類神經網路

由於本研究將採用類神經網路作為模型建構之工具，本節將介紹類神經網 路的原理與演算法則。

類神經網路之原理是模仿生物神經網路的資訊處理系統。以處理單元

（Processing Elements）或稱神經元（Neurons）組成「層」（Layer），再由各 層組合為「網路」，不同層之神經元間以路徑相連來傳遞訊號及資訊，稱為「連 結」（Connections）。

將類神經網路依學習策略分類，可分為監督式學習（Supervised Learning）

網路與非監督式學習（Unsupervised Learning）網路兩種（葉怡成,2003）： 1、監督式學習（Supervised Learning）網路

網路的訓練樣本中，一組輸入值（Input）必定存在至少一對應之目標輸出 值（Target Output），由目標值與實際輸出值間的誤差調整連結之權重

（Weights），可經由重複訓練減少誤差而產生輸入值與輸出值間的對應模 型。代表性的監督式學習網路有倒傳遞網路（BPNN, Back-propagation Neural Network）、學習向量化網路（LVQ, Learning Vector

Quantization）、反傳遞網路（CPNN ,Counter-Propagation Neural Network）、放射基準機能網路（RBF, Radial Basis Function）等，這些 網路主要的差異在於各個網路有不同的網路結構或學習法則。

2、非監督式學習（Unsupervised Learning）網路

網路的訓練樣本中，每一組輸入值並不具有相對應的目標輸出值存在，由 資料的輸入及權重的調整，找出輸入資料彼此間的相關性而將輸入值進行 分類，歸為同類的資料間具有相近的性質。代表性的網路類型有自適應共 振理論（ART, Adaptive Resonance Theory）、自組織映射圖（SOM, Self-Organizing Map）等，不同的網路各有專長於不同領域的應用。

由於類神經網路具有良好之非線性模型對應能力，且不須於建構時如傳統

統計模型般設定許多假設條件，近年來，類神經網路已廣泛使用於資料分析、製 程管制、預測、信用評估……等工程及社會科學方面，在研究企業財務危機預測 上，因為研究之資料結構上含有一組輸入值（各財務數據）與一對應之目標輸出 值（企業危機與否），因此宜採用監督式學習網路。

本研究採用之倒傳遞類神經網路（BPNN）即是屬於監督式學習網路之一 (Rumelhart, 1986)，其網路架構如圖2.1所示。倒傳遞類神經網路是監督式學習網 路中最常用網路結構，已能夠解決許多複雜的問題，也是在文獻探討中其他學者 常用的網路結構。

圖 2.1:倒傳遞類神經網路模型

倒傳遞類神經網路以輸入層（Input Layer）、隱藏層（Hidden Layer）及輸 出層（Output Layer）所建構而成，每一層皆含有若干數目之神經元。輸入層所 代表的是網路的輸入變數，其神經元個數即為所欲輸入的變數個數；輸出層代表 的則是網路的輸出變數，其神經元個數與輸出變數個數相等；而隱藏層可為一層 或多層，其神經元個數可依網路不同而選擇適當之個數。此外，不同層間神經元 的連結皆含有一對應之權重，以代表輸入訊息的重要程度。

倒傳遞網路的運算細節請參閱附錄二，本研究不著重其細部運算之原理，而 是注重在其應用的方法。以倒傳遞類神經網路應用在企業財務預警中，輸入層為 各財務變數，輸出層為企業危機發生與否，為類別型變數，換句話說，就是希望 藉由類神經網路學習過去該產業中企業財務危機的樣本與未發生企業危機的樣

輸入層 隱藏層 輸出層

本，其財務數據中是否有隱藏著某些微妙的關係，記錄於類神經網路的權重之 中，這些權重將有助於經理人與投資人獲得新的財務數據之後，放入模型之中作 為預測之用。

依據文獻的探討，發現倒傳遞類神經網路的正確預測率較其他工具為佳，且 不需要符合各種統計假設，實用性較佳，因此本研究流程的建構方法採用倒傳遞 類神經網路，期望能得到更佳的正確預測結果。