GRNN网络在企业盈利能力预测中的应用.docVIP

GRNN网络在企业盈利能力预测中的应用 张吉刚 （咸宁学院湖北 咸宁 437） BP预测模型，对样本进行拟合和预测并对两者的拟合和预测性能进行比较。结果 GRNN的最优光滑因子为0.05；BP神经网络的隐含层数定为10。从拟合效果看，GRNN和BP预测模型的平均误差率分别为0.5687%和1.6008 %2.5176% 和2.1678%BP网络。 关键词:GRNN神经网络；BP网络 中图分类号:TP183 文献标识码:A 0 引 言、灰色预测模型等的预测方法虽各有优点但大都集中在对其因果关系回归模型和时间序列模型的分析上不能全面和本质地反映预测数据复杂性从而丢失了某些信息量BP网络模型，但这种网络在预测时，存在收敛速度慢，容易陷入局部极小等缺点；在处理小样本时，效果不太理想，有时预测结果受人为因素的影响。 GRNN神经网络在逼近能力、分类能力和学习速度上较BP网络有较强的优势，此外，GRNN神经网络中人为调节的参数少，只有一个阈值，网络的学习全部依赖数据样本，这样网络就可以最大限度地避免人为主观假定对预测结果的影响[2-3]。因此，本研究利用BP网络和GRNN网络分别建立预测模型，并对两者的拟合和预测性能进行比较。 1 GRNN的网络结构及算法 1.1 GRNN网络结构GRNN网络最早由Sprecht ( 1991) 提出作为一种通用的非参数回归模型, 它是径向基函数神经网络(RBF)的一网络结构如图1所示GRNN网络结构 GRNN的第一层为径向基隐层，隐节点的个数为训练样本数。设输入样本为，网络输入到隐层的权值距阵为，它的每一行实际上就是一个训练样本。表示输入样本与数据中心的欧氏距离，，隐层的阈值，则，激活函数采用高斯函数，记隐层的输出为，则有这里各个隐节点采用相同的光滑因子。 GRNN的第二层为线性输出层，隐层到输出层的权值距阵，基函数采用规范化点积函数nprod，基函数的输出为，则：，激活函数为线性(purelin)函数，记输出为，则：。 1.2 GRNN的学习算法 GRNN的学习算法[2-3]采用BP算法，最小均方差准则和梯度下降法。输出层权值的反向传播误差公式为，输出层的批处理权值修正公式为其中为学习率，一般取较小的值。 GRNN的学习算法与BP算法不同的是，GRNN在训练过程中无需调整神经元之间的连接权值，而是改变光滑因子，从而调整各单元的传递函数，以获得最佳回归估计结果。 光滑因子对网络的预测性能影响很大，Sprecht提出了光滑因子的确定方法：令光滑因子以增量在一定范围内递增变化，在学习样本中除去一两个样本进行预测，用剩余的样本训练神经网络，然后对该一两个样本进行预测，得到预测值与样本之间的误差序列，将其均方差作为网络性能的评价指标，将最小误差对应的光滑因子用于GRNN中进行预测。 2 企业盈利能力的GRNN、BPNN预测模型的建立 2.1 实验数据 依据指标选取的科学性与可行性、全面性与重点性、客观性与可比性等原则[4]。本文选取以下几个指标: 净资产收益率,每股收益, 主营业务利润率, 总资产利润率, 营业活动收益质量, 营业利润比率。本文数据来自文献[5]，所有的数据都经过归一化处理在［0,1］之间。将数据中的最后5组样本作为网络的测试样本，前17组样本作为网络训练样本。 2.2 GRNN预测模型建立 利用MATLAB7.0软件中的神经网络工具箱编程构建企业盈利能力的GRNN预测模型。由于光滑因子影响网络性能，GRNN的训练就是要找到最优光滑因子，我们从0.05开始每次增加0.05，来确定最优值。 2.3 BP网络预测模型建立 选择一个三层结构的BP网络，网络中间层传递函数为logsig函数；输出层有一个神经元，传递函数选择tansig函数。隐含层神经元的数目经反复实验，最终确定为10，训练函数选择训练速度比较快的trainlm,最大训练步数为100；训练目标误差为0.01。 3 结果 GRNN 取不同光滑因子时待估点的预测值与样本实测值之间的见图光滑因子越小网络对样本的逼近性能就越强光滑因子越大网络对样本数据的逼近过程就越平滑从图可以看到当光滑因子取0.时待估点的随着光滑因子的增加此时的光滑因子最优值GRNN 对训练样本的拟合值见表1对于测试样本的预测值见表20.2368 0.2368 0 0.21846 1.834 2 0.5335 0.5335 0 0.52945 0.405 3 0.5707 0.567 0.37 0.5475 2.32 4 0.6177 0.59937 1.833 0.56089 5.681 5 0.5484 0.55165 0.325 0.55839 0.999 6 0.5837 0.5837 0 0.58403 0.033 7 0.6032 0.596