基于主成分分析和BP网络的我国GDP预测.pdfVIP

基于主成分分析与BP网络的我国GDP预测 表1国内生产总值及影响因子的原始数据 表3 网络仿真值与实际值 4 BP网络对我国GDP 的预测 14928．3 98．39 111026 9580l 4．1 BP网络及学习算法 1988 198916909．2 llO．5111270410l639 BP网络是一种采用误差 199018547．9 125103922 反向传播算法的前馈网络，通 21617．8 141104844 1991 常由输入层、隐层和输出层构 26638．1 163．85117171107256 1992 成．层与层之间的神经元采用 634．4 196．00 1ll059 199334 118517 全互连的连接方式．通过相应 199446759．4 222118729 的网络权系数相连．每层内的 199558478．1 286129034 神经元没有连接。BP网络可 67884．6 404132616 1996 以看作是从输入到输出的一 74462．6 123626 132410 1997 481．50 种高度菲线性映射．映射中保 199878345．2 551．101248lO 124250 持拓扑结构不变。在模式识 199982067．5 678109126 200089468．1 897．70126583109000别、图像处理、系统辨识、函数 拟合、优化计算、自适应控制， 200197314．8 1042120900 138369 特别是在最优预测方面有着 2002105172．3 1 287 2003117390．2 1539．60129227159912广泛的应用。 2004136875．9 1 966．60129988184600 BP算法是一种有导师的 一一一|萎一一～一一一一一一一一一一 学习算法，输人模式为p个学 是与Z，，Z：，L，Zp．，都互不相关，且在XI，x2， 习样本x1，x2，L，Xp和P个目标样本(导师 表5中．主成分BP网络模型的输出结果 L，x。的一切线性组合中方差最大的。 值)tI，t2，L，tp，学习算法是用网络的实际输出 设X=(xl，x2，L，x。)’的协方差阵D(X)， 与实际结果基本相符合。这样，一个我国 y1，y2，L，yp与目标值t1，t2，L，tp的误差修正其 D(X)的特征根为入l≥沁ILtkt0，Ul，U2，连接权值和阈值．使得y，与tp尽可能接近。 L，u。为对应的标准特征向量，第i主成分权值和阈值修正公式为： 立．可以对我国的GDP总值进行数值预 测，从而为决策者提供决策依据。 为Z．=ui，X(i=l，2，L，P)。 嘶(N+I)剐