人工神经网络反向传播算法在国内生产总值估算中的应用.pdfVIP

第7卷专辑 中国管理科学 vol，7．Spec／s／l翻肾 ：罂主：：星 人工神经网络反向传播算法 在国内生产总值估算中的应用 傅 强 (上海财经大学98届硕士研究生，上海200041) 摘要：本文运用了人工神经网络的反向传播算法。来实现对国内生产总值的快速估算。文中详细 介绍了BPN网络结构的设计、网络训练的具体设计以及实际的估算结果，并对网络能力和性电作 出了初步评价。 关键词：神经网络；反向传播算法；国内生产总值 1 问题的提出 国内生产总值(GDP)是指在一个国家领土内某一时期(一般为一季度或一年)内所生产 的所有最终产品和所提供服务的价值总和。一般而言，有三种不同的方式计算国内生产总值， 即生产法、收入法和支出法。 然而上述的三种测算方法，其统计工作置都是十分巨大的。本文提出的问题是；如何寻找 到一种简单可行的快速估算方法，有效地得出GDP的估算值? 一般而言，影响GDP的因素是复杂多样的。从需求方面分析，消费、投资和净出口是影响 GDP的主要因素。而从供给角度考察，GDP的制约因素应该包括人力、物力和技术进步嗣素 等。如果建立如下的函数关系(或者以任意精度逼近如下函数映射)： ?，=，(墨1，Xt2，Xb) 如果能够具体核算出影响因素的数值，则可通过函数映射，得出GDP在莱一年内的具体估算 值。 解决上述问题具有如下的意义： (I)GDP的估算值可作为GDP实际核算值的参考基准。 (2)可根据影响GDP的因素的变动趋势，对GDP的变动趋势作出预测。 (3)可考察不同因素对GDP影响程度的大小，为国家经济政策的制定提供参考意见。 传统的方法是通过建立多元线性回归模型，得出如下的函数关系 E=卢o+ptxn+p1Xt2+…++卢Ⅸ“ 但这种方法有一个严重的局限性，各种影响因素与GDP的估算值之间存在的关系极有可 中国管理科学 1999盅 能是一种多维非线性函数关系。 但是。上述的局限性可通过人工神经网络模型来克服。可以从理论上证明，当神经网络结 点的输入和输出关系为非线性，网络形成多层的结构，输入为外界的样本，输出为在该样本下 的响应，隐含屡为一个变换关系时，该网络可得到对任意非线性函数的映射，当用有导师的学 习方法对外界数据进行学习时，这种映射可达到最佳。对于一个三层的前馈网络，如果隐含层 结点的输入输出关系r(．)是有界的非线性连续函数时，只要隐言层结点数足够多。该网络能 完成任意精度的非线性映射。这个结论使得象GDP估算这类非线性问题都可以通过化解为三 层BPN型网络，利用BP算法解决。 2 反向传播算法(B}l算法)概述 First second Layer Layer “ 且P反向传播算法(Backpropagafion)是一种训练 多层神经网络的系统方法。Rumelhart，Hiton与 ， Williams于1986年就给出了反向传播算法的一个简 洁明了的描述。但实际上。Parker在1982年就已经做 了类似的工作。更有甚者，早在2974年。Werbos就已 提出了这一算法。 在一般文献中常常就把与反向传播算法紧密联 系在一起的人工神经网络统称为 BPN(backpropagationnetwork)。 图1 BPN网络结构 BPN网络是一种前馈型网络。它是由输入层、输 出层以及若干穗含层结点互连而成的一种多层网，如图1所示： 其中网络结点的输入和输出一般在【o，1]或[一1，+1]区间内连续取值，每个隐含层结点