遗传神经网络在电信业务收入预测中的应用研究_通信学论文.docVIP

遗传神经网络在电信业务收入预测中的应用研究_通信学论文 遗传神经网络在电信业务收入预测中的应用研究_通信学论文 [摘 要] 误差反向传播神经网络（BPNN）由于优越的非线性数据处理性能以及较强的学习能力而被广泛地运用于电信业务的预测当中。然而，神经网络常常存在着收敛于局部最优解、学习时间长等缺陷而影响其预测效果，而遗传算法(GA)是一种全局寻优搜索算法，能够有效克服上述缺陷。本文针对影响电信业务收入的主要因素，将BP神经网络与遗传算法有机结合起来，建立了相应的遗传神经网络模型用于电信业务收入预测，并利用实际数据进行效果验证。实验表明，该预测模型具有很强的学习能力和自适应性，其预测结果优于BP神经网络模型，而且具有良好的泛化性。 　　[关键词] 遗传神经网络 电信业务收入 预测 　　 　　一、引言 　　电信业务预测是通信网络分阶段建设规划的前提条件，同时也是规划期电信业务量和收入估算的必要条件之一。预测方法的选择直接关系到预测目标的实现和预测结果的精确程度。近年来人工神经网络技术和遗传算法逐渐得到预测科学工作者的重视,误差反向传播(BP)神经网络已经在预测领域中得到了广泛的应用，是一种由多个神经元以某种规则连接而形成的层次网络结构，其基本原理是这些神经元之间“相互协作”，它有许多优点，对不完全信，具有良好的适应性对非线性输入输出关系的学习更具有优越性，其描述问题的能力很强。但是BP算法是一种基于误差函数梯度下降的学习方法，学习过程收敛速度较慢；其次，BP神经网络训练开始时初始权值是随机给定的，这对网络的训练效果也会有极大影响，甚至导致网络陷入局部最小点。 　　遗传算法 (GA)有很好的全局搜索能力，能从概率的意义上以随机的方式寻求到问题的最优解。但另一方面，遗传算法应用中容易产生早熟现象，局部寻优能力较差，而遗传算法与神经网络的结合可以发挥各自的优点。本文研究采用遗传神经网络应用到电信业务的训练中，结果表明该方法是可效的。 　　本文其它结构安排如下：第二部分为遗传神经网络模型的结构与算法介绍；第三部分为数据来源及实证结果分析；最后为本文结论。 　　二、遗传神经网络模型结构及算法 　　1.遗传神经网络模型结构 　　多层前向神经网络在经济领域中是被普遍运用的一种强有力的学习系统，系统结构简单易于编程。在其具体应用中，最重要的首先就是确定网络结构，而网络结构的关键在于隐含层及其结点数。研究表明，对于学习任何函数来讲，一个隐含层足够。因此一个三层前向神经网络可以逼近任意非线性函数。在前向神经网络结构中，如果采用误差反向传播算法(Back Propagation, BP)来对网络结构的权系数进行学习，那就是我们通常所说的BP神经网络模型。本研究中的遗传神经网络模型结构就是建立在一个三层前向神经网络基础之上，将遗传算法与神经网络有机地结合起来的一种混合模型。 　　网络的具体结构如图1　　该网络分为三层：第一层为输入层，共有n个节点；第二层为隐含层，共有m个节点；第三层为输出层，有一个节点。网络的目标函数为，式中y为实际输出，Y为期望输出，Ep为平方误差函数。 　　2.遗传神经网络模型的算法 　　在本模型算法当中，一种改进的遗传算法，被提出来优化模型结构的权值系数。该算法首先利用遗传算法善于发现最优解区域的特点同时，找出网络参数的最优初始值，然后再利用BP算法的寻优能力来搜索模型参数的最优解空间。算法具体步骤如下： 　　步骤1：初始化 　　用遗传算法来优化神经网络，主要是优化神经网络中神经元之间的连接权，初始化种群P(t)。由于网络的连接权是实数，因此本算法采用实数编码方案，避免权重步进变化。网络隐含层转移函数为Sigmoid函数。在编码过程中，以神经网络的所有权值和阈值作为染色体的基因，各个基因组成染色体向量V=[v1,…vk,…vL],vK为染色体中的第k个基因。 　　步骤2：适应度计算及评价 　　根据适应度函数值对个体进行评价,对每个个体进行解码得到一个BP神经网络输入样本,计算出神经网络的输出误差值E，选择适应度函数 　 　　式中，Ymk,Ymk分别为第m个训练样本的第k个输入节点的期望输出和实际输出。适应度f越高，表明误差平方和越小，就越接近性能要求。 　　步骤3：遗传操作 　　(1)选择与复制 　　保留群体中适应度最高的个体，它不参与交叉和变异运算,而直接将其复制到下一代。群体中的其他个体，采用轮盘赌选择法进行选择，这样适应度小的个体也有机会进入被保留。因此保证了群体中个体的多样性，防止算法落入局部最优。如果M个个体中的第i个个体的适应度为fi，则其被选中的概率为： 　　 　　（2)交叉 　　由于权重系数采用实数编码，故本文采用算术交叉方式，以Pc的概率对选择后的个体进行交叉。设在个体