1、“.....按照网络的般设计原则，隐含层神经元的传递函数为型正切函数，即。由于本文的输出层已被规划到区间，中，因此，输出层神经元的传递函数可以设定为型对数函数，即，建立结构为的三层神经网络。利用如下代码在中创建个符合上述要求的神经网络。各参数含义如下输入向量的取值范围第层神经元的个数，共层第层的传递函数网络的训练函数网络的性能函数。执行的结果创建个层的神经网络。当我们使用函数创建前馈神经网络后，网络会自动地初始化各层权值和阀值，权值为区间，上的任意随机数。在节，本文已将样本数据进行了归化处理，所以每个指标的取值范围为所以基于人工神经网络模型的营销渠道风险预警系统研究第五章基于人工神经网络预警模型的构建。本文建立的三层神经网络结构的，而经函数创建的神经网络，会将三层神经网络默认为二层，不会显示输入层神经元的状况，所以，在本文中......”。

2、“.....隐含层神经元的传递函数为型正切函数，即输出层神经元的传递函数设定为型对数函数，即。在网络中，学习率是人为设定的个固定的常数，而且它的值将直接影响到网络的训练性能。如果选择的太大，会降低网络的稳定性反之，会导致过长的训练时间。如果学习率在训练的过程中得到适当的变化，又使得它的值不会过大，就可以加快网络的训练速度，而且确保了网络的稳定性。函数能自适应修改学习率，避免人为主观设定学习率的缺点。所以本文选择用函数作为训练函数。在神经网络中，通常选用典型的前向反馈网络误差性能函数来评价网络的性能，其表达式为公式其中，为训练样本数为输出层神经元数为期望输出为实际输出。基于上述分析，本文建立了用于营销渠道风险预警的神经网络，代码如下为表中的前组样本数据前组数据对应的风险状态设定了渠道预警网络个输入向量的取值范围其中......”。

3、“.....网络会自动地初始化各层权值和阀值。通过下列代码来查看经初始化的权值和阀值当前输入层到隐含层权值第五章基于人工神经网络预警模型的构建基于人工神经网络模型的营销渠道风险预警系统研究,执行结果如下图函数初始化的输入层权值当前输入层到隐含层阈值执行结果如下图函数初始化的输入层阀值当前隐含层到输出层权值,执行结果如下基于人工神经网络模型的营销渠道风险预警系统研究第五章基于人工神经网络预警模型的构建图函数初始化的隐含层权值当前隐含层到输出层阈值执行结果如下图函数初始化的隐含层阀值网络训练与检测对于已创建的神经网络，利用表中的前组数据进行训练，训练后的网络才能满足实际应用的要求。训练参数的设定如下所示，其他参数取默认值。表网络参数属性参数名称取值属性最大训练次数。若超过，则训练终止两次显示之间的训练步数无显示时设为学习率训练目标训练时间......”。

4、“.....网络的目标误差达到要求。此时，可通过如下代码查看经过调整后的各层权值和阀值训练后输入层到隐含层权值执行结果如下图训练后输入层到隐含层权值训练后输入层到隐含层阈值执行结果如下基于人工神经网络模型的营销渠道风险预警系统研究第五章基于人工神经网络预警模型的构建图训练后输入层到隐含层阀值训练后隐含层到输出层权值执行结果如下图训练后隐含层到输出层权值训练后隐含层到输出层阀值执行结果如下图训练后隐含层到输出层阀值同时，还提供了函数用于对网络训练结果的进步分析，评估网络的训练效果。分析过程如下,得到仿真结果前组数据的网络输出为第五章基于人工神经网络预警模型的构建基于人工神经网络模型的营销渠道风险预警系统研究图训练数据的仿真输出......”。

5、“.....和分别表示最优回归直线的斜率和轴截距。当，时，网络输出与目标输出完全相同，此时网络具有最优性能。表示网络输出与目标输出的相关系数，它越接近，表示网络输出与期望输出越接近，网络的性能越好。图给出了由函数显示的图形，横坐标为期望输出，纵坐标为网络输出，表示数据理想回归直线网络输出等于目标输出时的直线由虚线表示最优回归直线由红线表示。从图中我们可以看到虚线和红线几乎重合，与非常接近，说明网络具有非常好的性能。图网络训练结果输出图形基于人工神经网络模型的营销渠道风险预警系统研究第五章基于人工神经网络预警模型的构建通过上述步骤我们完成了网络的训练，当网络训练结束之后，可以用函数来仿真网络输出，从而与期望输出进行比较，来检验网络性能。下面我们运用表中的第组和第组数据对网络进行检测，检测代码如下为检测数据组为检测的期望输出......”。

6、“.....实际输出和检验值基本相符，且精度很高，这说明基于神经网络的营销渠道风险预警模型可以完成对实际风险的评价，并且效果较好，模型的检测完毕。根据上文所建立的神经网络，我们可以根据营销渠道风险指标任意输入组渠道数据，即可得到相应的风险状况，让公司营销渠道风险得到量化，以便采取措施。第五章基于人工神经网络预警模型的构建基于人工神经网络模型的营销渠道风险预警系统研究在对模型的检测完毕后，对公司另子渠道的期风险情况进行评估。将表中的第组数据代入经检测的模型，运行如下代码,执行结果如下图评估数据组输出得到其整体风险评状态为。对比营销渠道风险系数等级，其接近状态，可知营销渠道处于中度风险状态，说明了该模型在营销渠道风险预警方面的预警评价作用......”。

7、“.....主要内容是围绕营销渠道风险预警模型进行展开，具体内容如下在分析了目前用于营销渠道风险预警方法缺点的基础上，说明神经网络模型用于营销渠道风险预警的可行性与优越性。利用聚类分析，对样本数据的状态划分情况进行了检测。结合本文的研究思路与神经网络原理，构建了面向的神经网络模型，用于营销渠道风险预警。并应用公司旗下的品牌在国内的个子渠道的渠道数据对模型进行了训练和检测。最后，利用经检验过的神经网络，对另渠道进行风险评估。基于人工神经网络模型的营销渠道风险预警系统研究第六章营销渠道风险预警及管理策略第六章营销渠道风险预警及管理策略风险预警信号的输出在实际应用中，企业对营销渠道风险预警的分析内容主要包含两个方面总体风险和风险构成。因此，本文将营销渠道预警信号的输出方式分为两类综合预警信号的输出和单因素预警信号的输出。综合预警信号的输出本文在设计综合预警信号的输出方式时......”。

8、“.....在定的周期内，对营销渠道整体风险进行实时监控，输出反映企业营销整体运行状况的综合评价结果，将其与风险等级匹配，及时准确地发出相应的警报信号。企业在运用时，可以通过绘制综合风险趋势信号图来反映渠道状况的变化发展趋势，以便更清楚地观察营销渠道的风险走势。例如，下图就模拟表示个渠道的风险波动状况。图中横轴代表时间，通常情况下，时间应选取个生产或经营周期季度或月等为单位纵坐标是渠道的风险状态。如下所示风险状态高度风险中度风险低度风险安全时间安全低度风险中度风险高度风险图综合预警信号的输出单因素预警信号的输出单因素预警方法是根据单项指标的变化情况来进行预警，即把单个预警指标现在的指标值和该指标的警限进行比较，从而判断其现在的状态，则可依据具体情况发出不同的警报等级......”。

9、“.....上表只是从理论的角度对单个指标的警限进行界定，实际应用时，企业应灵活地对表中的状态临界值进行调整。如此，企业可根据实际情况确定各指标的状态临界值，从而判断其现在的风险状态，绘制单因素预警信号图，其工作原理同综合预警信号输出系统，这里就不再赘述。单因素预警信号与综合预警信号之间是种互补的关系，共同服务于企业渠道风险预警系统。方面......”。