模糊神经网络在可转换债券价格预测中的应用.docVIP

1模糊神经网络模型结构

模糊系统善于表达人的经验性知识，可以处理带模糊性的信息，这是神经网络所做不到的；但另一方面，模糊系统的规则集和隶属函数等设计参数只能靠经验来选择，很难自动设计和调整，这是模糊系统的主要缺点。因此，若能用神经网络来构造模糊系统，就可以利用神经网络的学习方法，根据输入输出样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。根据这种想法产生的一类模糊神经网络，我们称为FMLP。

假设模糊系统有两个输入和，一个输出为，对每个输入变量各定义三个模糊集合，()。我们用（；）代表第个输入变量的第个模糊集合，同时也代表该模糊集合的隶属函数。考虑到要用BP学习算法，隶属函数必须是可微的，这里采用的是S(Sigmoid)函数，各模糊集合的隶属函数分别是

，，

其中，和是S函数的中心，决定S函数的斜度

由于结论为数值，所以采用规则为： ：ifisandis,then

考虑到要用BP学习方法，模糊推理采用sum-product方法，即模糊算子也是“可微的”，解模糊采用加权平均法，模糊系统的输出为：

其中，是第条规则的激活度，称为平均激活度，它实际上等于模糊基函数的值。

图1

FMLP的各层的功能（如图1所示）：

(A)、输入层：空白的圆圈表示在结点内对输入信号未做处理，方框中的1表示固定输入。由方框到第二层结点的权为（分别为和），由圆圈到第二层结点的权均为1。

(B)、偏移层：共有八个结点，每个结点有两个输入，分别为（或）和（和），在结点内作运算。第二、三层之间的权为。

(c)、S函数层：共有八个结点，每个结点只有一个输入，在结点内计算出S函数值。第三、四层之间的权为1或－1。

(D)、合成层：共有六个结点，只有第二、五结点内做求和运算，其余四个结点内未做处理。这六个结点的输出即是隶属度，,,至此完成了模糊化的工作。第四、五层之间的权均为1。

(E)、规则层：共九个结点，分别对应九条规则，每个结点有两个输入，在结点内相乘后再求出平均激活度。第五、六层间的权为，即（k=1,2,…,9）。

(F)、解模糊层：只有一个结点，有九个输入，分别为，求和后为输出。

(1)、初始化，选定FMLP网络结构，置所有可调参数为均匀分布的较小数值。

(2)、对每个输入样本作如下计算：

1)、前向计算：对第l层的单元令权值；对第2层的单元作运算；对第3层每个结点计算S（sigmoid）函数值，若神经元属于第一隐层（即），则有

若神经元属于输出层（即l=L），则有，。

2）反向计算:

对输出单元；对隐单元；按下式修正权值：

(3)、，输入新样本。

2、模糊神经网络预测实例

以万科转债（125002）为例，从2003年12月1日至12月31日的收盘价作为模糊神经网络学习的样本数据，

x={,,,,,,,,,6,,,107.00,,,,,,,,,,}

即将的每行16个数据作为输入，将后的每行1个数据作为输出。在这两者之间建立一种映射关系。经过不断地学习及测试，达到较高的精度之后，进行预测，得到最终预测结果，也就是使用一个11层模糊神

图2原数据与预测图3误差

通过采用平均相对误差作为评价指标：检验模型，从图3可见该方法是切实可行的。

3、结束语

本文将模糊系统与神经网络相结合，克服了神经网络存在着内部单元连接的物理意义不明了，网络结构的选择缺乏充分的理论分析等缺点，从而使模糊系统规则的调整精度和神经网络的学习速度均得到了较大的提高。对可转换债券进行预测说明该方法有较强的学习能力及适应能力，在处理该类预测系统有很好的应用价值。