BP 神经网络在手机评价中的应用 http://www.paper.edu.cn 白宁，张谢谊 辽宁工程技术大学理学院，辽宁阜新 (123000) E-mail：baining97@163.com 摘 要：本文首先介绍了人工神经网络的基本原理，然后详细介绍了反向传播算法（BP）， 通过 BP 神经网络模型来评判手机总体的好坏，从而对手机进行选择时能作出更好的决策。 关键词：BP 神经网络，手机评价 1．引言 BP 学习算法是一种多层前馈网络使用的的监控式学习算法，相应的神经网络也称 BP 网络。通常所说的 BP 模型即误差反向传播神经网络是神经网络模型中使用最广泛的一类。 随着科学技术的发展，电子产品的生产越来越广泛，也和人民的生活越来越有关，出现 了 MP3,MP4,3G 手机等产品。同时随着人民生活的提高，这些产品也逐渐的使人们有能力 接受，但人们在购买这些产品之前还是会对其做出简单的综合决策来确定选购价钱等各个方 面符合自己的产品，保证自己的付出得到相应甚至高于付出的回报。本文利用 BP 网络的算 法来解决手机上的选择问题，并建立相应的模型，以做出更合理的决策。 2．相关知识 2.1 BP 神经网络介绍 1985 年 F.Rosenblatt 提出了著名的视知觉的脑模型——感知机，它是脑模型研究的又一 个里程碑。感知机是一种层状结构的神经元网络，各层内部神经元间没有信息流动，层间神 经元的联接权重 W 可随着对网络进行训练而改变，即通过学习算法进行学习，从而实现网 络良好的模式辨识功能。感知机模型网络虽然对人工神经元网络的发展起了很大的作用，可 以说它是一种真正能够使用的人工神经网络，它的出现曾掀起了人们研究人工神经网络的热 潮。但它毕竟还存在着一定的不足。因此人们开始研究对多层网络连接权的校正方法，组建 发展起来一种新的对多层网络的训练方法——误差逆传播算法。即 Error Back-Propagation Ttaining,就是我们所说的 BP 网【1】。从结构上讲，BP 网络是典型的多层网络，分为输入层、 隐层和输出层，层与层之间多采用全连接方式。同一层单元之间不存在相互连接。图 1 给出 三层 BP 网络结构【3】。 BP 模型实现了多层网络学习的设想。当给定网络的一个输入模式时，它由输入层传到 隐层单元，经过隐层单元逐个处理后传送到输出单元，由输出层单元处理产生一个输出模式。 如果输出响应与期望输出模式有误差，不满足要求，那么就转入误差反向传播，将误差值沿 着连接通路逐层传送并修正各层连接权值。对于给定的一组训练模式，不断用一个个训练模 式训练网络，重复前向传播和误差反向传播过程，使误差趋于减小。当各个训练模式都满足 要求时，我们说 BP 网络已学习好了【3】。 - 1 - 

http://www.paper.edu.cn y1 y2 yn … … 输出层 … … … … 隐层 输入层 x1 x2 图 1 一个三层 BP 网络结构 xm 2.2 BP 学习算法的步骤 （1）初始化 在依据实际问题（输入变量和输出变量个数）给出网络连接结构，随机地设置所有联接 权值为任意小。 （2）提供训练样本 如果输入变量为 n 个，输出变量为 m 个，则每个训练样本形式为 , , ( xx , , 1 （3）计算实际输出 tx ; n 1 t , , 2 2 t )m 。这里 1 是输入为 t t , 2 mt , , 1 时的期望输出。 xx , nx , , 2 利用非线性函数 y i 出值，令最后的输出为 （4）权值调整 − = + ⎡ ⎛ 1 exp ⎜ ⎢ ⎝ ⎣ 1 mo oo , , , 2 ω ij ∑ i 1 − x i ⎞ ⎟ ⎠ ⎤ ⎥ ⎦ 逐级计算各层节点（不包括输入层）的输 用递归方法从输出点开始返回到隐层节点，按下式调整权值 ω ij ) =+1 N N o ( ( ) = o j ( 1 − )( to j j − o )j ； 若 j 是 隐 层 节 点 ， 则 δ j = o j k ，其中 k 是节点 j 所在层次的下层次的所有节点。 + ω ij δη j 这里 io 是上层第i 个节点的输出。 若 j 是 输 出 层 节 点 ， 则 δ j i ( 1 )∑− o j ωδ jk k （5）返回（2）步，重复之，直到误差 e 满足为止[2]。 - 2 - 

http://www.paper.edu.cn 3. BP 神经网络的应用 3.1 BP 神经网络的应用 通过在网络上的调查可知，顾客们在选择手机的时候首先选择的是手机的牌子，这里为 了方便只选择 LG 品牌手机。顾客在确定牌子后会选择自己适合的价格范围及性能，所以我 们确定其为性价比因素，之后顾客会选择手机的功能设置，这都归为我们要评价的因素。另 外我们还选择手机的待机时间和电池寿命做为选择因素，所以在本文里我们选择“性价比”， “功能”，“待机时间”，“电池寿命”作为决定因素。下面我们设： 1x 表示电池寿命; 2x 表示性价比； 3x 表示功能； 4x 表示待机时间； 该四个因素作为 BP 网络的输入，令它们的取值在 0－1 之间。 设网络的输出变量设为4个，即： 1y 表示总体来说手机好； 2y 表示总体来说手机较好； 3y 表示总体来说手机一般； 4y 表示总体来说手机差。 该网络采用两个输出节点，分别设这四类的输出值为： 1y (1,1), 我们将实际数据（表中各因素数据来自网络中关村在线）转化为 0-1 之间数据后得到表一： 4y (0,0)。 2y (1,0), 3y (0,1), 1x 0.43 0.35 0.63 0.5 0.36 0.34 0.33 0.3 0.61 0.56 0.37 0.73 手机序号 1 2 3 4 5 6 7 8 9 10 11 12 表 1 转换后数据 2x 0.5 0.44 0.63 0.75 0.44 0.63 0.73 0.46 0.52 0.62 0.54 0.81 3x 0.56 0.6 0.63 0.8 0.37 0.59 0.67 0.49 0.69 0.66 0.58 0.81 - 3 - 4x 0.41 0.43 0.63 0.25 0.36 0.37 0.31 0.24 0.58 0.48 0.41 0.76 y (0,1) (0,0) (1,0) (1,1) (0,0) (1,0) (1,0) (0,0) (0,1) (1,0) (0,1) (1,1) 

http://www.paper.edu.cn 3.2 运用 MATLAB 编写程序训练网络 利用 MATLAB 建立网络并训练网络，网络经过训练后输出结果： TRAINLM, Epoch 0/100, MSE 3.86709/0.001, Gradient 110.512/1e-010 TRAINLM, Epoch 5/100, MSE 0.0280685/0.001, Gradient 0.298062/1e-010 TRAINLM, Epoch 10/100, MSE 0.013085/0.001, Gradient 0.460657/1e-010 TRAINLM, Epoch 15/100, MSE 0.00809797/0.001, Gradient 0.109999/1e-010 TRAINLM, Epoch 20/100, MSE 0.00527907/0.001, Gradient 0.0726768/1e-010 TRAINLM, Epoch 25/100, MSE 0.00309781/0.001, Gradient 0.0945178/1e-010 TRAINLM, Epoch 30/100, MSE 0.0015414/0.001, Gradient 1.5781/1e-010 TRAINLM, Epoch 31/100, MSE 0.000212539/0.001, Gradient 0.358259/1e-010 TRAINLM, Performance goal met. 经过 31 步迭代，误差精度达到要求，网络误差见下图： Performance is 0.000212539, Goal is 0.001 101 100 10-1 10-2 10-3 k c a B l - l a o G l e u B - g n n a r T i i 10-4 0 5 10 3.3 网络模型验证 15 31 Epochs 图 2 网络误差图 20 25 30 表 2 期望输出与实际输出的对比 手机序号 1 2 3 4 期望输出 （0 1） （0 0） (1 0) (1 1） - 4 - 实际输出 （－0.0118 1.0051） （0.0063 －0.0110） （0.9893 0.0127） （0.9941 0.9957） 

(0 0） (1 0） (1 0） （0 0） （0 1） （1 0） （0 1） （1 1） 5 6 7 8 9 10 11 12 由表二可知，网络是可行的。 4．结论 http://www.paper.edu.cn （－0.0008 －0.0022） （0.9689 －0.0063） （1.0282 －0.0107） （0.0070 －0.0023） （－0.0105 1.0009） （0.9974 0.0049） （0.0402 0.9767） （0.9961 1.0122） 本文通过 BP 神经网络建立模型，分析当今主流手机的各因素，并在此基础上建立数学 模型，给出各手机的综合评价水平。这大大为当今消费者在选择手机时提供了一个良好的决 策因素。 参考文献 [1] 王旭,王宏,王文辉.《人工神经元网络原理与应用》［M］．沈阳：东北大学出版社，2000.12 [2] 郭嗣琮,陈刚．《信息科学中的软计算方法》［M］．沈阳：东北大学出版社，2001.11． [3] 党建武．《神经网路技术及应用》［M］．北京：中国铁道出版社，2000.7． BP nerve network in handset appraisal application Liaoning Engineering Technology University College of science，Fuxin，Liaoning (123000) Bai Ning，Zhang Xieyi Abstract This article first introduced the artificial nerve network basicprinciple, then in detail introduced the reverse disseminationalgorithm (BP), judges the handset overall through the BP nervenetwork model the quality, when the match machine carries on thechoice can make a better decision-making. Keywords：BP nerve network，handset appraisal - 5 -