1隐含层节点数的选择
关于隐含层节点数的确定没有一个明确的规定，需要进行实际的网络训练。隐含层节点数应选取在输入层节点数与输出层节点数之间，且更加靠近输入层，这样更有助于提高网络收敛速度。隐含层节点数过多，会导致学习时间过长，且网络容易训练过度，降低网络的总体性能。隐含层节点数过少，学习过程不收敛。因此为了选取最佳的隐含层神经元数，可以参考以下求取隐含层节点数的经验公式。
2输出节点的选择
输出节点应该对应于评价结果，因此需要先预测样本的期望输出。本文运用变权评价方法确定样本的期望输出，将风险预警程度作为预测输出值，并设定绿灯代表风险预警程度轻，蓝灯代表风险预警程度中等，黄灯代表风险预警程度较差，红灯代表风险预警程度差。风险预警程度为［０８，１］表示为绿灯，［０６，０８）表示为蓝灯，［０３，０６）表示为黄灯，［０，０３）表示为红灯。
3模型应用
以俄罗斯为例，根据海外资源与产业杂志简介详见
4结论
对海外矿业投资金融风险因素进行识别，罗列了海外矿业投资时我国企业可能遭遇的金融风险类别以及各类别的主要影响因素。并建立了相应的评价指标体系与赋权，给予进行海外矿业投资的企业一个系统的金融风险指标体系。将ＢＰ神经网络引入海外矿业投资金融风险的预警中，建立相应的风险预警模型，再将理论与实际相结合，将预警模型运用于实例中，进行我国企业海外矿业主要投资国的预警分析。最后得出俄罗斯、加拿大、澳大利亚的风险预警等级中等，可以在未来年份考虑进行矿业投资，而巴西、印度、南非的风险预警程度属于较差，投资时需要谨慎。尤其需要引起重视的是南非的经济发展状况较差，印度的国际收支状况、通胀率与财政收支状况较差，巴西的实际贷款利率过高。以上分析可以给予我国企业在进行海外矿业投资时一些决策建议，以便其选取合适的国家进行矿业投资。
作者：陈家愿 郑明贵 单位：江西理工大学
