摘要：文章基于調查分析這一方式，結合bp神經網絡構建過程中存在的非線性關系映射的特征，針對性分析銀行網點選址時存在的影響因素。分析出其影響因素中包含人口、收入、周邊環(huán)境、競爭等等因素，從而構建了bp神經網絡下的銀行選址模型，隨后基于該模型進行大量的數據訓練措施，獲取到預期的效果。望本次研究能夠對今后銀行選址提供一定的幫助。

關鍵詞：bp神經網絡;銀行;網點選址模型;研究

中圖分類號：F272 文獻識別碼：A 文章編號：1001-828X（2016）027-000-01

引言

由于當代社會經濟的不斷發(fā)展，人們的個人收入水平呈現出持續(xù)增長的狀態(tài)。隨著改革開放政策進一步落實，中國漸漸開放現有的銀行業(yè)金融服務，調整市場準入標準，基于這種激烈的市場競爭以及復雜的社會經濟環(huán)境，科學化的銀行網點選址行為顯得尤為重要。實際建址過程中，銀行所要思索的影響因素不但數量龐大、內容繁雜且因素之間存在相互影響與約束的關系。銀行業(yè)金融機構在選址過程中的科學性與合理性，能夠大幅度提升服務質量，強化自身的行業(yè)競爭力，提升市場占比，促使機構向可持續(xù)性發(fā)展的方向發(fā)展。合理運用神經網絡在非線性映射方面的記憶能力，構建bp神經網絡銀行選址模型。

一、bp神經網絡的概述

人工神經網絡（ANN）主要是指大量簡易元件相互進行連接構建動態(tài)化、非線性、復雜的網絡系統(tǒng)，其中簡易元件包含光學元件、神經元以及模擬電子電路等等。人工神經網絡是在現代神經學的基礎上，模擬人類大腦的基礎功能所構建出來的。ANN作為一種單向傳播額多層次前向神經網絡，其分為輸出、輸入以及隱含三大層面，結合全連接方式將各層全部連接起來，處于同層的單元則不需要連接。目前已經存在相關的文獻表明，一個3層的bp網絡模型能夠完成任意、連續(xù)性的映射。bp神經網絡對輸入—輸出的非線性映射關系可實現針對性的學習與存儲行為，不需要提前揭露或描述該種映射關系中存在的數學方程。bp神經網絡結合最速下降法中蘊含的學習規(guī)則，結合方向傳播方式對神經網絡的閾值及權值實施調整，構建客觀世界中的內在化表現，形成具備特色的信息處理方式。此外一般信息的處理與存儲是體現于網絡連接之中。

二、基于bp神經網絡的銀行業(yè)選址模型

基于現有銀行業(yè)選址所要思索的因素，如收入情況、周邊環(huán)境、居民數量以及交通情況等，此外還需要考慮bp神經網絡自學習、聯想存儲及高速優(yōu)化等特征，為此文章提出建設bp神經網絡銀行業(yè)選址的指標體系。目前影響銀行業(yè)選址的影響因素包含了居民人口情況、周邊環(huán)境以及競爭因素。而居民人口情況指標中包括人口數量及收入情況，收入情況一般用0-1表示，其中0.5表示中等水平收入，1表示收入豐厚。周邊環(huán)境以交通現狀為主，一般用0-1表示，0表示最壞，1表示最好;最后競爭因素以周邊銀行網點及ATM的數量為主。

基于上述內容，其中人口數量主要包括再選網址點周邊實際人口數量，該因素可以視為定量化指標，運用其在當前有效人口中的實際占比看做影響因素輸入。收入情況主要基于當地人口收入水平對其年均收入水平進行估計，當實際人口收入與年均人口收入持平時，其輸入影響因素數值為0.5。交通情況：在進行銀行網點選址的過程中，其周邊的交通現狀為一種定性因素，可以通過與其他銀行網點的橫向對比行為獲取。娛樂場所、購物商場這一因素需要思索其行業(yè)競爭原因，并且將周邊銀行網點及ATM數量作為主要的影響因子。當bp神經網絡的銀行選址模型中所有涉及的影響因素明確之后，完善神經網絡實際輸入端口，可以針對性構建神經網絡模型，基于高效的訓練行為之后獲取預期的成效以及優(yōu)質的事項分析預測能力。

在實施bp算法的過程中，其學習過程主要通過信號正向傳播以及誤差逆向傳播兩大過程共同形成。實際正向傳播過程中，模型一般運作于輸入層，通過隱層處理行為之后，向輸出層進行傳送;當輸出層沒有獲取到預期的輸出內容時，需要向誤差逆向傳播階段轉入，將該部分輸出誤差基于特定的形式，基于隱層實現向輸入層的逐層返回行為。之后向系統(tǒng)的所以層的單元進行傳送，共同“分攤”，以得到各層單元實際參考誤差數值，也稱為誤差信號，并將此作為各單元權值依據。該種信號正向傳播及誤差逆向傳播行為，在各層權矩陣中的修正措施存在重復性，修正行為持續(xù)、不斷地進行，上述過程就稱為bp算法的學習過程。該過程一直進行至網絡輸出誤差漸漸降低至其所能承受的程度或是其所設定的學習次數。

基于本次銀行網址數據信息采集行為，實現了bp神經網絡模型的訓練行為。當神經網絡學習完成之后，針對銀行網絡選址中存在的影響因素及輸出結構構建針對性的非線性映射關聯，并構建成為一種記憶。那么輸入到在選銀行網址中的影響因素，獲取一定的預判結構，并讓選址點達到預期情況結合銀行網點的分析行為，明確輸入影響因素，不斷練習或學習之后，獲取預期的成效，從而實現了bp神經網絡下的銀行選址模型研究。

三、結束語

文本基于前人研究基礎，實施一定的總結、整合行為，運用銀行網點選址中存在的影響因素，結合bp神經網絡費線性關系所蘊含的映射特征，構建了相應的模型。同時在模型中選址部分網點實施針對性的測試行為，確保了選址基本功能的完善。因為神經網絡在投入使用之前需要進行大量、復雜、重復的訓練學習行為，從而確保輸入影響因子自身的依耐性。就本文所涉及的銀行選址模型而言，其仍然存在極大的提升空間，各方面內容仍然存在缺陷，望今后相關研究者、學者能夠不斷將其完善。

參考文獻：

[1]鄭龍生，楊曉霞.基于BP神經網絡模型的商務型飯店微觀選址研究——以重慶市為例[J].西南大學學報（自然科學版），2015（04）：12-15.

[2]祝愛民，袁赫，于麗娟，王溫冉.基于BP神經網絡的縣域經濟發(fā)展模式選擇——以遼寧省部分縣域為例[J].沈陽工業(yè)大學學報（社會科學版），2015（01）：45-52.

[3]劉鎖清，翟奕博，張耀華，董森，彭偉娟.動量改進BP神經網絡在濕法脫硫系統(tǒng)中的應用[J].自動化技術與應用，2016（08）：99-105.

作者簡介：苑世晨（1988-），男，漢族，河北石家莊人，河北經貿大學工商管理學院，研究生，研究方向：財務金融。