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：S-3：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。S.McCulloch和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（Radialbasisfunction，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2f（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...