浅析翡翠评估中神经网络的应用

杨华

摘要：在翡翠价格的确定中，其影响因子权重评估方法致使评估结果主观性比较明显，在此过程中，神经网络的应用可将主观因素产生的干扰予以排除，形成多个影响因子评价的网络模型，实践证明，神经网络在翡翠价格的评估中应用，具有真实、方便、可靠的优势。

关键词：翡翠评估；神经网络；数学模型

由于传统的市场对比中，修正各种因素的权重时，受人为主观因素的影响，评估翡翠的价格比较随意，尤其是当翡翠的价格同各影响因素之间为非线性的关系时，所得评价结果存在很大误差，而神经网络在翡翠评估过程中的应用可有效解决以上问题。本文利用BP3层前馈神经网络进行翡翠估价的模型建设，综合估价某商家翡翠的戒面样本，最终得出合理的评估结果。

1、BP神经网络阐述及实现

1.1神经网络的含义

在上世纪五十年代，神经网络得到发展，其生理学意义上是指人脑真实的功能、结构及其他基本特征针对某种理论而进行抽象、简化、模拟最终形成一种处理信息的系统，因其具有较强的适应性、容错性、非线性等特点，在评估房屋价格、模式识别等多个领域得到广泛应用，并取得了显著效果。属于前馈神经网络的BP神经网络，只有相邻两层之间的神经元利用权重实施连接，而各层之间的神经元不存在连接关系。3层前馈BP网络模型包括隐含层、输入层、输出层等。

1.2 BP神经网络工作原理

BP网络的工作程序首先进行权值调整，即按照一定学习的准则通过已知样本进行训练学习，然后再开展工作。基于梯度下降的方法，通过导师指导进行BP网络学习，属于一种与多层神经元的网络相符合的监督学习的方法，主要包括正向传播和反向传播两个过程，其中正向传播是指由输入层通过然后进入隐含层后，再对信号进行逐层处理，并对各个单元实际的输出值进行计算；反向传播指的是如果在输出层获得的输出值并不理想，那么可通过逐层递归方法进行实际输出和期待输出之间差值的计算，以此差值为依据进行权值调节。通过以上两个过程的反复运用，最大限度地减小误差。

1.3 Matlab中BP网络的学习实现

借助Matlab网络的工具箱来完成BP网络学习的过程，具体步骤包括：（1）通过小随机数对各层阈值和权值进行初始化，确保网络在输入较大加权值时不被饱和，进行参数初始化或者设定，比如进行最小期望误差值、最大的循环次数设定及修正权值学习速率等；（2）通过已知样本集进行网络误差及每层输出值的计算；（3）根据梯度下降的原理，对每层阈值和权值修正值及新阈值和权值的计算；（4）利用第（2）、（3）步骤，进行修正权值后网络误差的计算；（5）将网络误差与最小期望误差值进行比较，如果其值小于最小期望误差值，可结束训练，否则应当继续。

2、估价前期数据的量化

判定权重与赋值是估价前期的量化重要环节。针对翡翠样品及参照翡翠之间的差异进行比较，并赋值各种因素。目前市场上，赋值翡翠影响的因素方法繁多，其中袁心强专家倡导的100分值法应用比较普遍。量化中的重要环节即为判定权重，是对价格受各种因素影响程度的客观反映，常用的方法为特尔斐法，通过专家进行轮流打分，使估价结果一致化。

3、BP网络翡翠估价方法

BP网络翡翠估价方法指的是以近期内类似交易成功的翡翠为样本，进行BP网络训练，通过网络模型进行翡翠估价。因为收集到的各训练样本分指标类型和量纲各不相同，所以通常情况下不直接进行运用，而是按照一定规则将指标向某无量纲的区间进行归一化。同时因为BP网络采用的函数Sigmoid具有0-1的输出范围，所以应当把数据向区间[0，1]进行归一化。

进行翡翠价格评估时，运用BP的网络评估方法，将X影响因子作为输人，将价格矩阵t进行归一化后作为期望的输出值，并监督学习既定网络模型。完成训练后，经输入节点将需要估价的翡翠影响因子向已经训练完毕的网络中输入，反归一化后的输出值即为翡翠评估的价格。

4、案例分析

本文以某商家翡翠的戒面作为实验样本，在Matlab的工具箱内实施神经网络修正市场比较法成本。以这些样本为依据，列出影响因子以及实际价格，并将其作为期望输出和输入，透明度、颜色、大小、质地、净度以及品相等为其影响因子。

由以上讨论可知，因为有6个影响因子，可明确网络有6个输入节点；每个翡翠样本评估价格唯一，所以，该输出有1个节点数，通过多次比较与尝试，最终得出15个隐层的节点数，从而构建3层6×15×1的BP网络结构，其他的参数设置为1×10-4的最小期望误差，lr=0.01初始学习的速率。在训练完成后的网络中带入第N组的样本，得到0.7082的计算结果。经过反归一化的处理后获得第N组的翡翠样本648元的估价，而其实际价格是650元，所以，训练得出的价格可信度較高。

为了对神经网络进行价格修正的正确性进一步验证，将某商场的翡翠戒面当做样本，并对一批需要估价的翡翠进行价格计算，再次证明了翡翠估价的成本修正时运用BP网络具有极大的可靠性。

结束语

以某商家翡翠的戒面为研究对象，阐述了Matlab中利用BP网络对翡翠进行估价，该种方法在其他类型翡翠估价中同样比较适用。神经网络指的是利用学习训练样本，明确翡翠价格以及各影响因素间存在的规律，适当进行人为因素的削减，加大估价结果的客观性。同时为估价翡翠创新了方法及思路。随着翡翠样本日益更新，通过网络学习，使网络学习能力及训练水平不断提升，逐渐形成完整的翡翠估价系统，促进测试精度及评估范围的进一步提升与扩大。

参考文献：

[1]蔡逸涛.市场比较法翡翠估价中参照物价格信息的处理[D].中国地质大学（武汉），2007.

[2]张恒.绿色翡翠的颜色分级标准优化[D].昆明理工大学，2010.