基于模糊神经网络的商品预测模型分析.ppt

目 录 模糊神经网络 模糊神经网络 模糊化接口是从实际输入空间到模糊空间的映射。 模糊规则集是一系列的语言规则或条件语句。 模糊推理是模糊神经网络的核心。 模糊推理系统结构图： 商品预测模型 分析过程包括四个阶段： 第一步：问卷调查 第二步：面谈 第三步：建立数据库 第四步：构建ANN和FNN模型 第一步：问卷调查 主要是设计一个包含很多方面知识的问卷．并通过在分发这些问卷中收集到我们所需要的知识。利用细分其所依赖的和独立的因素的应用间关系的方法．对这些数据进行统计性地分析。通过这种方法。我们可以得到哪些因素是关键的。以及价格依赖其确定的概率。 第二步：面谈 被询问的专家要求给出在不同情况下用来评估商品价格的原则。通过在第一步中收集的数据和在地二步中专家给出的预测商品价格的原则．我们可以获得训练ANN和FNN模型的数据。 第三步：建立数据库。 最近的同类商品销售的价格代表了当地的价格层次。因此可以依据此建立数据库，并且建立一个基于模糊神经网络的知识库。这个数据库应包括最近才推出的不同类别的同类商品的价格。 第四步：构建ANN和FNN模型。 在训练的过程中．根据我们所收集的数据来调节模型的参数。 建立模型 模糊神经网络的结构有五层组成： 第一层为输入层。它的每个节点直接与输入向量的各分量Xi连接，它起着将输入值X=[x1x2...xn]T。传送到下一层的作用。该层的节点数N1=n。 第二层每个节点代表语言变量值。它的作用是计算各输入分量属于各语言变量值模糊集合的隶属度函数 ，式子中的 i=1,2,...,n;j=1,2,...,mi,mi是xi的模糊分割数。该层的节点数N2= 。 第三层的每个节点代表一条模糊规则j它的作用是用来匹配模糊神经‘网络前两层,计算出每条规则的适应度,即： aj= , , ... , 式中 i1 {1,2，...,m1},i2 {1,2,...,m2},...,in {1,2,...,mn} 该层的节点数N3=m= 。 建立模型 第四层的节点数与第三层相同。它所实现的归一化计算。即： 第五层是输出层。即： FNN的商品预测模型： 假设在第一步中我们通过分析有四个相互独立的因素影响商品价格。 建立模型 FNN模型的模糊神经网络结构： 建立模型 第一层:输入实数变量xi(i=1,2,3,4)。这些输入变量是通过市场调查并通过专家评定的。 第二层：计算各输入分量属于各语言变量值模糊集合的隶属度函数。每一个输入xi有两个模糊分割数。本模型隶属函数采用高斯函数表示的铃型函数，则： 其中cij和 分别表示隶属函数的中心和宽度。（j=1,2） 第三层：计算每条规则的适应度。这个模型共有2*2*2*2=16条模糊规则。规则适应度为： i1 {1,2，...,m1},i2 {1,2,...,m2},...,in {1,2,...,16}。当隶属函数很小时，近似地取为零，所以aj中只有少量节点输出非零，所以可以实现局部逼近函数。 第四层：归一化计算 建立模型 第五层：输出结果 其中wj是每条模糊规则对应于输出的加权系数。 小 结 通过与ANN比较，更加清晰地看到FNN的优势 通过FNN的这个应用——商品价格预测模型。 模型在预测商品价格方面具有很强大的功能．主要是因为FNN并不要求精确的输入．并且模糊神经网络模型具有很强的函数逼近能力，适合用于大型商品的价格预测。 汇报人：******* 基于模糊神经网络的 商品价格预测模型 人工神经网络 模糊神经网络 小 结 商品预测模型 人工神经网络(Artificial Neural Network , ANN)是由基于神经元特性的互联模型构成。这种信息处理网络是并行分布结构。每个神经元具有单一的输出，并且能够与其他神经元密切连接。 人工神经网络(ANN)是由基本处理单元(又称为神经元)及其之间的连接方法构成。每个神经元有一个激励函数。各个神经元之间存在一个连接权系数。每个神经元模拟一个生物神经元。有多个输入和单个输出。 人工神经网络 ANN模型的优势与缺点 优势： ANN模型可以很好地处理输入与输出之间有复