立中文图书采购招标评价系统是完全可行的。

表2 系统仿真结果表

4 结束语

中文图书采购招标评价是图书馆文献资源建设工作的重要内容，对中文图书供应商进行科学、客观的评价，是进行公平、合理招标的基础，这一点对于提高图书馆文献资源建设质量非常关键。本文基于中文图书采购招标的评价指标体系，并通过BP神经网络模型来设计中文图书采购招标评价系统，有效地克服评价过程中人为确定标准值和权重的主观性因素的干扰，更能在中文图书采购招标时科学客观地评价各书商。这一评价试验表明，BP神经网络系统评价的结果正确。各馆在操作过程中，要充分考虑系统评价的公平有效，要对评价模型进行适当的调整，这样就能保证该采购招标评价系统成为高效准确又易操作的系统。如果这些都能做到的话，那么基于BP神经网络的中文图书采购招标评价系统就能够成为图书馆进行采购招标选择合适供应商的有效工具。

[1] 曲长生,李明珍,刘凡儒.中文图书采购招标评价指标体系的建立[J].大学图书馆学报,2007(3):11-14.

[2] 赵会平.图书采购招标评分要项的探析[J].大学图书馆学报,2007(2):20-23.

[3] 汪克亮.杨力,查甫更.基于BP神经网络的工作岗位评价系统[J].企业经济,2007(12):30-33.

[4] 田中禾,刘俊宏,何莉.基于BP神经网络的员工素质评价模型[J].统计与决策,2008(5):171-173.