基于人工神经网络我国固定资产投资预测研究.docVIP

基于人工神经网络我国固定资产投资预测研究 　　摘要：投资的增长速度是与经济增长水平密切相关，没有经济的增长，投资的增长就失去了基础；失去了投资增长的支持，经济的增长也无法很好地实现。文章在研究了BP神经网络基本的预测原理的基础上，根据1979年-2006年的固定资产投资额对未来几年我国的固定资产投资状况进行了预测研究。 　　关键词：人工神经网络；固定资产投资；预测 　　 　　本文通过建立一维时间序列我国固定资产投资额的BP神经网络模型。借助Matlab7.0软件进行预测。 　　 　　一、基于BP神经网络的时间序列预测模型的构成 　　 　　所谓时间序列，就是各种各样的社会、经济、自然现象的数量指标依时间次序排列起来的统计数据。时间序列预测是根据一个历史观测值的序列找出符合系统变化的函数根据这个函数将历史观测值作为输入预测出未来的值。然而由于受到多种因素的影响，系统的发展变化是高度非线性的，很难直接找到描述系统发展变化规律的函数。神经网络为寻找这种规律提供了有效的方法，它具有高度的自学习能力，可以以任意精度逼近非线性函数。因此非常适合模拟复杂的非线性系统。 　　1　BP神经网络的设计。在时间序列预测中。多层前馈神经网络(Multi Layer Feed-forward Network)，简称MLFN，是最常使用的神经网络。从数学角度看。MLFN网络成为输入输出的非线性函数。如对某个时间序列为P1进行预测，可用Pt+k==f(Pt，p-1。…pt-k+1)描述。时间序列预测即是用神经网络来拟合函数f(?)然后预测未来值。 　　当前应甩中较为广泛和成熟的是“误差逆向传播算法”(Error Back Propagation Network)，简称BP神经网络。可以用它作为时间序列的预测模型。BP网络通常由输入层、一个或多个隐层和输出层组成。隐层中的神经元均采用sigmoid型变换函数。输出层的神经元采用纯线性变换函数，网络通常采用BP学习算法进行网络的训练。BP网络的学习过程由2部分组成：正向传播和逆向传播。当正向传播时。输入样本从输入层经隐层单元处理后传向输出层。如果在输出层得不到样本输出。则转入反向传播。通过逆向传播(BP)误差信号(样本输出与网络输出之差)按原连接通路反向计算。由梯度下降法调整各层神经元的连接权值和阈值，使误差的平方和最小。神经网络理论已经证明BP网络具有强大的非线性映射能力和泛化功能。任一连续函数或映射均可采用二层网络加以实现。采用一个隐层的BP神经网络建立时间序列预测模型，其网络结构如图1所示。 　　 　　2　BP算法的改进。基本BP算法采用最速下降法(梯度下降法)使得误差趋向最小、直至达到误差要求。在实际应用中，存在收敛速度慢，局部极值等缺陷，因此出现了许多改进算法，如动量法、学习率自适应调整策略。动量法能够降低网络对于误差曲面局部细节的敏感性，有效抑制网络陷于局部极小：学习率自适应调整策略利用Levcuberg-Marquardt数值优化法来实现反传算法，从而有利于缩短学习时间。 　　 　　二、基于8P神经网络的时间序列预测模型的建立 　　 　　1　样本数据预处理。对我国的固定资产投资额进行预测，从《中国统计年鉴》中查到1979年―2006年的固定资产投资额作为样本数据，见表1。 　　由于历年固定资产投资额是一维时间序列，但BP神经网络要求用多组输入来训练网络，而且输入数据的范围一般在[0，1]。因此对样本数据P(t)根据下式进行预处理。 　　P(t)=P(t)/10n式中，n为所有统计数据中最大值的整数位数。这里n=5。 　　2　BP神经网络结构的确定。神经网络理论Kolm-ogorov定理已经证明，经充分学习的二层BP网络可以逼近任何函数。因此选择二层BP网络(如图1所示)。时间序列数据输入层节点数是人为确定的，输入层节点数过多，造成网络学习次数较大；输入层节点数过少，不能反映后续值与前驱值的相关关系。经反复试验最终确定为4个。且输出层节点数为1。隐层节点数的选择在所有BP网络中目前还没有理论上公认的推导方法。大多通过反复学习，在相同总体误差情况下，选择收敛最快的。采用一种经验算法“0.618法”来确定隐层节点数，表达式为： 　　(n+0.618(n-t) 　　m=t-0.618(t-n) 　　式中，m为隐层节点数；n为输入层节点数；t为输出层节点数。经计算并综合考虑隐层的功能，将隐层节点数确定为6。 　　3　样本的划分。对经过预处理的数据序列p(t)根据确定的网络结构划分训练样本和检验样本。具体如下：输入样本集P=[p(t-4)，p(t-3)，p(t-2)，p(t一1)]，输出样本集t=[p(t)]，其中t=2006，2004，…，1979。