经济预测方法及MATLAB实现 教学配套课件 杨德平 第12章 神经网络预测法.pdfVIP

第12章神经网络预测法 12.1 神经网络基本理论 12.2 BP神经网络的MATLAB函数 12.3 案例分析 12.3.1 北京市房地产开发投资及销售分析 12.3.2 深证综合指数预测 练习与提高（12） 12.1 神经网络基本理论 12.1.1 人工神经网络 人工神经网络(Artificial Neural Network,ANN)，是由大 量处理单元(神经元Neurons)广泛互连而成的网络, 由分 布于若干层的节点组成。每个单节点都有自己的输入 值、权重、求和与激活函数以及输出值，在处理之前， 数据被分为训练数据集(Training Data set)和测试数据 集(Testing Data set)，然后将权重或输入，指派到第一 层的每一个节点。每次重复时，系统处理输入，并与实 际值相比较，得到度量后的误差，并反馈给系统，调整 权重。大多数情形下，调整后的权重都能更好地预测实 际值。当达到预定义的最小误差水平时，处理结束。 12.1.2 BP神经网络的基本原理 BP(Back-Propagation Network) 是一种多层网络的“逆推” 学习算法。其基本思想是: 学习过程由信号的正向传播与误差的反向传播组成。 正向传播时，输入样本从输入层传入，经隐层逐层处理 后传向输出层。若输出层的实际输出与期望输出不符，则转 向误差的反向传播阶段。 误差的反向传播是将输出误差以某种形势通过隐层向输 入层逐层反传，并将误差分摊给各层的所有单元，从而获得 各层单元的误差信号，此误差信号即作为修正各单元权值的 依据。 这种信号正向传播与误差反向传播的各层权值调整过程 是周而复始地进行。权值不断调整的过程，也就是网络的学 习训练过程。此过程一直进行到网络输出的误差减少到可以 接受的程度，或进行到预订的设定的学习次数为止。 12.1.3 BP神经网络过程 1．BP网络的结构 BP网络是一种单向传播的多层前向网络，具有三层或三层以 上的神经网络，包括输入层、中间层(隐层)和输入层。上下 层之间实现全连接，每一层神经元之间无连接。 输入层 隐层 输出层 2．传递函数或激活函数 一般输入层和隐层的传递函数是S形函数（logsig）： 1 ( ) f x x 1e 正切S形函数（tansig ） 1ex f (x ) x 1e 输出层的是线性函数，用purelin表示 3．模拟过程 网络通过对已知信息的反复学习训练，运用根据误差 来逐步调整与改变神经元连接权重和神经元阈值的方 法，使得相似的输入有相似的输出，从而达到处理信 息、模拟输入输出关系的目的。 （1）读入样本、设定初始权值和阈值； （2）设定参数； （3）计算隐含层输出； （4 ）计算输出层输出； （5）计算输出值与期望值的误差； （6）判断误差是否小于设定值，是则结束； （7）调整隐层到输出层的权值和阈值； （8 ）调整输入层到隐层的权值和阈值； （9 ）返回计算隐含层输出。 首页 4 ．学习过程 （1）读入样本； （2）数据处理； （3）创建网络； （4 ）设定参数； （5）训练网络； （6）模拟输出； （7）调整参数：学习速率、动量系数、训练次数、 误差精度等； （8 ）仿真预测：网络固定，输入新的样本集，模拟 输出。