一种改进的BP神经网络预测方法及其应用.pdfVIP

( ) 　2000 年 9 月　　　　　　　　系　统　工　程　　　　　　第 18 卷第 5 期 总第 10 1 期 一种改进的B P 神经网络预测方法及其应用 李焕荣　王树明 【提　要】　本文提出了一种改进的B P 神经网络预测方法。该方法的主要优点有: 网 络结构简单, 收敛速度快, 预测精度高, 减少了输入参数和样本量。笔者 通过对具有高度非线性的股票价格变化进行短期预测, 证明该方法优于 传统的B P 神经网络方法。 【关键词】　 网络, 预测方法 B P 　　人工神经网络作为一种非线性建模和预测方法, 具有 良好的非线性品质、极高的拟合精 度、灵活而有效的学习方式、完全分布式的存储结构和模型结构的层次性, 已被广泛应用于经 济预测并获得了良好的效果。但是传统的B P 神经网络预测方法存在如下的缺点: 1) 由于B P 算法是以误差平方为 目标函数, 用梯度下降法, 不断修正各神经元之间的连接权值, 实现全局 最优。但由于误差曲面的复杂性, 常常具有多个局部极小点, 传统的B P 算法容易使网络进入 局部极小点; 2) 在传统的B P 算法中, 误差是通过输出层反向传播的, 隐含层越多, 反向传播误 差在靠近输入层时就愈不可靠, 这样用不可靠的误差来修正权值, 就会影响学习效率, 容易出 现收敛速度慢或不收敛的情况; 3) 传统的B P 模型为了提高精度, 一般采用增加隐含层的层 次、输入的节点和样本量的方法, 其结果是增加了系统的复杂性, 加大了计算量, 收敛速度减 慢, 降低了学习效率, 使网络的泛化能力减弱, 预测能力下降。4) 传统的B P 神经网络的层次、 隐含层的神经元个数、权值的调整都要通过试验由人工来设置和调整, 随机性较大, 容易出现 收敛速度慢或不收敛的现象。为此, 本文提出一种改进的B P 神经网络来进行复杂经济系统的 预测, 其主要思路是: 1) 用三层B P 网络来描述任何复杂的非线性经济系统; 2) 用相关分析方 法确定输入变量; 3) 利用一个算法 自动确定隐含层的神经元个数; 4) 选定不同的激活函数分 别对输入层和隐含层之间的、隐含层和输出层之间的权重矩阵进行优化。这种改进的三层B P 神经网络具有简洁实用、收敛速度快、预测能力强的特点。 1　 网络的改进 B P 本文所提出的B P 模型的转换函数为 f (x ) = sin (x ) 。 神经网络的输出: n - 1 y = W j P j , 其中P j 为Ch eby sh ev 正交多项式, P 0 = 1; P 1 = X ; …; P j = 2. X . P j - 1 - ∑ j = 0 ( ) P j - 2 , j = 2, 3, 4, …, n - 1 , n 为隐含层神经元的个数; W j 为隐含层至输出层的权值。 ( ) 收稿 日期: 2000- 07- 2 1。李焕荣, 北京航空航天大学管理学院博士研究生 原广东五邑大学经济管理系副教授 ; 王 树明, 同校同专业博士研究生。北京 ·100083 76 误差: E = f ( ) , ( l = 1, 2, …,m ) 为某一理想输入,f ( ) 分别为理想输入 l X l - Y l , 其