徐勝林等

摘 要： 為全面有效地掌握及整合企業(yè)信用信息，國家質(zhì)檢總局建立了一套進出口企業(yè)信用管理系統(tǒng)，制定了企業(yè)信用管理辦法及評價標(biāo)準(zhǔn)。文章在分析出口食品加工企業(yè)檢驗檢疫信用評價指標(biāo)體系的基礎(chǔ)上，建立了一種基于極限學(xué)習(xí)機的檢驗檢疫信用評價模型。實驗結(jié)果證明，該模型可有效預(yù)測企業(yè)信用等級，僅需預(yù)先確定隱含層神經(jīng)元數(shù)目而無需設(shè)置其他參數(shù)，減少了人為干擾因素，可為檢驗檢疫信用評價管理提供參考。

關(guān)鍵詞： 極限學(xué)習(xí)機； 檢驗檢疫信用評價； 出口食品加工企業(yè)； 評價模型

中圖分類號：TP391.4 文獻標(biāo)志碼：A 文章編號：1006-8228（2015）05-04-03

Abstract： To control the credit of enterprises comprehensively and effectively， a credit management information system for imports and exports enterprises was constructed by the General Administration of Quality Supervision， Inspection and Quarantine of the Peoples Republic of China （AQSIQ）. Meanwhile， the regularization and evaluation criterion for the credit of enterprises were built. In this paper， a rating model for the inspection and quarantine credit of export food processing enterprises is proposed based on the Extreme Learning Machine （ELM）. The experimental results prove that the model could effectively predict the credit of enterprises. Only the number of neuron in the hidden layer needs to be set manually. Therefore， the artificial factors are decreased. The model could provide a scientific reference for rating the inspection and quarantine credit.

Key words： extreme learning machine； inspection and quarantine credit； export food processing enterprise； rating model

0 引言

建設(shè)社會信用體系，是完善我國社會主義市場經(jīng)濟體制的客觀需要，是整頓和規(guī)范市場經(jīng)濟秩序的治本之策，是促進社會經(jīng)濟健康協(xié)調(diào)可持續(xù)發(fā)展的先決條件，也是與國際慣例接軌、加強進出口產(chǎn)品質(zhì)量安全監(jiān)管、提高中國企業(yè)和產(chǎn)品的國際形象與市場競爭力的必經(jīng)之路。

質(zhì)檢系統(tǒng)進出口企業(yè)檢驗檢疫信用體系是中國社會信用體系建設(shè)的重要組成部分。通過建立和完善進出口企業(yè)檢驗檢疫信用體系，以檢驗檢疫信用等級評定為基礎(chǔ)，實施進出口企業(yè)分類管理。對信用等級較高的企業(yè)，減少抽檢和口岸查驗比例；而對信用等級較低的企業(yè)，則加大抽檢和查驗比例，從而實現(xiàn)在嚴(yán)密監(jiān)管的基礎(chǔ)上提高工作效率。

為全面、有效的掌握及整合企業(yè)信用信息，質(zhì)檢總局建設(shè)了進出口企業(yè)信用管理系統(tǒng)，同時制定了企業(yè)信用管理辦法及評分標(biāo)準(zhǔn)。通過對進出口企業(yè)檢驗檢疫信用等級實施規(guī)范化、定量化、科學(xué)化的考核，改變以人的主觀判斷來確定企業(yè)信用等級的方式，促進進出口企業(yè)信用意識和產(chǎn)品質(zhì)量的提高，同時提高一線檢驗檢疫工作效率。

傳統(tǒng)的信用等級評價方法是根據(jù)與檢驗檢疫相關(guān)的信用指標(biāo)設(shè)定評定標(biāo)準(zhǔn)，然后建立專家系統(tǒng)進行主觀或者客觀的綜合評價。這種方式存在兩個問題：一是不同指標(biāo)的一致性問題，信用指標(biāo)既包括定量指標(biāo)也包括定性指標(biāo)，不同評價指標(biāo)沒有一致的客觀因子分析；二是不同指標(biāo)的權(quán)重選擇問題，不同信用指標(biāo)在最終評級中所占的權(quán)重完全由人為設(shè)定，不具備客觀性。

近年來，為準(zhǔn)確、客觀、科學(xué)的進行企業(yè)信用評價，國內(nèi)外很多學(xué)者做了大量研究工作，提出了人工神經(jīng)網(wǎng)絡(luò)法[1]、支持向量機法[3]等。這些方法存在計算復(fù)雜、參數(shù)設(shè)置較多、預(yù)測時間長等問題。本文使用極限學(xué)習(xí)機（ELM，Extreme Learning Machine）以出口食品加工企業(yè)為例，對企業(yè)檢驗檢疫信用等級進行評價。ELM是一種前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法[2]，它隨機產(chǎn)生輸入層與隱含層間的連接權(quán)重及隱含層神經(jīng)元閾值，且在訓(xùn)練過程中無需調(diào)整參數(shù)，只需設(shè)置隱含層神經(jīng)元個數(shù)即可獲得最優(yōu)解。與傳統(tǒng)訓(xùn)練方法相比，ELM速度快、參數(shù)少、泛化性能好[5]。

1 極限學(xué)習(xí)機

給定X={（xi，ti）|xi∈Rn，ti∈Rn，i=1，2，…，N}作為樣本集，其中xi為n×1維向量，ti為m×1維向量。包含K個隱含層節(jié)點、激勵函數(shù)為g（x）的ELM為：

其中：wi=（wi1，wi2，…，wid）T表示輸入層和隱含層第i個神經(jīng)元之間的權(quán)重，βi=（βi1，βi2，…，βim）T表示第i個神經(jīng)元和輸出值間的權(quán)重，oj是對應(yīng)第j個輸入數(shù)據(jù)的目標(biāo)值。ELM的目標(biāo)為，即存在βi，wj和bj滿足：

H為神經(jīng)網(wǎng)絡(luò)的隱含層輸出矩陣，H的第i列為對應(yīng)輸入x1，x2，…，xN的第i個隱含層神經(jīng)元輸出。黃[2]在前期研究中證明，ELM中無須調(diào)整權(quán)重和偏離值，僅須在算法開始執(zhí)行時任意給定一個輸入值。因此輸出權(quán)重可計算為最小均方誤差結(jié)果：

其中：為H的Moore-Penrose廣義逆矩陣。因此，最小訓(xùn)練誤差計算為：

ELM利用公式⑹，可以通過快速學(xué)習(xí)得到具有很好泛化性能的預(yù)測結(jié)果。針對本文的問題，企業(yè)信用評價指標(biāo)的輸入、輸出值之間不滿足線性關(guān)系，因此選擇單極性函數(shù)作為激勵函數(shù)：

g（x）=1/（1+e-x） ⑺

2 出口食品加工企業(yè)檢驗檢疫信用指標(biāo)體系構(gòu)建

出口食品加工企業(yè)的信用指標(biāo)體系由企業(yè)衛(wèi)生注冊年限、出口檢驗檢疫批次不合格率等12項評價要素組成[4]，其中包括數(shù)字型數(shù)據(jù)和離散型數(shù)據(jù)，指標(biāo)及相應(yīng)權(quán)重見表1。

根據(jù)各項指標(biāo)的得分，加權(quán)后可計算得到綜合評分。

3 數(shù)據(jù)處理方法

利用ELM進行檢驗檢疫信用評價，首先要根據(jù)指標(biāo)體系中要素的要求收集數(shù)據(jù)。目前，出口食品加工企業(yè)檢驗檢疫數(shù)據(jù)主要來源于已有業(yè)務(wù)系統(tǒng)數(shù)據(jù)導(dǎo)入和人工錄入兩種方式。得到初始數(shù)據(jù)后需要對數(shù)據(jù)進行轉(zhuǎn)換處理，包括將非數(shù)字值轉(zhuǎn)換為數(shù)字值、歸一化處理等。

歸一化處理是將所有數(shù)字歸一化到[0，1]區(qū)間內(nèi)，取消不同來源的數(shù)據(jù)間量級的差別，提高ELM預(yù)測的準(zhǔn)確性。本文采用最大最小法對信用評價指標(biāo)進行歸一化處理：

其中xk表示評價指標(biāo)數(shù)據(jù)，xmax和xmin表示所有指標(biāo)的上下限。

4 實驗結(jié)果及分析

本文選取10家出口食品加工企業(yè)的檢驗檢疫信用數(shù)據(jù)進行實驗，ELM算法中隱含層神經(jīng)元數(shù)目定為30。根據(jù)第3節(jié)中數(shù)據(jù)處理方法，對選取的指標(biāo)數(shù)據(jù)進行數(shù)字轉(zhuǎn)化及歸一化處理，處理結(jié)果見表2。

本文首先使用表2中前9家公司的數(shù)據(jù)構(gòu)建訓(xùn)練集，第10家公司的數(shù)據(jù)作為測試集。圖1中給出對12項評價指標(biāo)分別預(yù)測的結(jié)果。表3中給出企業(yè)信用評價的預(yù)測結(jié)果。

接下來，我們使用表2中前8家公司的數(shù)據(jù)構(gòu)建訓(xùn)練集，第9、10家公司的數(shù)據(jù)作為測試集。圖2（a）和圖2（b）分別給出對這兩家公司12項評價指標(biāo)分別預(yù)測的結(jié)果。表4中為這兩家企業(yè)信用評價的預(yù)測結(jié)果。可以看出，由于使用的訓(xùn)練樣本數(shù)比上一組實驗少，預(yù)測誤差比上一組實驗稍大。

5 結(jié)束語

本文使用ELM構(gòu)建了出口食品加工企業(yè)檢驗檢疫信用評價模型，實現(xiàn)對企業(yè)信用歷史數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)。通過設(shè)置隱含層神經(jīng)元個數(shù)，自動調(diào)整模型中的連接權(quán)重，確定輸入、輸出之間的內(nèi)在聯(lián)系，使模型具備預(yù)測能力。

通過使用ELM，改變了以人的主觀判斷來確定企業(yè)信用等級的方式，弱化了人為因素對預(yù)測結(jié)果的影響，提高了評價結(jié)果的準(zhǔn)確性、科學(xué)性。同時，與傳統(tǒng)訓(xùn)練方法相比，ELM速度快、參數(shù)少，能夠大大提高模型的訓(xùn)練速度，使模型更具有實際應(yīng)用的意義。

參考文獻：

[1] 王曉燕，嚴(yán)茂根.基于人工神經(jīng)網(wǎng)絡(luò)的出口食品加工企業(yè)檢驗檢疫信用評價[J].計算機應(yīng)用與軟件，2010.27（5）：191-193

[2] G.Huang， Q.Zhu， C.Siew. Extreme learning machines： theory and applications[J]. Neurocomputing，2006.70（1-3）： 489-501

[3] 陳華.基于數(shù)據(jù)挖掘技術(shù)的企業(yè)信用評估研究[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2007.28（7）：192-194

[4] 孫穎杰，廖魯興，鄭華.出口食品加工企業(yè)檢驗檢疫信用評價探討[J].檢驗檢疫科學(xué)，2006.16（6）：47-50

[5] 黃宴委，吳登國，李竣.基于極限學(xué)習(xí)機的結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)恢復(fù)[J].計算機工程，2011.37（16）：241-243