(4)优化指标。是指标具有一个最优的取值范围，太大或太小都不好的指标，包括电力企业资产负债率指标，该指标如果太大说明企业在信息化投资建设中将会出现资不抵债的情况，不利于电力企业的发展；如果该指标值很小则说明在企业信息化建设中没有发挥有限资本的价值。一般该指标取40％～60％比较理想，然后进行无量纲化处理。无量纲化处理方法

　　(1)有量纲向无量纲的转化。采取一种二次抛物偏大型分布的数学模型描述：

　　(2)无量纲指标的处理。采取线性递增函数进行描述:

　　2、电力企业信息化水平评价的神经网络专家系统

　　2.1 BP神经网络的基本原理

　　人工神经网络(ANN)是由大量简单的处理单元组成的非线性、自适应、自组织系统，它是在现代神经科学研究成果的基础上，试图通过模拟人类神经系统对信息进行加工、记忆和处理的方式，设计出的一种具有人脑风格的信息处理系统。它可广泛应用于预测、分类、模式识别和过程控制等各种数据处理场合，相对于传统的数据分析处理方法，更适合处理模糊、非线性和模式特征不明确的问题。

　　BP神经网络是单向传播的多层前向神经网络，网络可分为输入层、中间层(隐含层)和输出层，其中输入和输出都只有1层，中间层可有1层或多层。同层的网络结点之间没有连接，每个网络结点表示一个神经元，其传递函数通常采用Sigmoid型函数。每对神经元之间的连接上有一个加权系数W，它可以加强或减弱上一个神经元的输出对下一个神经元的刺激。这个加权系数通常称为权值，修改权值的规则称为权值算法。建立在BP神经网络基础上的专家系统根据一定的算法，通过对样本数据的学习确定网络权值。神经网络专家系统的权值确定、结构稳定后，就可以处理新的数据，给出相应的`输出。

　　2．2基于BP网络的电力企业信息化水平评价的学习过程

　　BP神经网络电力企业信息化水平评价模型中，输入层包含55个神经元，分别接受55个电力企业信息化水平评价中三级指标的样本数据输入；中间层包含26个神经元；输出层有1个神经元，就是电力企业信息化水平评价结果，相应的BP网络结构如图1所示。

　　由于神经网络各层的初始连接权值是任意的，必须先对神经网络进行训练，使电力企业信息化水平评价结果的实际输出与期望值的偏差尽可能小。BP神经网络通过训练将学习样本的真实值与网络输出的误差反向传播到各层的神经元，采用梯度下降法不断调节各层的权值，减小因权值带来的偏差，从而使训练样本真实输出与网络输出的误差控制在设定的0．001误差范围内。具体BP神经网络学习过程

　　(1)根据电力企业信息化水平评价指标要求，提供训练集。选人对网络输出即电力企业信息化水平有影响的三级指标x1，x2，……，x55作为输入自变量，以此确定输入节点的个数(本网络有55个输入节点)；

　　(2)进行初始化。置所有权值为随机任意小，给定学习精度￡一10，目标误差为0．001，读入网络初始权重及学习样本。这里可通过对电力企业300名职工开展问卷调查，随机抽取前100组记录(样本序号为1～100)作为神经网络辩识模型的训练样本；

　　(3)按BP算法训练网络。学习过程流程如图2所示；

　　(4)判断学习精度是否达到要求，如达到转入下一步执行；否则返回上一步继续学习；

　　(5)储存并输出权值。利用训练好的网络进行测试(采用10个样本记录为例)，输出电力企业信息化水平的最终评价结果。

　　3、实验结果及分析

　　采用BP神经网络对电力企业信息化水平进行辨识，输入层、隐含层和输出层的结点数分别为55×26×1。根据经验和试验，前100组记录用作学习样本，作为训练神经元连接权值用，学习精度￡=1×10；后10组(样本序号为291～300)样本作为测试检验用。经过反复多次学习，其学习结果(测试)如表2所示。

　　4、结语

　　基于BP神经网络的电力企业信息化水平评价能够充分利用样本的有关信息和数据，通过高度的非线性映射，揭示电力企业信息化水平与其影响因素之间的内在作用机理，从而克服了电力企业信息化水平评价中建模和求解难的问题，弱化电力企业信息化水平评价指标权重确定过程中人为因素的影响，从而保证电力企业信息化水平评价结果的客观性和公正性。