淺析翡翠評估中神經網絡的應用

楊華

摘要：在翡翠價格的確定中，其影響因子權重評估方法致使評估結果主觀性比較明顯，在此過程中，神經網絡的應用可將主觀因素產生的干擾予以排除，形成多個影響因子評價的網絡模型，實踐證明，神經網絡在翡翠價格的評估中應用，具有真實、方便、可靠的優勢。

關鍵詞：翡翠評估；神經網絡；數學模型

由于傳統的市場對比中，修正各種因素的權重時，受人為主觀因素的影響，評估翡翠的價格比較隨意，尤其是當翡翠的價格同各影響因素之間為非線性的關系時，所得評價結果存在很大誤差，而神經網絡在翡翠評估過程中的應用可有效解決以上問題。本文利用BP3層前饋神經網絡進行翡翠估價的模型建設，綜合估價某商家翡翠的戒面樣本，最終得出合理的評估結果。

1、BP神經網絡闡述及實現

1.1神經網絡的含義

在上世紀五十年代，神經網絡得到發展，其生理學意義上是指人腦真實的功能、結構及其他基本特征針對某種理論而進行抽象、簡化、模擬最終形成一種處理信息的系統，因其具有較強的適應性、容錯性、非線性等特點，在評估房屋價格、模式識別等多個領域得到廣泛應用，并取得了顯著效果。屬于前饋神經網絡的BP神經網絡，只有相鄰兩層之間的神經元利用權重實施連接，而各層之間的神經元不存在連接關系。3層前饋BP網絡模型包括隱含層、輸入層、輸出層等。

1.2 BP神經網絡工作原理

BP網絡的工作程序首先進行權值調整，即按照一定學習的準則通過已知樣本進行訓練學習，然后再開展工作。基于梯度下降的方法，通過導師指導進行BP網絡學習，屬于一種與多層神經元的網絡相符合的監督學習的方法，主要包括正向傳播和反向傳播兩個過程，其中正向傳播是指由輸入層通過然后進入隱含層后，再對信號進行逐層處理，并對各個單元實際的輸出值進行計算；反向傳播指的是如果在輸出層獲得的輸出值并不理想，那么可通過逐層遞歸方法進行實際輸出和期待輸出之間差值的計算，以此差值為依據進行權值調節。通過以上兩個過程的反復運用，最大限度地減小誤差。

1.3 Matlab中BP網絡的學習實現

借助Matlab網絡的工具箱來完成BP網絡學習的過程，具體步驟包括：（1）通過小隨機數對各層閾值和權值進行初始化，確保網絡在輸入較大加權值時不被飽和，進行參數初始化或者設定，比如進行最小期望誤差值、最大的循環次數設定及修正權值學習速率等；（2）通過已知樣本集進行網絡誤差及每層輸出值的計算；（3）根據梯度下降的原理，對每層閾值和權值修正值及新閾值和權值的計算；（4）利用第（2）、（3）步驟，進行修正權值后網絡誤差的計算；（5）將網絡誤差與最小期望誤差值進行比較，如果其值小于最小期望誤差值，可結束訓練，否則應當繼續。

2、估價前期數據的量化

判定權重與賦值是估價前期的量化重要環節。針對翡翠樣品及參照翡翠之間的差異進行比較，并賦值各種因素。目前市場上，賦值翡翠影響的因素方法繁多，其中袁心強專家倡導的100分值法應用比較普遍。量化中的重要環節即為判定權重，是對價格受各種因素影響程度的客觀反映，常用的方法為特爾斐法，通過專家進行輪流打分，使估價結果一致化。

3、BP網絡翡翠估價方法

BP網絡翡翠估價方法指的是以近期內類似交易成功的翡翠為樣本，進行BP網絡訓練，通過網絡模型進行翡翠估價。因為收集到的各訓練樣本分指標類型和量綱各不相同，所以通常情況下不直接進行運用，而是按照一定規則將指標向某無量綱的區間進行歸一化。同時因為BP網絡采用的函數Sigmoid具有0-1的輸出范圍，所以應當把數據向區間[0，1]進行歸一化。

進行翡翠價格評估時，運用BP的網絡評估方法，將X影響因子作為輸人，將價格矩陣t進行歸一化后作為期望的輸出值，并監督學習既定網絡模型。完成訓練后，經輸入節點將需要估價的翡翠影響因子向已經訓練完畢的網絡中輸入，反歸一化后的輸出值即為翡翠評估的價格。

4、案例分析

本文以某商家翡翠的戒面作為實驗樣本，在Matlab的工具箱內實施神經網絡修正市場比較法成本。以這些樣本為依據，列出影響因子以及實際價格，并將其作為期望輸出和輸入，透明度、顏色、大小、質地、凈度以及品相等為其影響因子。

由以上討論可知，因為有6個影響因子，可明確網絡有6個輸入節點；每個翡翠樣本評估價格唯一，所以，該輸出有1個節點數，通過多次比較與嘗試，最終得出15個隱層的節點數，從而構建3層6×15×1的BP網絡結構，其他的參數設置為1×10-4的最小期望誤差，lr=0.01初始學習的速率。在訓練完成后的網絡中帶入第N組的樣本，得到0.7082的計算結果。經過反歸一化的處理后獲得第N組的翡翠樣本648元的估價，而其實際價格是650元，所以，訓練得出的價格可信度較高。

為了對神經網絡進行價格修正的正確性進一步驗證，將某商場的翡翠戒面當做樣本，并對一批需要估價的翡翠進行價格計算，再次證明了翡翠估價的成本修正時運用BP網絡具有極大的可靠性。

結束語

以某商家翡翠的戒面為研究對象，闡述了Matlab中利用BP網絡對翡翠進行估價，該種方法在其他類型翡翠估價中同樣比較適用。神經網絡指的是利用學習訓練樣本，明確翡翠價格以及各影響因素間存在的規律，適當進行人為因素的削減，加大估價結果的客觀性。同時為估價翡翠創新了方法及思路。隨著翡翠樣本日益更新，通過網絡學習，使網絡學習能力及訓練水平不斷提升，逐漸形成完整的翡翠估價系統，促進測試精度及評估范圍的進一步提升與擴大。

參考文獻：

[1]蔡逸濤.市場比較法翡翠估價中參照物價格信息的處理[D].中國地質大學（武漢），2007.

[2]張恒.綠色翡翠的顏色分級標準優化[D].昆明理工大學，2010.