经济活动分析预测的神经网络模型.docVIP

经济活动分析预测的神经网络模型 经济活动通常表现为复杂的非线性特性，针对这 种特性，给出了用人工神经网络(ANN)模型建立经济活动 的预测模型的原理和方法，并描述了构筑于神经网络方法 之上及其与神经网络方法相结合的先进的模型方法，为刻 画复杂的、非确定的或信息不完整的经济活动对象提供了 思路。 关键词经济活动预测模型人工神经网络 经济活动诸如商品价格走势、生产活动的产量预测、 加工的投入产出分析、工厂的成本控制等方面都是重要的 技术经济层面。定量化的经济活动分析是经济学研究的必 由之路，而建模是量化分析的基础，这是因为模型为科学 分析和质量、成本等控制提供了理论依据。本文针对经济 活动中大多数研究对象都具有的非线性特点，给出了用人 工神经网络(Artific ialNerveNe twork)模型建立经济活 动的预测模型的原理和方法，并描述了神经网络与各种先 进的建模方法相结合的模型化方法，为经济活动的分析、 预测与控制提供了理论基础。 1神经网络模型方法 现实的经济系统是一个极其复杂的非线性系统，客观 上要求建立非线性模型。传统上使用回归与自回归模型刻 画的都是线性关系，难于精确反映因变量的变化规律，也 终将影响模型的拟合及预报效果。为揭示隐含于历史记录 中的复杂非线性关系必须借助更先进的方法 人工神 经网络(ANN)方法。 人工神经网络具有并行处理、自适应、自组织、联想 记忆及源于神经元激活函数的压扁特性的容错和鲁棒性等 特点。数学上已经证明，神经网络可以逼近所有函数，这 意味着神经网络能逼近那些刻画了样本数据规律的函数， 且所考虑的系统表现的函数形式越复杂，神经网络这种特 性的作用就越明显。 在各类神经网络模型中，BP (Back —Prop agation误 差后向传播)神经网络模型是最常用的也是最成熟的模型 之一。本质上，BP模型是对样本集进行建模，即建立对应 关系Rm-Rn, xkeRm, yk-Rn0数学上，就是一个通过函数 逼近拟合曲线/曲面的方法，并将之转化为一个非线性优化 问题来求解。 对BP神经网络模型，一般选用三层非循环网络。假设 每层有N个处理单元，通常选取连续可微的非线性作用函 数如Sigm oid函数f(x)=l/(l+e-x),训练集包括M个样本 模式{(xk, yk)} o对第P个训练样本(P = l, 2, M), 单元j的输入总和记为apj,输出记为0 pj,则： apj=W Q Op j=f (a p j) =1/ (1+e -ap j) (1) 对每个输入模式p,网络输岀与期望输岀(d pj)间误 差为： E=Ep=((dpj-0 pj)2) (2) 取B P网络的权值修正式： Wji(t+1)二Wji(t)+?浊？啄 pj+?琢(Wj i(t)-Wji(t -D) (3) 其中，对应输出单元？啄pj=f , (apj ) (dpj-Opj)；对 应输入单元?啄p j=f , (apj) ?啄pkWk j ； ?浊是为加快网络收敛速度而取值足够大又不致产生振 荡的常数；？琢为一常数项，称为趋势因子，它决定上一次 学习权值对本次权值的影响。 BP学习算法的步骤:初始化网络及学习参数;提供训 BP 学习算法的步骤: 初始化网络及学习参数; 提供训 练模式并训练网络直到满足学习要求；前向传播过程，对给 定训练模式输入，计算网络的输出模式，并与期望比较， 如有误差，则执行下一步，否则返回第二步；后向传播过 程，计算同一层单元的误差?啄P j,按权值公式(3)修正权 值;返回权值计算公式(3)。BP网络的学习一般均需多周期 迭代，直至网络输出与期望输出间总体的均方根误差ERMS 达到一定要求方结束。 实践中，BP网络可能遇到如下问题：局部极小点问题; 迭代收敛性及收敛速度引起低效率问题。此外还有，模型 的逼近性质差；模型的学习误差大，记忆能力不强；与线 性时序模型一样，模型网络结构及节点作用函数不易确定; 难以解决应用问题的实例规模与网络规模之间的矛盾等。 为克服这样的一些问题，同时为了更好地面向实际问题的 特殊性，出现了各种基于神经网络模型或与之结合的模型 创新方法。 2灰色神经网络模型 灰色预测和神经网络一样是近年来用于非线性时间序 列预测的引人注目的方法，两种方法在建模时都不需计算 统计特征，且理论上可以适用于任何非线性时间序列的建 模。灰色预测由于其模型特点，更合用于经济活动中具有 指数增长趋势的问题，而对于其他变化趋势，则可能拟合 灰度较大，导致精度难于提高。 对于既有随时间推移的增长趋势，又有同一季节的相 似波动性趋势，且增长趋势和波动性趋势都呈现为一种复 杂的非线性函数特性的一类现实问题，根据人工神经网络 具有较好的描述复杂非线性函数能力特点，用其对季节性 建模；最后根据最优组