摘要：旅游需求的预测预报研究一直是旅游学研究的一个重要课题。本文在对到访澳门地区中国内地游客量分析的基础上,运用人工神经网络(ANN)的理论和方法,构建了ANN模型分析中的3层BP模型,以澳门近10年（1996-20__）入境来访的中国内地旅游人数为例进行模型验证，模拟结果表明,BP神经网络预测的结果能够高程度的吻合原始数据，在旅游市场预测中，BP神经网络预测是一种有效的预测方法。一．问题的提出与分析近年来，对澳门地区的旅游业来说，中国内地旅客是旅游收入的主要来源。目前旅游业已成为澳门地区经济发展特别是第二产业发展的支柱。建立科学的可操作的旅游预测模型是实现澳门地区旅游业持续健康稳定发展的理论基石和前提。由于影响某地旅游人数的因素各异，还不存在普遍适用的神经网络模型。基于此，本文拟用3层BP神经网络模型来仿真模拟分析和预测澳门地区旅游需求,以此为旅游需求预测提供一种新的方法。二．模型的假设与符号说明1．基本假设1）交通在旅游中通常不是重要的，为了研究的方便（主要是无法获得交通数据），把交通这个影响忽略。2）假设澳门的接待能力都满足需求。3）在本例旅游需求预测模型中，我们考虑的主要因素有：客源地的人口，客源地的总收入，客源地的消费水平，旅游目的地的生活水平。4）为了研究的方便，假定以上四因子之间相互独立，本例旅游需求即为上述四因子的函数，即y=f(GDI,POP,GDE,M-GP)。就用这四个因素作为人工神经网络模型输入层的神经元。2．符号说明T澳门内地游客量GDI中国内地国民总收入POP中国内地人口总数GDE中国内地国民消费水平M-GP澳门生产总值三．模型的建立与求解1．人工神经网络模型理论原理
人工神经网络（ArtificialNeuralNetwork）是由大量的、简单元件（神经元）广泛相互联结而成的非线性的、动态的复杂网络信息处理系统，它是在现代神经学研究成果基础上提出的，能模拟人脑的若干基本功能[1]。它具有并行分布的信息处理结构，可以通过“自学习”或“训练”的方式完成某一特定的工作。它可以从积累的工作案例中学习知识，尽可能多地把各种定性或定量的因素作为变量加以输入，从而建立各种影响因素与结论之间的高度非线性映射，采用自适应模式识别方法来完成预测工作[2]。人工神经网络模型尤其是对处理内部规律不甚了解、不能用一组规则或方程进行描述的复杂的、开放的非线性系统显得较为优越。人工神经网络模型一般由处理单元、激活状态、单元输出、连接模式、激活规则、学习规则等6个部分组成。一个多层神经网络中包含有很多个信息处理单元,分布于不同的层次中。根据每项输入和相应的权重获取一个综合信号，当信号超过阈值则激活神经元而产生输出。各类影响因素和最终输出结果之间可以假定存在一种映射,即输出结果＝F（影响因素）。为了寻求最佳的映射关系F，将训练样本集合和输入、输出转化为一种非线性关系，通过对简单非线性函数的复合，从而建立一个高度的非线性映射关系F,最终实现输出值的最优逼近［3］。在人工神经网络的实际应用中，80~90的人工神经网络是采用前馈反向传播网络（back-propagation-network,简称BP网络）或它的变化形式。BP神经网络（如图一）是一种单项传播的多层前向神经网络，分为输入层、隐含层和输出层，层与层之间采用全连接方式，同一层单元之间不存在相互连接。它是前向网络的核心部分，体现了人工神经网络最精华的部分[4]。标准的BP网络是根据W-H学习规则，采用梯度下降算法，对非线性可微函数进行权值训练的多层网络。图一：BP神经网络的每一层的权值通过学习来调节，其基本处理单元为非线性输入－输出关系，选用S型作用函数：其中：xj为该神经元第i个输入；wij为前一层第i个神经元至该神经元j的连接权值，i＝0时的权值为阈值。其计算步骤如下：（1）给定一组随机的权值和阈值初始值及步长系数η与势态因子α；（2）取学习样本数据，根据学习样本、权值及阀值计算输出，并与学习期望输出比较，当误差满足要求时结束训练，否则将误差向后逐层传播，并修正各层连接权值，调整公式为：其中：k取j结点所在层的前一层所有结点。5）澳门内地旅客人数神经网络模型的建立(一)BP网络设计网络设计是一个综合性问题，它应满足多种不同要求，例如，希望所涉及的网络有较好的推理能力，易于硬件实现，训练速度快等，其中有较好的推理能力是最主要的。一般来说，推广能力决定于3个主要因素，即问题本身的复杂程度、网络结构以及样本量大小。在一般情况下，旅游需求预测研究中样本的数量是一定的，因此可归结为在样本量一定的情况下，如何选择网络规模的问题。在进行BP网络预测模型设计中，我们主要考虑以下因素：网络的层数、每层中的神经元个数、初始值的选择、学习速率和期望误差。i)网络的层数已证明：具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理函数。所以，本文选择一个3层的BP网络。ii)每层中神经元的个数输入层和输出层神经元的个数根据解决具体问题的复杂程度而定。为了提高网络训练的精度，可以通过采用一个隐含层，再加上1到2个神经元以加快误差的下降速度即可。因此，本文输入层神经元个数选择为4个，隐含层神经元个数分别选择了9、12、15个，输出层神经元个数选择为1个。iii)初始值的选择由于人工神经网络是一个非线性系统，初始值的选择对于网络学习是否达到局部最小、是否能够收敛以及训练时间的长短都有较大影响。在初始值的选择上一般是使经过初始值加权后的每个神经元的输出值都接近零，这样可以保证每一个神经元的连接权值都能够在它们的S型激活函数变化最大处进行调解。所以，初始值一般选择在（-1,1）之间的随机数。本文的初始值为默认值。iv)学习速率对于任何一个网络都对应一个合适的学习速率。学习速率决定每一次循环训练中所产生的权值的变化量。大的学习速率可以导致网络的不稳定，但是小的学习速率又会导致训练时间延长，收敛速度较慢，不能保证网络的误差能最终趋于最小。综合上述考虑，在学习速率的选择上倾向于选择较小的学习速率以保证网络的稳定性，本文选择的学习速率为0.01。v)期望误差值期望误差值的确定也是通过网络对不同误差值分别进行训练比较后确定的最适合值。所谓的最适合值是相对于所需要的隐含层的节点数来确定的，一个较小的误差值的获得需要增加隐含层的节点以及训练时间。本文经过不断测试，选择0.0001为期望误差值。（二）1．网络训练模式的选择训练网络有两类模式：逐变模式和批变模式。在逐变模式中，每一个输入被作用于网络后，权重和偏置量被更新一次。在批变模式中，所有的输入被应用于网络后，权重和偏置量才被更新一次。使用批变模式不需要为每一层的权重和偏置量设定训练函数，而只需为整个网络制定一个训练函数，使用起来相对方便，因此，本文在进行网络训练时采用批变模式。表格一：年度
澳门的内地游客量(T)（千人）中国内地国民总收入(GDI)（亿元）中国内地人口数(POP)（万人）中国内地居民消费水平（GDE）（元）澳门生产总值（M-GP）(亿美元)1996604．270142.5122389278966.31997529．877653.1123626300266.71998816．883024.3124761315961.919991645．288189.0125786334659.220__2274．798000.5126743363261.020__3005．7108068.2127627386961.920__4240．4119095.7128453410668.220__5742．0135174.0129227441179.220__9529．7159586.71299884925103.320__10463183956.11307565439115.62．数据和模型的建立神经网络模型要求数据具有：A、易获得性B、可靠性C、可测度性。本项研究采用很可靠的官方发表的数据作为分析的数据源（见表1），主要来自于中国统计局网。用3层BP网络模型对本例旅游需求进行模拟，根据BP网络的映射原理，对于样本集合X和输出Y，可以假设存在一映射F。为了寻求F的最佳映射值，BP网络模型将样本集合的输入、输出转化为非线性优化，通过对简单的非线性函数的复合，建立一个高度的非线性映射关系，实现F值的最优逼近。对于本例旅游需求模型的模拟：其输入层结点数（4个神经元）：中国内地国民总收入（GDI）、中国内地人口总数（POP）、中国内地国民消费水平（GDE）、澳门生产总值（M-GP）。把澳门内地游客量（T）作为输出结点。从而得出3层前馈反向传播神经网络模型。四．模型结果及分析1网络训练性能的检查。不同个数的隐层单元组成的BP网络训练曲线如图1，2，3所示。通过比较发现，中间层神经元个数为9和12时，网络的收敛速度比较快。2网络预测性能的考查。在数据列表中选取1996年到20__年的数据作为网络的测试数据。20__、20__年的(文秘站:)游客量检验误差曲线如图4。其仿真结果令人满意，达到预期的效果。图1图2图3图4五．模型的应用与评价（优缺点与改进）从上面的分析可以看出，3层BP神经网络模型的仿真模拟效果是邻人满意的。可以看出，人工神经网络的拟合精度比较高，主要是基于人工神经网络抗干扰能力强，稳定性好，能自动准确地找出各种输入和输出之间的线性或非线性关系，具有较强的模拟适应能力等特点。在本例对于澳门的内地游客量的旅游预测中BP神经网络模型是一种有效的预测方法。这一研究方法为旅游学的定量预测研究提供了一种新的思路，也为工程实践问题中的一些研究工作提供了一种非常好的指导方法。虽然BP网络得到了广泛应用，但其自身也存在一些缺陷和不足，主要包括几个方面的问题。首先，由于学习速率是固定的，因此，网络的收敛速度慢，需要较强的训练时间。再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据应验或者通过反复试验确定的。因此，网络往往存在很大的冗余性，在一定上也增加了网络学习的负担。六．原题附带问题简析通过对本例旅游需求模型的分析，我们认为在利用数学建模的方法对旅游需求进行预测预报时，对于数据的采集和整理工作需要认真做好。对于数据的分析有助于我们寻求变量间的关系，以形成初步的想法。如何获得数据以及如何获得准确的数据对于我们研究实际问题具有相当重大的意义。收集数据并非多多益善，而是要弄清究竟需要哪些数据，剔除不必要的数据，从而减少冗余的工作。同时，需要什么形式的数据也是我们应该思考的一个问题，这与建立模型的目的和所选择的模型的特点有关。[参考文献][1]王士同，等．问题求解的人工智能：神经网络方法[M].北京：气象出版社，1995.[2]HillT,MarquezO’connorM,RemusW.ArtificialNeuralNetworkMedelsfor
ForecastingandDecisionMaking[J].InternationalJournalofForecasting,1993,
1BP神经网络
BP神经网络也称为反向传播网络，包括输出层，隐含层，输入层三部分，同时BP的神经网络具有非线性的特点，能够解决没有规则，多约束条件或数据不完全等问题，适合处理复杂的分类及模式识别等问题。BP神经网络具有一个或一个以上的信息隐含层，能够将相邻的两层完全连接起来。
要建立学生数学能力评价的BP神经网络模型，就需要建立具有代表性的数据库，以便于进行评价。就数据库的建立而言，为了提高评价的准确性及标准性，BP神经网络需要建立完善的选取设置体系，在输入层与输出层的设计应多样化，才能够保证测试评价的效果。对于普通学校来说，样本的选取量应该不低于200人。
对于隐含层神经元的点数，计算时应根据样本的选取量进行调整，基本的模型设计流程是从BP神经网络的构建开始到BP网络训练，以及最后的BP网络预测，其中最重要的是BP网络训练，本文采取的是trainlm算法，从而建立其BP神经网络模型。
2学生数学学习能力评价
对学生进行数学学习能力评价是为了对学生的数学学习能力进行测试，帮助教师掌握学生的学习情况，以便于调整教学方法以及教学进度，让学生能够提高学习能力。评价的内容是学习思路，学习方法，学习过程及学习效果。要对这四点进行评价，首先就要确定各内容的评价标准及方式。以往的评价方式是通过测试及课堂问答，通过学生的测验成绩及回答进行分析，从而判断学生所处的学习状态，教学方法以教学进度安排的合理程度。利用BP神经网络进行评价的化，就要将各个标准程序化，将原先教师的主观评价变为网络的程序化运行，根据运行的结果对学生的数学学习能力进行判断，这就是利用BP网络对学生数学学习能力评价的理论，实际上要进行实践并不简单，BP神经网络评价的构建是难题的关键点。
3基于BP神经网络的学生数学能力评价模型
BP神经网络评价模型的建立是由三部分组成的，最关键的就是构建BP神经网络。建立评价模型首先要做的就是对各项能力的得分率进行分析，设定个性能力的得分标准，并对其进行深入分析最后进行程序化设置。对于数学学习能力的划分方法有很多，不同的年级所划分的方法尽不相同，每一个方法都有其侧重点，这需要根据输入的相关变量进行改正，与实际情况进行整合得出准确结论。就拿某市中考数学试题来说吧，其主要是测查学生的学习思路，学习方法，学习过程及学习效果这四项能力。对学生的数学学习能力进行测试，就要把学生对这四个能力评价的相关试题得分作为BP神经网络的输入，并且要将输入数值进行数量级差异设定，从而将每种能力试题的得分做归一化处理。利用二进制，使输入数据在[0，1]之间。在这之前要有准确的评分标准，才能够得出相关结论。这就需要专家对试卷上各项能力试题的得分进行排表，便于BP网络数据设置，但在这之前需要专家对学生样本进行判断。一般样本的选择在200人为合适，所以选择的学生人数为200人。专家对这200人的试卷进行阅览从而判断出每个人每项能力的情况，看那一项是最为薄弱的，然后对所有学生的情况进行整合处理。将其中100人的成绩作为判定结果，最为薄弱的能力作为BP神经网络的期望输出参考，再利用二进制的数字进行结果表达。例如输出为0时则表示学生该项能力差，这就能够为BP网络的构成提供最基本的运行数据，为BP网络构建提供基础。此外的100人，将他们的得分情况作为好的检验样本进行输入，然后进行检验，若是期望输出与专家评价结果基本符合，则表示该神经网络可进行有效运用，对学生数学学习能力进行评价，反之则需改进。
此外，BP网络训练的设置也需要额外注意梯度的预设，其算法需要根据实际情况及时进行调整。各地学生数学?W习状态各不相同，不能够固定选择某算法。BP神经网络的验证需全面，不能以一次数据的符合情况作为验证标准，应该多次输入，对相应的输出结果进行判断。
关键词：计算机网络模型；神经网络算法
计算机网络在人们日常生活越来越重要，被广泛应用到各个行业。随着社会不断发展，人们需求不断加高，使计算机得到良好改善，目前，计算机网络运用集线式服务器来实现网络互连，促进网络发展。但是也有很大弊端，过多的联想信息虽然满足人们需求，但是对技术的要求也更加苛刻，现有的技术满足不了计算机网络运行，使人们日常操作不方便。为了解决这一问题，研究人员需要全面优化计算机网络，提高运行能力和性能，运用神经网络算法，使计算机更加适合现代社会发展，储存更多信息。
1神经网络算法概论分析
1.1神经网络算法整体概论神经网络算法是按照人体大脑的思维方式进行模拟，根据逻辑思维进行推理，将信息概念化形成人们认知的符号，呈现在显示屏前。根据逻辑符号按照一定模式进行指令构造，使计算机执行。目前，神经网络被广泛使用，使直观性的思维方式分布式存储信息，建立理论模型。优化网络的神经网络主要是Hop?eld神经网络，是1982年由美国物理学家提出的，它能够模拟神经网络的记忆机理，是全连接的神经网络。Hop?eld神经网络中的每个神经元都能够信号输出，还能够将信号通过其他神经元为自己反馈，那么其也称之为反馈性神经网络。
1.2优化神经网络基本基础Hop?eld神经网络是通过能量函数分析系统，结合储存系统和二元系统的神经网络，Hop?eld神经网络能收敛到稳定的平衡状态，并以其认为样本信息，具备联想记忆能力，使某种残缺信息进行回想还原，回忆成完整信息。但是Hop?eld神经网络记忆储存量有限，而且大多数信息是不稳定的，合理优化计算机联想问题，使Hop?eld神经网络能够建设模型。
1.3神经网络算法优化步骤简述人工神经网络是模拟思维，大多是根据逻辑思维进行简化，创造指令使计算机执行。神经网络算法是按照人体思维进行建设，通过反应问题的方法来表述神经思维的解；利用有效条件和能量参数来构造网络系统，使神经网络算法更加可靠；大多数动态信息需要神经网络来根据动态方程计算，得出数据参数来进行储存。
2神经网络算法的特点与应用
2.1神经网络主要特点神经网络是根据不同组件来模拟生物体思维的功能，而神经网络算法是其中一种程序，将信息概念化，按照一定人们认知的符号来编程指令，使计算机执行，应用于不同研究和工程领域。神经网络在结构上是由处理单元组成，模拟人体大脑神经单元，虽然每个单元处理问题比较简单，但是单元进行组合可以对复杂问题进行预知和处理的能力，还可以进行计算，解决问题能力突出，能够运用在计算机上，可以提高计算机运算准确度，从而保障计算机运行能力。而且一般神经网络有较强容错性，不同单元的微小损伤并不阻碍整体网络运行，如果有部分单元受到损伤，只会制约运算速度，并不妨碍准确度，神经网络在整体性能上能够正常工作。同时，神经网络主干部分受到损伤，部分单元会进行独立计算，依然能够正常工作。
2.2神经网络信息记忆能力神经网络信息存储能力非常强，整体单元组合进行分布式存储。目前，神经网络算法是单元互相连接，形成非线性动态系统，每个单元存储信息较少，大量单元互相结合存储信息大量增加。神经网络具备学习能力，通过学习可以得到神经网络连接结构，在进行日常图像识别时，神经网络会根据输入的识别功能进行自主学习，过后在输入相同图像，神经网络会自动识别。自主学习能力给神经网络带来重要意义，能够使神经网络不断成长，对人们未来日常工作能够很好预测，满足人们的需求。
2.3神经网络的突出优点近年来，人工神经网络得到越来越多人重视，使神经网络得到足够资源进行良好创新。人工神经网络是由大量基本元件构成，对人脑功能的部分特性进行模仿和简化，人工神经网络具备复杂线性关系，与一般计算机相比，在构成原理和功能特点更加先进，人工神经网络并不是按照程序来进行层次运算，而是能够适应环境，根据人们提供的数据进行模拟和分析，完成某种运算。人工神经系统具备优良容错性，由于大量信息存储在神经单元中，进行分布式存储，当信息受到损害时，人工神经系统也可以正常运行。人工神经网络必须要有学习准则制约来能够自主学习，然后进行工作。目前，人工神经网络已经逐步具备自适应和自组织能力，在学习或训练过程中改变突触权重值，以适应周围环境的要求。通过一定学习方式和某些规则，人工神经网络可以自动发现环境特征和规律性，更贴近人脑某些特征。采用并行分布处理方法，使得快速进行大量运算成为可能。神经网络的一个很大的优点是很容易在并行计算机上实现，可以把神经的节点分配到不同的CPU上并行计算。钱艺等提出了一种神经网络并行处理器的体系结构，能以较高的并行度实现典型的前馈网络如BP网络和典型的反馈网络(如Hop?eld网络)的算法。该算法以SIMD(SingleInstructionMultipleData)为主要计算结构，结合这两种网络算法的特点设计了一维脉动阵列和全连通的互连网络，能够方便灵活地实现处理单元之间的数据共享。结合粒子群优化算法和个体网络的并行学习机制，提出了一种基于粒子群优化的并行学习神经网络集成构造方法。
3结束语
全球化的发展，信息交流不断加快，促使各个行业相互融合。神经网络算法具备简单、稳定等不同优势，神经网络研究内容相当广泛，神经网络算法能够与其它算法相互结合，在一定程度提高计算机网络模型运算能力。但是计算机网络模型中神经网络算法学习能力比较低下，梯度下降法不准确，所以需要有关人员进行深度研究，探索神经网络算法，使其更加完善，从而保证计算机整体性能的提高。
参考文献：
[1]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程,2014(19).