基于BP神经网络的西安市宏观经济预测（企业管理范文）.docVIP

基于BP神经网络的西安市宏观经济预测（企业管理范文） 文档信息 ： 文档作为关于“经济、贸易或财会”中“经济学”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文4764字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：基于BP神经网络的西安市宏观经济预测 2 1基于BP神经网络的预测模型 2 2具体应用 3 2.1样本获取 3 2.2神经网络模型结构 4 2.3模型的建立 4 2.4模型的应用 5 2.5结论 5 3结束语 5 文2：基于BP神经网络的结构损伤诊断 5 1结构损伤诊断的特征参数 6 1.1固有频率 6 1.2振型特征 6 1.3刚度矩阵 7 1.4柔度矩阵 7 1.5模态应变能 7 2研究状况与展望 7 参考文摘引言： 9 原创性声明（模板） 9 正文 基于BP神经网络的西安市宏观经济预测（企业管理范文） 文1：基于BP神经网络的西安市宏观经济预测 Keywords:macroeconomic；forecastingmodel；BPneuralnetwork；nonlinear 0引言 利用经济指标的准确预测是国家对宏观经济正确调控的必要前提。但经济系统，特别宏观经济系统是非常复杂的系统，广泛存在着非线性、时变性和不确定作用关系；而在计量经济学理论基础上建立的各种宏观经济模型，大都是线性模型，很难把握宏观经济系统中的非线性现象，必然导致经济预测的误差加大。学者们因此对各种线性模型做了不少改进，如建立分段线性模型、参数时变线性模型等，但结果并不理想。于是人们寻求一些非线性工具进行宏观经济建模。而神经网络具有并行计算、分布式信息存储容错能力强、自适应学习功能等优点，在处理复杂的人工智能和非线性问题上显示了优越性。 1基于BP神经网络的预测模型 BP（Back-Propagation）神经网络结构是前向的多层网络，含有输入层节点、输出层节点和一层或多层的隐层节点，同层的各神经元之间互不连接，相邻层的神经元则通过权值连接。当有信息输入BP神经网络时，信息首先由输入层节点传递到第一层的隐层节点，经过特征函数(人工神经元)作用之后，再传至下一隐层，这样一层一层传递下去，直到最终传至输出层进行输出。其间各层的激发函数要求是可微的，一般是选用S型函数。最基本的BP神经网络包括输入层，隐层，输出层这三层节点的前馈网络，其结构如图1所示。 BP神经网络使用一组样例对网络连接权值进行学习训练，每个样例都包括输入及期望的输出。在正向传播过程中，首先将训练样例的信息输入到网络中，输入信息从输入层经隐层节点逐层计算处理后，传至输出层。在计算处理过程中，每一层神经元的状态只影响下一层神经元的状态，如果在输出层得到的结果不是所期望的输出，那么就转为反向传播。反向传播把误差信号沿原连接路径返回，并按照一定原则对各层神经元连接权值进行适当修改，直至第一个隐层；这时再开始进行正向传播，利用刚才的输入信息进行正向网络计算。如果网络输出达到了误差要求，则学习过程结束；如果达不到误差要求，则再进行反向传播的连接权值调整。这一过程不断往复，直到网络正向计算输出结果达到误差要求为止，学习就告结束。网络训练结束后，在用于求解实际问题时就只须使用正向传播。 2具体应用 2.1样本获取 神经网络建模关键之一是网络训练样本的选取。在模式识别中特征抽取是一个重要环节，抽取稳定且有效的特征是识别系统成功的关键。神经网络建模也就是对系统进行模式识别，神经网络中的特征抽取也就是样本的选取，包含原始数据收集、数据分析、变量选择及数据预处理；只有经过这些步骤后，才能对神经网络进行有效的学习训练。训练样本质量直接影响网络应用效果，应根据实际情况选取合适的能表达对象全面特征的样本，好的训练样本能提高网络学习速度和效果，并提高网络泛化能力。建立本预测模型时选取样本，首先是建模必须建立在一个基本固定的环境下；其次是样本选取应涵盖系统特征的信息，要能够包含在控制中的输入输出特征，能给神经网络提供较为全面的边界信息。本模型旨在对西安市14个指标2008年的数值进行预测：GDP、全社会固定资产投资、居民消费价格指数、零售总额、工业增加值、财政收入、财政预算、可支配收入、农民人均纯收入、城镇新增就业人数、进出口总额、出口、外商直接投资、工业出厂价格指数。在排除各年可能发生异常情况下，用各指标前几年数据预测紧接着下一年的各指标数据。 2.2神经网络模型结构 网络训练前，为了神经网络的逼近和收敛，均将样本归一化到0-1之间。最大训练次数2000次，神经网络学习率按经