經(jīng)濟神經(jīng)網(wǎng)絡(luò)活動分析的論文

1、the best investment is to invest in yourself, because this is the only investment that you can be sure of earning without losing money.勤學樂施積極進?。撁伎蓜h）經(jīng)濟神經(jīng)網(wǎng)絡(luò)活動分析的論文 摘要經(jīng)濟活動通常表現(xiàn)為復雜的非線性特性，針對這種特性，給出了用人工神經(jīng)網(wǎng)絡(luò)（ann）模型建立經(jīng)濟活動的預(yù)測模型的原理和方法，并描述了構(gòu)筑于神經(jīng)網(wǎng)絡(luò)方法之上及其與神經(jīng)網(wǎng)絡(luò)方法相結(jié)合的先進的模型方法，為刻畫復雜的、非確定的或信息不完整的經(jīng)濟活動對象提供了思路。關(guān)鍵詞經(jīng)濟活動預(yù)測

2、模型人工神經(jīng)網(wǎng)絡(luò)經(jīng)濟活動諸如商品價格走勢、生產(chǎn)活動的產(chǎn)量預(yù)測、加工的投入產(chǎn)出分析、工廠的成本控制等方面都是重要的技術(shù)經(jīng)濟層面。定量化的經(jīng)濟活動分析是經(jīng)濟學研究的必由之路，而建模是量化分析的基礎(chǔ)，這是因為模型為科學分析和質(zhì)量、成本等控制提供了理論依據(jù)。_針對經(jīng)濟活動中大多數(shù)研究對象都具有的非線性特點，給出了用人工神經(jīng)網(wǎng)絡(luò)（artificialnervenetwork）模型建立經(jīng)濟活動的預(yù)測模型的原理和方法，并描述了神經(jīng)網(wǎng)絡(luò)與各種先進的建模方法相結(jié)合的模型化方法，為經(jīng)濟活動的分析、預(yù)測與控制提供了理論基礎(chǔ)。1神經(jīng)網(wǎng)絡(luò)模型方法現(xiàn)實的經(jīng)濟系統(tǒng)是一個極其復雜的非線性系統(tǒng)，客觀上要求建立非線性模型。傳統(tǒng)上

3、使用回歸與自回歸模型刻畫的都是線性關(guān)系，難于精確反映因變量的變化規(guī)律，也終將影響模型的擬合及預(yù)報效果。為揭示隱含于歷史記錄中的復雜非線性關(guān)系必須借助更先進的方法人工神經(jīng)網(wǎng)絡(luò)(ann)方法。人工神經(jīng)網(wǎng)絡(luò)具有并行處理、自適應(yīng)、自組織、聯(lián)想記憶及源于神經(jīng)元激活函數(shù)的壓扁特性的容錯和魯棒性等特點。數(shù)學上已經(jīng)證明，神經(jīng)網(wǎng)絡(luò)可以逼近所有函數(shù)，這意味著神經(jīng)網(wǎng)絡(luò)能逼近那些刻畫了樣本數(shù)據(jù)規(guī)律的函數(shù)，且所考慮的系統(tǒng)表現(xiàn)的函數(shù)形式越復雜，神經(jīng)網(wǎng)絡(luò)這種特性的作用就越明顯。在各類神經(jīng)網(wǎng)絡(luò)模型中，bp（backpropagation誤差后向傳播）神經(jīng)網(wǎng)絡(luò)模型是最常用的也是最成熟的模型之一。本質(zhì)上，bp模型是對樣本集進行建

4、模，即建立對應(yīng)關(guān)系rmrn,xkrm,ykrn。數(shù)學上，就是一個通過函數(shù)逼近擬合曲線/曲面的方法，并將之轉(zhuǎn)化為一個非線性優(yōu)化問題來求解。對bp神經(jīng)網(wǎng)絡(luò)模型，一般選用三層非循環(huán)網(wǎng)絡(luò)。假設(shè)每層有n個處理單元，通常選取連續(xù)可微的非線性作用函數(shù)如sigmoid函數(shù)f(x)=1/(1+e-x)，訓練集包括m個樣本模式(xk,yk)。對第p個訓練樣本（p1，2，m），單元j的輸入總和記為apj，輸出記為opj，則:apj=wqopj=f(apj)=1/(1+e-apj)（1）對每個輸入模式p，網(wǎng)絡(luò)輸出與期望輸出（dpj）間誤差為：e=ep=(dpj-opj)2)（2）取bp網(wǎng)絡(luò)的權(quán)值修正式：wji(t+1

5、)=wji(t)+?濁?啄pj+?琢(wji(t)-wji(t-1)（3）其中，對應(yīng)輸出單元?啄pj=f,(apj)(dpj-opj)；對應(yīng)輸入單元?啄pj=f,(apj)?啄pkwkj；?濁是為加快網(wǎng)絡(luò)收斂速度而取值足夠大又不致產(chǎn)生振蕩的常數(shù)；?琢為一常數(shù)項，稱為趨勢因子，它決定上一次學習權(quán)值對本次權(quán)值的影響。bp學習算法的步驟：初始化網(wǎng)絡(luò)及學習參數(shù)；提供訓練模式并訓練網(wǎng)絡(luò)直到滿足學習要求；前向傳播過程,對給定訓練模式輸入，計算網(wǎng)絡(luò)的輸出模式，并與期望比較，如有誤差，則執(zhí)行下一步，否則返回第二步；后向傳播過程,計算同一層單元的誤差?啄pj,按權(quán)值公式（3）修正權(quán)值;返回權(quán)值計算公式（3）。b

6、p網(wǎng)絡(luò)的學習一般均需多周期迭代，直至網(wǎng)絡(luò)輸出與期望輸出間總體的均方根誤差erms達到一定要求方結(jié)束。實踐中，bp網(wǎng)絡(luò)可能遇到如下問題：局部極小點問題；迭代收斂性及收斂速度引起低效率問題。此外還有，模型的逼近性質(zhì)差；模型的學習誤差大，記憶能力不強；與線性時序模型一樣，模型網(wǎng)絡(luò)結(jié)構(gòu)及節(jié)點作用函數(shù)不易確定；難以解決應(yīng)用問題的實例規(guī)模與網(wǎng)絡(luò)規(guī)模之間的矛盾等。為克服這樣的一些問題，同時為了更好地面向?qū)嶋H問題的特殊性，出現(xiàn)了各種基于神經(jīng)網(wǎng)絡(luò)模型或與之結(jié)合的模型創(chuàng)新方法。2灰色神經(jīng)網(wǎng)絡(luò)模型灰色預(yù)測和神經(jīng)網(wǎng)絡(luò)一樣是近年來用于非線性時間序列預(yù)測的引人注目的方法，兩種方法在建模時都不需計算統(tǒng)計特征，且理論上可以適

7、用于任何非線性時間序列的建模?；疑A(yù)測由于其模型特點，更合用于經(jīng)濟活動中具有指數(shù)增長趨勢的問題，而對于其他變化趨勢，則可能擬合灰度較大，導致精度難于提高。對于既有隨時間推移的增長趨勢，又有同一季節(jié)的相似波動性趨勢，且增長趨勢和波動性趨勢都呈現(xiàn)為一種復雜的非線性函數(shù)特性的一類現(xiàn)實問題，根據(jù)人工神經(jīng)網(wǎng)絡(luò)具有較好的描述復雜非線性函數(shù)能力特點，用其對季節(jié)性建模；最后根據(jù)最優(yōu)組合預(yù)測理論，建立了兼有g(shù)m（1，1）和ann優(yōu)點的最優(yōu)組合預(yù)測模型。該模型能夠同時反映季節(jié)性時間序列的增長趨勢性和同季波動性的雙重特性，適用于一般具有季節(jié)性特點的經(jīng)濟預(yù)測。首先，建立gm（1，1）模型，設(shè)時間序列x(0)=(x(0

8、)(1),x(0)(2),?撰,x(0)(n)，作一階累加生成：x(1)=(x(1)(1),x(1)(2),?撰,x(1)(n)（4）其中x(1)(k)=(x(0)(i),k=1,2,?撰,n構(gòu)造一階線性灰色微分方程并得到該方程的白化微分方程：+ax=u用最小二乘法求解參數(shù)a，u，得到x(1)的灰色預(yù)測模型：(1)(k+1)=(x(0)(1)-u/a)e-ak+u/a,(k=0,1,2,?撰)（5）其次，根據(jù)上節(jié)方法建立bp人工神經(jīng)網(wǎng)絡(luò)模型。第三，將兩模型優(yōu)化組合。設(shè)f1是灰色預(yù)測值，f2是神經(jīng)網(wǎng)絡(luò)預(yù)測值，fc是最優(yōu)組合預(yù)測值，預(yù)測誤差分別為:e1,e2,ec，取w1和w2是相應(yīng)的權(quán)系數(shù)，且w

9、1+w2=1,有fc=w1f1+w2f2，則誤差及方差分別為ec=w1e1+w2e2,var(ec)=w21var(e1)+w22var(e2)+2w1w2cov(e1,e2)對方差公式求關(guān)于w1的極小值，并取cov(e1,e2)=0，即可得到組合預(yù)測權(quán)系數(shù)的值。2基于粗糙集理論的神經(jīng)網(wǎng)絡(luò)模型粗糙集理論與模糊集理論一樣是研究系統(tǒng)中知識不完全和不確定問題的方法。模糊集理論在利用隸屬函數(shù)表達不確定性時，為定義一個合適的隸屬函數(shù)，需要人工干預(yù)，因而有主觀性。而粗糙集理論由粗糙度表示知識的不完全程度，是通過表達知識不精確性的概念計算得到的，是客觀的，并不需要先驗知識。粗糙集通過定義信息熵并進而規(guī)定重要

10、性判據(jù)以判斷某屬性的必要性、重要性或冗余性。一般來說，bp神經(jīng)網(wǎng)絡(luò)模型對模型輸入變量的選擇和網(wǎng)絡(luò)結(jié)構(gòu)確定等都基本憑經(jīng)驗或通過反復試驗確定，這種方法的盲目性會導致模型質(zhì)量變差。用粗糙集理論指導，先對各種影響預(yù)測的因素變量進行識別，以此確定預(yù)測模型的輸入變量；再通過屬性約簡和屬性值約簡獲得推理規(guī)則集；然后以這些推理規(guī)則構(gòu)造神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并采用加動量項的bp的學習算法對網(wǎng)絡(luò)進行優(yōu)化。有效改善了模型特性，提高了模型質(zhì)量。其建模步驟為：由歷史數(shù)據(jù)及其相關(guān)信息歷史數(shù)據(jù)構(gòu)造決策表；初始化；對決策表的決策屬性變量按劃分值域為n個區(qū)域的方式離散化；采用基于斷點重要性的粗糙集離散化算法選擇條件屬性變量和斷點（

11、分點），同時計算決策表相容度，當決策表相容度為1或不再增加時，則選擇條件屬性變量和分點過程結(jié)束；由選擇的條件屬性變量及其樣本離散化值構(gòu)造新的決策表，并對其約簡，得到推理規(guī)則集；由推理規(guī)則集建立神經(jīng)網(wǎng)絡(luò)模型；對神經(jīng)網(wǎng)絡(luò)進行訓練；若神經(jīng)網(wǎng)絡(luò)擬合誤差滿足要求，則結(jié)束，否則，增加n。必須指出，區(qū)間分劃n太小，會使得擬合不夠，n太大，即輸出空間分得太細，會導致過多的區(qū)域?qū)?yīng)，使網(wǎng)絡(luò)結(jié)構(gòu)過于復雜，影響泛化（預(yù)測）能力。3小波神經(jīng)網(wǎng)絡(luò)模型人工神經(jīng)網(wǎng)絡(luò)模型存在的網(wǎng)絡(luò)結(jié)構(gòu)及節(jié)點函數(shù)不易確定問題，結(jié)合小波分析優(yōu)良的數(shù)據(jù)擬合能力和神經(jīng)網(wǎng)絡(luò)的自學習、自適應(yīng)特性建模，即用非線性小波基取代通常的非線性s型函數(shù)。設(shè)非線性時

12、間序列變化函數(shù)f(t)l2(r)，定義其小波變換為：wf(a,b)=f(t)?漬()dt（6）式中，?漬ab(t)稱為由母小波?漬t（定義為滿足一定條件的平方可積函數(shù)?漬(t)l2(r)如haar小波、morlet小波、樣條小波等）生成的依賴于參數(shù)a、b的連續(xù)小波，也稱小波基。參數(shù)a的變化不僅改變小波基的頻譜結(jié)構(gòu)，還改變其窗口的大小和形狀。對于函數(shù)f(t)，其局部結(jié)構(gòu)的分辯可以通過調(diào)節(jié)參數(shù)a、b，即調(diào)節(jié)小波基窗口的大小和位置來實現(xiàn)。用小波級數(shù)的有限項來逼近時序函數(shù)，即：(t)=wk?漬()（7）式中(t)，為時間序列y(t)的預(yù)測值序列；wk,bk,ak分別為權(quán)重系數(shù)，小波基的平移因子和伸縮因

13、子；l為小波基的個數(shù)。參數(shù)wk,bk,ak采用最小均方誤差能量函數(shù)優(yōu)化得到，l通過試算得到。4模糊神經(jīng)網(wǎng)絡(luò)模型模糊集合和模糊邏輯以人腦處理不精確信息的方法為基礎(chǔ)，而人工神經(jīng)網(wǎng)絡(luò)是以大量簡單神經(jīng)元的排列模擬人腦的生理結(jié)構(gòu)。二者的融合既具有神經(jīng)網(wǎng)絡(luò)強大的計算能力、容錯性和學習能力，又有對于不確定、不精確信息的處理能力，即同時具有底層的數(shù)據(jù)處理、學習能力和高層的推理、思考能力。一種應(yīng)用模糊理論的方法是把模糊聚類用來確定模糊系統(tǒng)的最優(yōu)規(guī)則數(shù)，從而確定模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。這樣確定的網(wǎng)絡(luò)結(jié)構(gòu)成為四層：第一層為直接輸入層；第二層為模糊化層，對輸入做模糊化處理；第三層為模糊推理層，對前層模糊結(jié)果做模糊推理；第四層為非模糊化層，可以采用重心非模糊化法，產(chǎn)生網(wǎng)絡(luò)輸出。該網(wǎng)絡(luò)采用動態(tài)處理法，增強了其處理能力，且適用性強、精度高。5結(jié)語除上述幾種結(jié)合式神經(jīng)網(wǎng)絡(luò)方法之外，人工神經(jīng)網(wǎng)絡(luò)模型在算法設(shè)計方面一直在取得巨大的進步。神經(jīng)網(wǎng)絡(luò)模型方法是一種先