基于模糊神經(jīng)網(wǎng)絡(luò)的商品預(yù)測(cè)模型

1、匯報(bào)人：*基于模糊神經(jīng)網(wǎng)絡(luò)的商品價(jià)格預(yù)測(cè)模型目 錄人工神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)小 結(jié)商品預(yù)測(cè)模型人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network , ANN)是由基于神經(jīng)元特性的互聯(lián)模型構(gòu)成。這種信息處理網(wǎng)絡(luò)是并行分布結(jié)構(gòu)。每個(gè)神經(jīng)元具有單一的輸出，并且能夠與其他神經(jīng)元密切連接。人工神經(jīng)網(wǎng)絡(luò)(ANN)是由基本處理單元(又稱為神經(jīng)元)及其之間的連接方法構(gòu)成。每個(gè)神經(jīng)元有一個(gè)激勵(lì)函數(shù)。各個(gè)神經(jīng)元之間存在一個(gè)連接權(quán)系數(shù)。每個(gè)神經(jīng)元模擬一個(gè)生物神經(jīng)元。有多個(gè)輸入和單個(gè)輸出。人工神經(jīng)網(wǎng)絡(luò)ANN模型的優(yōu)勢(shì)與缺點(diǎn)優(yōu)勢(shì)：ANN模型可以很好地處理輸入與輸出之間有復(fù)雜聯(lián)系的問(wèn)題。比如在錯(cuò)綜復(fù)雜因素的前

2、提下進(jìn)行決策。ANN具有自學(xué)習(xí)的能力。神經(jīng)網(wǎng)絡(luò)是通過(guò)所研究系統(tǒng)過(guò)去的數(shù)據(jù)記錄進(jìn)行訓(xùn)練的。一個(gè)經(jīng)過(guò)適當(dāng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有歸納全部數(shù)據(jù)的能力。ANN具有提高系統(tǒng)在不確定、不精確和雜亂的環(huán)境中運(yùn)行的能力。缺點(diǎn)： 訓(xùn)練時(shí)間很長(zhǎng)：輸入信號(hào)采用怎樣的規(guī)則才能產(chǎn)生合乎要求的輸出在這個(gè)模型中并未清晰地表達(dá)。這也ANN沒(méi)有得到廣泛應(yīng)用的原。模糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)與模糊邏輯系統(tǒng)相結(jié)合的產(chǎn)物，既具有學(xué)習(xí)、聯(lián)系和自適應(yīng)性能力，又能進(jìn)行模糊思維的系統(tǒng)結(jié)構(gòu)。模糊推理系統(tǒng)的結(jié)構(gòu)包括4個(gè)基本單元：模糊化接口模糊推理模糊規(guī)則集解模糊接口模糊神經(jīng)網(wǎng)絡(luò)模糊化接口是從實(shí)際輸入空間到模糊空間的映射。模糊規(guī)則集是一系列的語(yǔ)言

3、規(guī)則或條件語(yǔ)句。模糊推理是模糊神經(jīng)網(wǎng)絡(luò)的核心。模糊推理系統(tǒng)結(jié)構(gòu)圖：模糊規(guī)則集模糊化模糊推理解模糊非模糊輸入非模糊輸出商品預(yù)測(cè)模型分析過(guò)程包括四個(gè)階段：第一步：?jiǎn)柧碚{(diào)查第二步：面談第三步：建立數(shù)據(jù)庫(kù)第四步：構(gòu)建ANN和FNN模型第一步：?jiǎn)柧碚{(diào)查 主要是設(shè)計(jì)一個(gè)包含很多方面知識(shí)的問(wèn)卷并通過(guò)在分發(fā)這些問(wèn)卷中收集到我們所需要的知識(shí)。利用細(xì)分其所依賴的和獨(dú)立的因素的應(yīng)用間關(guān)系的方法對(duì)這些數(shù)據(jù)進(jìn)行統(tǒng)計(jì)性地分析。通過(guò)這種方法。我們可以得到哪些因素是關(guān)鍵的。以及價(jià)格依賴其確定的概率。第二步：面談 被詢問(wèn)的專家要求給出在不同情況下用來(lái)評(píng)估商品價(jià)格的原則。通過(guò)在第一步中收集的數(shù)據(jù)和在地二步中專家給出的預(yù)測(cè)商品價(jià)格

4、的原則我們可以獲得訓(xùn)練ANN和FNN模型的數(shù)據(jù)。第三步：建立數(shù)據(jù)庫(kù)。 最近的同類商品銷售的價(jià)格代表了當(dāng)?shù)氐膬r(jià)格層次。因此可以依據(jù)此建立數(shù)據(jù)庫(kù)，并且建立一個(gè)基于模糊神經(jīng)網(wǎng)絡(luò)的知識(shí)庫(kù)。這個(gè)數(shù)據(jù)庫(kù)應(yīng)包括最近才推出的不同類別的同類商品的價(jià)格。第四步：構(gòu)建ANN和FNN模型。 在訓(xùn)練的過(guò)程中根據(jù)我們所收集的數(shù)據(jù)來(lái)調(diào)節(jié)模型的參數(shù)。建立模型模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)有五層組成：第一層為輸入層。它的每個(gè)節(jié)點(diǎn)直接與輸入向量的各分量Xi連接，它起著將輸入值X=x1x2.xnT。傳送到下一層的作用。該層的節(jié)點(diǎn)數(shù)N1=n。第二層每個(gè)節(jié)點(diǎn)代表語(yǔ)言變量值。它的作用是計(jì)算各輸入分量屬于各語(yǔ)言變量值模糊集合的隸屬度函數(shù) ，式子中的

5、i=1,2,.,n;j=1,2,.,mi,mi是xi的模糊分割數(shù)。該層的節(jié)點(diǎn)數(shù)N2= 。 第三層的每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則j它的作用是用來(lái)匹配模糊神經(jīng)網(wǎng)絡(luò)前兩層,計(jì)算出每條規(guī)則的適應(yīng)度,即： aj= , , . , 式中 i1 1,2，.,m1,i2 1,2,.,m2,.,in 1,2,.,mn 該層的節(jié)點(diǎn)數(shù)N3=m= 。建立模型第四層的節(jié)點(diǎn)數(shù)與第三層相同。它所實(shí)現(xiàn)的歸一化計(jì)算。即：第五層是輸出層。即：FNN的商品預(yù)測(cè)模型： 假設(shè)在第一步中我們通過(guò)分析有四個(gè)相互獨(dú)立的因素影響商品價(jià)格。建立模型FNN模型的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：建立模型第一層:輸入實(shí)數(shù)變量xi(i=1,2,3,4)。這些輸入變量是通

6、過(guò)市場(chǎng)調(diào)查并通過(guò)專家評(píng)定的。第二層：計(jì)算各輸入分量屬于各語(yǔ)言變量值模糊集合的隸屬度函數(shù)。每一個(gè)輸入xi有兩個(gè)模糊分割數(shù)。本模型隸屬函數(shù)采用高斯函數(shù)表示的鈴型函數(shù)，則：其中cij和 分別表示隸屬函數(shù)的中心和寬度。（j=1,2）第三層：計(jì)算每條規(guī)則的適應(yīng)度。這個(gè)模型共有2*2*2*2=16條模糊規(guī)則。規(guī)則適應(yīng)度為：i1 1,2，.,m1,i2 1,2,.,m2,.,in 1,2,.,16。當(dāng)隸屬函數(shù)很小時(shí)，近似地取為零，所以aj中只有少量節(jié)點(diǎn)輸出非零，所以可以實(shí)現(xiàn)局部逼近函數(shù)。第四層：歸一化計(jì)算建立模型第五層：輸出結(jié)果其中wj是每條模糊規(guī)則對(duì)應(yīng)于輸出的加權(quán)系數(shù)。小 結(jié)通過(guò)與ANN比較，更加清晰地看到FNN的優(yōu)勢(shì)通過(guò)FNN的