经济预测与决策技术及MATLAB实现 第12章 神经网络预测法.pptx

第12章神经网络预测法12.1神经网络基本理论12.2BP神经网络的MATLAB函数12.3案例分析12.3.1多指标的股票开盘价预测练习与提高（十二）12.3.2单指标的股票收盘价预测

12.1神经网络基本理论12.1.1人工神经网络人工神经网络(ArtificialNeuralNetwork,ANN)，是由大量处理单元(神经元Neurons)广泛互连而成的网络,由分布于若干层的节点组成。每个单节点都有自己的输入值、权重、求和与激活函数以及输出值，在处理之前，数据被分为训练数据集(TrainingDataset)和测试数据集(TestingDataset)，然后将权重或输入，指派到第一层的每一个节点。每次重复时，系统处理输入，并与实际值相比较，得到度量后的误差，并反馈给系统，调整权重。大多数情形下，调整后的权重都能更好地预测实际值。当达到预定义的最小误差水平时，处理结束。

12.1.2BP神经网络的基本原理BP(Back-PropagationNetwork)是一种多层网络的“逆推”学习算法。其基本思想是:学习过程由信号的正向传播与误差的反向传播组成。正向传播时，输入样本从输入层传入，经隐层逐层处理后传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形势通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可以接受的程度，或进行到预订的设定的学习次数为止。

12.1.3BP神经网络过程1．BP网络的结构BP网络是一种单向传播的多层前向网络，具有三层或三层以上的神经网络，包括输入层、中间层(隐层)和输入层。上下层之间实现全连接，每一层神经元之间无连接。输入层隐层输出层

2．传递函数或激活函数一般输入层和隐层的传递函数是S形函数（logsig）：正切S形函数（tansig）输出层的是线性函数，用purelin表示

3．模拟过程首页网络通过对已知信息的反复学习训练，运用根据误差来逐步调整与改变神经元连接权重和神经元阈值的方法，使得相似的输入有相似的输出，从而达到处理信息、模拟输入输出关系的目的。（1）读入样本、设定初始权值和阈值；（2）设定参数；（3）计算隐含层输出；（4）计算输出层输出；（5）计算输出值与期望值的误差；（6）判断误差是否小于设定值，是则结束；（7）调整隐层到输出层的权值和阈值；（8）调整输入层到隐层的权值和阈值；（9）返回计算隐含层输出。

4．学习过程首页（1）读入样本；（2）数据处理；（3）创建网络；（4）设定参数；（5）训练网络；（6）模拟输出；（7）调整参数：学习速率、动量系数、训练次数、误差精度等；（8）仿真预测：网络固定，输入新的样本集，模拟输出。

12.1.4BP神经网络预测首页BP神经网络通过对以往历史数据的学习，找出数据的变化趋势之间的非线性关系，并将其存储在网络具体的权值和阀值中，从而预测未来数据的走势。用神经网络进行预测，即用神经网络通过一组数据点来拟合函数f，得出未来（k1）时刻数据的预测值。

1．单步预测首页当k=1时，且网络的所有输入数据都是时间序列的实际观测值时所做的预测就是单步预测。在进行预测时，把实际的时序观测值，这m个数据输入网络，输出是下一时刻的预测值若要继续对的值进行预测，则用实际观测值作为输入数据，得到预测值

2．多步预测首页当kl时，网络输入m个历史数据，输出的预测值。多步预测用于股票价格预测误差较大。这是因为在网络运行调整权值和阀值时，每次迭代都要累加前一次k个预测值的误差，从而造成网络难以收敛的情况，甚至导致网络发生振荡。

首页3．滚动预测滚动预测，又可称为迭代一步预测，是先进行单步预测，再将网络输出的预测值反馈给网络输入端作为输入的一部分，用于下一步的预测。若开始预测时输入数据是实际的时序观测值输出是下一时刻的预测值，将与一起作为输入数据对项进行估计，得到输出的预测值如此反复迭代，就得到对未来一段时期的