基于GMDH方法和BP神经网络经济预警模型.docVIP

基于GMDH方法和BP神经网络经济预警模型 　　摘要：文章应用GMDH方法来确定BP神经网络的输入指标，对传统的BP算法进行了改进，使得输入指标的选择能自动实现，减少了人为因素的干预。用改进后的BP神经网络对四川省的工业经济状况进行了评价，计算结果表明，训练后的神经网络模型能准确对经济状况进行评价分类，从而实现对经济的预警。 　　关键词：人工神经网络；BP算法；GMDH方法；经济预警 　　 　　一、 引言 　　 　　BP神经网络的输入与输出关系是一个高度非线性映射关系，如果输入结点数为n，输出结点数为m，则网络是从n维欧氏空间到m维欧氏空间的映射，BP神经网络的这个特性使它非常适合用于经济预警。通过调整BP神经网络中的连接权值以及网络的规模，可以实现非线性分类等问题，提供良好的分类准确性。然而，一个神经网络的信息处理功能和自身的拓扑结构有重要关系。为了加强神经网络的适应和学习能力，优化网络的拓扑结构是非常必要的。使用神经网络做经济预警也有一段时间了，但它们的主要缺点是输入指标完全依据个人经验定性筛选。指标少不能反映实际情况，太多又会增加网络复杂度，因此，本文引入GMDH做指标筛选，以优化网络的拓扑结构，增强其适应能力，提高预警的准确度。 　　 　　二、 研究方法 　　 　　1． 人工神经网络方法原理。人工神经网络（Artificial Neural Network，简称ANN）是对大脑系统的一阶特性的一种描述，它可以采用电子线路或计算机程序来模拟生物体中神经网络的某些结构和功能，简单的说，它是一个数学模型，是人工智能研究的一种方法。 　　ANN是一种平行分散处理模式，其构建理念基于人类大脑神经运作的模拟，它除具有较好的模式识别能力（Pattern Recognition）外，还可以克服传统统计方法的局限，因它具有容错能力，对数据的分布要求不严格，具备处理资料遗漏或是错误的能力。ANN还具有学习能力，可随时依据新准备的数据资料进行学习、训练，调整其内部的储存权重参数以对应多变的经济环境。它通过“训练”来解答问题：把同一系列的输入因子和理想的输出因子作为“样本”，根据一定的算法对网络进行足够的训练，使得人工神经网络能够学会包含在“解”中的基本原理。当训练完成后，该模型便可以用来求解相似的问题。 　　1986年Rnmenhort提出的前馈网络的误差反传算法BP（Back Propagation）被认为是最适用于模拟输入、输出的近似关系，它是在ANN中算法最成熟、应用最广泛的一种。它通常由输入层、输出层和隐藏层组成，其信息处理分为前向传播和后向学习两步进行，网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程，其目的是使网络的实际输出逼近某个给定的期望输出。理论上已经证明：具有偏差和至少一个S型隐含层加上一个线性输出层的网络能够逼近任何有理函数。前向三层BP网络的结构如图1所示。 　　 　　图1前向三层BP网络结构图 　　BP人工神经网络的算法步骤如下：（1）BP网络的初始化，确定各层节点的个数，将各个权值和阈值的初始值设为比较小的随机数；（2）输入样本和相应的输出，对每一个样本进行学习，即对每一个样本数据进行步骤3到步骤5的过程；（3）根据输入样本算出实际的输出及其隐含层神经元的输出；（4）计算实际输出与期望输出之间的差值，计算输出层的误差和隐含层的误差；（5）根据步骤4得出的误差来更新输入层―隐含层节点之间、隐含层―输出层节点之间的连接权值；（6）求误差函数E，判断E是否收敛到给定的学习精度以内（E≤拟定误差E），如果满足，则学习结束，否则，转向步骤2继续进行。 　　2． GMDH方法原理。 　　（1）自组织建模的基本思想。最早的自组织数据挖掘思想GMDH（数据分组处理方法）是由乌克兰科学院A?G?Ivakhnenko院士于1967年首次提出的。在统计建模中，模型的搜索在参数空间和结构空间上同时进行，有多种方法可以自动选择模型，其中，在复杂度不断增长的模型集合基础上选出最优复杂度模型的方法值得关注，自组织建模方法利用完全的和不完全的归纳算法按这一途径实现最优复杂度模型的自动选取。它使用演化（遗传、变异和选择）的原则，实现一个模型结构综合和模型确认：模型从数据中自动产生出来，以最优传递函数网络的形式，重复产生大量具有增长复杂度的竞争模型，进行相应的模型确认并留下最好的选择，直到产生一个最优复杂度模型。 　　自组织建模算法以客观的方式自动的实现以下步骤：①将观测样本数据分成训练集和检测集；②在每阶段按不同的变量和增长的复杂度产生待选模型；③对于参数模型，在训练集上估计未知参数；④在每阶段利用检测集的数据选出一些最好的模型；⑤当重复步骤②―④时，随着进程的发展，模型的复杂度也增长。否则，选择