基于粗糙集RBF神经网络在东丰县开发区企业管理上的应用

马立艳 陈桂芬

摘要：为提高基层企业管理效率，根据吉林省东丰县开发区2015年企业调查数据，使用粗糙集与RBF神经网络算法结合算法对企业工业生产总值、用电量、用工量等3个主要影响因素进行分析，并根据各参数之间差异划分企业等级。研究结果表明：根据算法对数据分类结果，该结果与东丰县开发区企业分级情况比较接近，说明基于粗糙集RBF神经网络算法， 是一种在企业绿色发展分级方面有效的评价方法;通过2种算法之间的可视化图形对比，得出粗糙集RBF神经网络算法较 BP神经网络算法分类效果更加明显; 因而，基于 粗糙集RBF神經网络算法对东丰县开发区进行企业划分准确性强、效率高、易于推广，为东丰县开发区关于企业管理工作起到技术指导作用。

关键词：东丰县开发区;绿色发展;BP神经网络;RBF神经网络;粗糙集

中图分类号：S-3文献标识码：ADOI：10.19754/j.nyyjs.20190615002

引言

企业是开发区生存与发展的重要基础，企业的绿色发展是开发区健康发展的重要保障，确保开发区可持续发展的核心基础保障，经济发展、绿色发展、科技发展成为开发区企业发展的3个重要因素[15]。以往对于企业的评估中，企业经济发展作为评估企业的重中之重，然后系统分析企业经济总值、纳税值等情况[16]，根据单一的经济数据决定企业在园区内的帮扶力度和去留等工作，然而企业的规模、发展都不是均一的，是随着社会因素的总体影响的，使用单一的帮扶企业政策既不能满足多数企业的需求，甚至会使高能耗、高污染的企业在开发区中密集出现。于是，各地开发区纷纷提出了绿色企业，根据企业多种变量来确定最适合区内发展的企业，目标是在降低能耗、提高科技的前提下，企业经济展情况最佳。

随着科技在开发区管理中应用的不断进步，为有效提高开发区管理能力，数据挖掘被广泛应用到企业管理中，神经网络是数据挖掘算法最广泛使用的分类方法之一，已经在模式识别、智能机器人、预测评估、经济等领域广泛的领域解决了实际问题，其适用于非线性数据的处理，其主要功能有自学习、联想储存、高速寻找优化解等，典型算法有：BP神经网络、RBF神经网络等。本研究根据东丰县开发区企业的多样性和差异性，利用数据挖掘中的BP神经网络、RBF神经网络，对研究区域的人员投入、经济产出、能源消耗3种主要影响开发区进行了分别研究，分析研究结果，为开发区企业绿色发展情况划分起到指导作用。

1关键技术及算法介绍

1943年神经网络初期模型MP被提出，独立神经元能够实现执行逻辑功能。

W.S.McCulloch和W.Pitts建立MP模型，实现了单独神经元能执行相关逻辑功能。直到1986年，神经网络逐步发展成为BP算法， BP神经网络能够解决实际问题。1988年，Broomhead和Lowe用径向基函数（Radial basis function， RBF）提出分层网络的设计方法[5]。

BP神经网络是一种多层的前向型神经网络，被称为误差反向传播神经网络，在BP神经网络中，信号是前向传播的，而误差是反向传播的，BP网络通常由有一个至多个隐层以及一个输出层构成，能够对具有有限性个不连续点的函数进行逼近。人工神经网络常用来解决非线性分类问题，它通过对训练样本的学习，自动提取合理的的规则，对测试样本具有良好的预测能力。但是，BP神经网络算法也存在局限性，对输入样本的预处理功能不强，易在局部极值点滞留，导致网络收敛迟缓、或过早收敛等情况出现[6]。

BP神经网络的性能指标为下：如公式1（节点之间权值为w，节点的阈值为b，输出层节点数目为n，输出层结果为d）：

E（w，b）=∑n-1j=0（dj-yj）2（1）

RBF神经网络同时前馈型神经网络。它以任意精度逼近任意的非线性函数，且具有全网络逼近能力[2]，其性能极其优良。它的网络和模糊逻辑能够实现合作，真正提高算法的泛化能力。RBF神经网络的激活函数可表示为：如公式2

f（x）=∑n-1j=0（dj-yj）2（2）

RBF神经网络与BP神经网络存在以下区别：RBF在泛化能力上高于BP神经网络，在同精度的情况下，BP结构更简单[3，13];RBF神经网络精度高于BP神经网络，RBF神经网络以完全接近真实程度，随着训练样本增多的前提下，其隐藏层增多，且明显神经元高于BP神经网络，使得网络结构复杂，复杂程度也增大，运算量也随之增加;RBF神经网络可以实现完全逼近能力，且收敛速度快;结构不同，RBF神经网络通过不停调整全职直接逼近最小误差，BP神经网络是通过梯度下降来接近预期目标;RBF具有最逼近性能和全域最优特性，训练速度较快，BP神经网络速度较慢，学习速度基本是固定的，需要较长的训练时间;局限性不同，BP神经网络在计算过程中容易产生极小值现象，RBF会完全逼近真实值，不会陷入局部极小值[4，11]。

粗糙集理论能够对不确定、不完整的数据进行有效处理的一种数学方法[8，9]。它建立在分类的基础之上，对精确、不确定的数据处理比较客观，在处理过程中，无需前期验算信息，仅需要提供户数据集合[10]。针对该理论对原始数据中不确定、不完整的能力，使得其与处理不确定问题的理论形成互补[1]。

2粗糙集RBF神经网络在企业分级上的应用2.1实验数据来源

实验数据来自吉林省东丰县经济开发区，该区成立于2005年11月。经过多年的发展，现已形成了以中小企业创业孵化基地、以梅花鹿特色产业、鑫达冶金铸造产业、低碳产业孵化为特色的“三园一基地”的模式，开发区建筑面积为4.34km2，总面积约为13.41km2，共设置可租借使用厂房8栋24500m2，目前，开发区区内企业达到220户，其中工业企业82户。收集整理该开发区2016年部分企业的生产总值、能耗情况、用工情况等数据（表 1），为建立企业绿色发展评价模型工作提供基础数据。

2.2结果与分析

企业绿色发展状况企业人员、企业用电总量、企业生产等因素的影响，部分影响因素无法通过直观数据得到。生产总值等于0时说明企业可能已经停工或搬迁，企业发展情况受生产总值的直接影响容易产生异常，为了使得数据更加准确剔除生产总值为0的数据。

针对东丰县开发区企业状况数据，对企业数据中的企业人员、企业用电总量、企业生产总值3个指标分别进行归一化处理。对开发区管理系统中的生产总值、用电量、用工情况分摊至单位使用土地面积，利用粗糙集理论进行处理，并实现数据的归一化。由多年工作在基层开发区工作人员根据工作、研究经验分析總结，得出该基层开发区在单位土地面积的工业生产总值、用电量、用人工量权重，因为以上属性之间依赖度较高，所以去除任一属性，分类情况都需要重新确定，在综合考虑属性之间的重要度，得到工业生产总值、用电量、用人工量的综合属性值为0.55、0.25、0.2。

根据前期对数据的处理，利用最终权重对RBF神经网络算法进行分析，借助数据归一化处理更能有效的处理开发区管理数据。考虑开发区企业绿色发展情况将将开发区企业绿色发展等级划分为4个等级，用S代表企业绿色发展等级区间，其中一类企业得分为<0.8，二类企业得分为≥0.8、<1.5，三类企业得分为≥1.5、<3.5，四类企业得分为≥3.5。 在上述基础上，利用BP神经网络算法和粗糙集RBF神经网络算法对东丰县开发区2015年企业绿色发展情况情况数据进行对比分析。

从表2可知，BP神经网络所得分类结果中一类企业1个，二类企业4个，三类企业11个，四类企业6个。粗糙集RBF神经网络所得分类结果为一类企业3个，二类企业3个，三类企业9个，四类企业7个。两种算法均无孤立点现象出现。

从表3可以看出2015年粗糙集RBF神经网络与BP神经网络分类精度是95.45%、86.3%，从结果可以看出粗糙集RBF对属性数据能得到精准划分，无孤立点现象出现，分类误差率底，对开发区企业绿色发展情况分级具有实用价值。

可视化的图形模式分析。通过粗糙集RBF神经网络与BP神经网络对分类结果分别以可视化图形模式进行对比分析。对比结果如图2所示，从图2可以明显看出：2种分类结果于专家给定数据吻合度较高，粗糙集RBF神经网络算法分类效果较BP神经网络算法明显，尤其是在分级内的吻合度更高一些，RBF神经网络分类与专家给出的实际情况相符，说明粗糙集RBF神经网络算法更能够高效、精准的进行企业绿色发展等级的划分。

3结果与讨论

本文分别通过运用BP神经网络和粗糙集RBF神经网络算法，对东丰县的企业绿色发展数据进行等级划分，在综合考虑了影响企业分级的各类数据权重问题，验证了神经网络算法在开发区企业绿色评价上的可行性。经过对比分析可以看出，粗糙集 RBF神经网络算法能较好地实现企业绿色发展的评价。

提出改进的RBF神经网络，将粗糙集与RBF进行有效结合，两者的结合能够具有互补性，数据结构在具有完整性的同时提高精度。

基于粗糙集RBF神经网络算法属性权值因子的提取和确定，通过对各属性权重的综合测定，确定该基层开发区企业发展管理数据工业生产总值、用电量、用人工量的综合权重为0.55、0.25、0.2。

将改进的RBF神经网络算法与BP神经网络算法运用在2015年开发区企业发展管理数据进行对比分析，RBF神经网络算法能较好的实现企业管理数据的分析，其中粗糙集RBF神经网络、BP神经网络在15a数据的准确率分别为95.45%、86.3%，结合可视化的图形模式对比分析结果更加明显。

上述分析结果表明，对企业绿色发展情况的划分使得开发区发展趋于向上，对区域经济、生态效能的提高具有长久的现实意义。本实验在企业数据应用上仅选择1a数据，其结果只说明了算法的应用性，本文将要继续通过更多的实验结果进行验证。

参考文献

[1] 贾晨光，陈桂芬.基于粗糙集C4.5算法的应用[J].中国农机化学报，2016，37（7）：149-153.

[2] 朱玉荣，吕建新.基于RBF神经网络的柴油机故障诊断[J].农机化研究，2012（5）：212-215.

[3] 王启. 人工神经网络在函数逼近中的应用研究[J]. 电脑开发与应用， 2012， 25（7）：85-86.

[4] 孙红辉， 张清华， 宋贤征. 基于RBF神经网络的柴油机故障诊断[J]. 小型内燃机与车辆技术， 2009， 38（1）：70-72.

[5] 王晶晶. 一种改进的Elman神经网络算法的研究[J]. 华中师范大学学报（自然科学版）， 2016， 50（3）：349-352.

[6] 吴洁， 曲畅， 王华. 基于BP神经网络的脑卒中患者分类方法研究[J]. 无线互联科技， 2016（24）：140-142.

[7] 马斌， 张丽艳. 一种基于径向基神经网络的短期风电功率直接预测方法[J]. 电力系统保护与控制， 2015， 43（19）：78-82.

[8] 杨玉琴， 陈桂芬， 郭宏亮. 大数据处理技术在土壤肥力评价中的研究[J]. 中国农机化学报， 2016， 37（4）：233-236.

[9] 蔡丽霞， 陈桂芬. 基于数据挖掘算法土壤肥力状况的分析研究[J]. 中国农机化学报， 2014， 35（3）：252-255.

[10] 于合龙， 刘杰， 马丽. 基于 Web 的设施农业物联网远程智能控制系统的设计与实现[J]. 中国农机化学报， 2014， 35（2）：240-245.

[11] 陈军令. 基于径向基神经网络的财务预警研究[D]. 中南大学， 2013.

[12] 吴浩亮， 孟令启， 王建勋. 基于RBF神经网络的中厚板轧制宽展模型[J]. 机械设计， 2010， 27（4）：21-24.

[13] 胡劲松， 杨世锡. EMD方法基于径向基神经网络预测的数据延拓与应用[J]. 机械强度， 2007， 29（6）：894-899.

[14] 曾庆谦. 基于神经网络的船舶运动姿态建模预报[D]. 哈尔滨工程大学， 2008.

[15] 邹鹏. 基于数据仓库的辽宁省中小企业产业集群战略设计[D]. 沈阳理工大学.

[16] 诸克军. 经济管理中软计算的理论与方法[M]. 华中科技大学出版社， 2009.

作者简介：马立艳（1987-），女，研究方向：人工智能与计算机农业应用;陈桂芬（1956-），女，教授，研究方向：人工智能与数据挖掘、精准农业。