电力企业信息系统评价指标体系
及专家神经网络算法的研究
王敬敏，郭辉
（华北电力大学 经济管理系 河北保定 071003）
Abstract: Base on the construction of an evaluation index system for the management information system, this paper proposes a neural network model for comprehensive evaluating the management information system. Integrating with the expert system, the neural network model can be used to facilitate intelligent and comprehensive evaluation of the management information system.
Keywords: system evaluation; expert system; neural network
随着计算机技术、通讯技术的飞速发展，信息系统在电力企业生产和管理中日显重要，因而科学的评价信息系统的好坏有着十分重要的意义。本文在建立管理信息系统评价指标体系的基础上，提出了一种基于专家打分神经网络的指标评价方法。
1 管理信息系统评价指标体系
针对电力系统的特点，建立科学、合理、可行的信息系统评价体系。从信息系统的技术水平、性能、价值和操作4个方面进行评价，每一方面在提出具体的评价指标，从而建立具有分层结构的评价指标体系，共20个指标。（如下表所示）。
表1 信息系统综合评价指标体系表
2 管理信息系统综合评价的神经网络BP模式
单隐层BP网络拓扑结构示意图
1） 网络状态初始化：用较小的随机数对网络的权值
和
以及偏置值
和
置初值；
2） 输入第1个学习样本；
3） 把学习样本的值作为输入层单元的输入
，用输入层到中间层的权值和中间层单元的偏置值求出对中间层单元
的输入
以及相应的输出
；
其中，
采用Sigmoid函数
；
4） 用中间层的输出、中间层到输出层的连接权值以及输出层单元
的偏置值求出输出层单元的输入
以及相应的输出
，
； 
。
5） 根据学习样本的期望信号
和输出层的输出的误差求出有关输出层单元的偏置值以及连接到其上的权值的误差
，
；
6） 根据误差，从中间层到输出层的权值以及中间层的输出，求出有关中间层单元的偏置值以及连接到其上的权值的误差
，
；
7） 根据5）求得的以及和常数
对从中间层单元到输出层单元的权值加以调整。另外，根据和常数
对输出层单元的偏置加以调整
；
8） 根据误差，输入单元的输入以及常数对从输入单元
到中间层单元的的偏置加以调整 
，
；
9） 输入下一个学习样本；
10）若有学习样本则返回3）；
11）更新学习次数；
12）若学习次数尚小于规定次数，则返回2）；否则，训练继续下去。
3 管理信息系统的专家神经网络算法
1）利用专家经验给出评价指标体系个指标的评价值。每个指标给出6个等级：很好，好，较好，一般，较差，差，并予以量化处理为[0，1]之间的数值，见下表：
表2 定性指标的量化
及专家神经网络算法的研究
王敬敏，郭辉
（华北电力大学 经济管理系 河北保定 071003）
Abstract: Base on the construction of an evaluation index system for the management information system, this paper proposes a neural network model for comprehensive evaluating the management information system. Integrating with the expert system, the neural network model can be used to facilitate intelligent and comprehensive evaluation of the management information system.
Keywords: system evaluation; expert system; neural network
随着计算机技术、通讯技术的飞速发展，信息系统在电力企业生产和管理中日显重要，因而科学的评价信息系统的好坏有着十分重要的意义。本文在建立管理信息系统评价指标体系的基础上，提出了一种基于专家打分神经网络的指标评价方法。
1 管理信息系统评价指标体系
针对电力系统的特点，建立科学、合理、可行的信息系统评价体系。从信息系统的技术水平、性能、价值和操作4个方面进行评价，每一方面在提出具体的评价指标，从而建立具有分层结构的评价指标体系，共20个指标。（如下表所示）。
表1 信息系统综合评价指标体系表
| 信息系统综合评价A | 技术水平B1 | 目标规划实现度C11 |
| 软件质量C12 | ||
| 响应时间C13 | ||
| 外存取能力C14 | ||
| 资源利用率C15 | ||
| 性能因素B2 | 系统可靠性C21 | |
| 系统效率C22 | ||
| 可维护性C23 | ||
| 可扩充性C24 | ||
| 可移植性C25 | ||
| 可共享性C26 | ||
| 系统安全保密性C27 | ||
| 价值因素B3 | 用户满意度C31 | |
| 系统利用率C32 | ||
| 管理科学性C33 | ||
| 操作因素B4 | 输入标准化C41 | |
| 输出标准化C42 | ||
| 文档完备性C43 | ||
| 操作安全与可靠性C44 | ||
| 界面友好性C45 |
2 管理信息系统综合评价的神经网络BP模式
单隐层BP网络拓扑结构示意图
1） 网络状态初始化：用较小的随机数对网络的权值
和以及偏置值和置初值；2） 输入第1个学习样本；
3） 把学习样本的值作为输入层单元的输入
，用输入层到中间层的权值和中间层单元的偏置值求出对中间层单元的输入以及相应的输出；其中，采用Sigmoid函数；4） 用中间层的输出
、中间层到输出层的连接权值以及输出层单元的偏置值求出输出层单元的输入以及相应的输出，； 。5） 根据学习样本的期望信号
和输出层的输出的误差求出有关输出层单元的偏置值以及连接到其上的权值的误差，；6） 根据误差
，从中间层到输出层的权值以及中间层的输出，求出有关中间层单元的偏置值以及连接到其上的权值的误差，；7） 根据5）求得的
以及和常数对从中间层单元到输出层单元的权值加以调整。另外，根据和常数对输出层单元的偏置加以调整 ；8） 根据误差
，输入单元的输入以及常数对从输入单元到中间层单元的的偏置加以调整 ，；9） 输入下一个学习样本；
10）若有学习样本则返回3）；
11）更新学习次数；
12）若学习次数尚小于规定次数，则返回2）；否则，训练继续下去。
3 管理信息系统的专家神经网络算法
1）利用专家经验给出评价指标体系个指标的评价值。每个指标给出6个等级：很好，好，较好，一般，较差，差，并予以量化处理为[0，1]之间的数值，见下表：
表2 定性指标的量化
