基于BP神經(jīng)網(wǎng)絡預測模型指南

1、基于BP神經(jīng)網(wǎng)絡的國際黃金價格預測模型公文易文秘資源網(wǎng)顧孟鈞 張志和 陳友 2009-1-2 13:35:26 我要投稿|鼻|添加到百度搜藏摘要為了尋找國際黃金價格與道瓊斯工業(yè)指數(shù)、美國消費者指數(shù)，國際黃金儲備等因素之間的內(nèi)在關系，本文對1972年2006年間的各項數(shù)據(jù)首先進行歸一化處理，利用MATLAB神經(jīng)網(wǎng)絡工具箱進行模擬訓練，建立了基于 BP神經(jīng)網(wǎng)絡的國際黃金價格預測模型 摘要為了尋找國際黃金價格與道瓊斯工業(yè)指數(shù)、美國消費者指數(shù)，國際黃金儲備等因素之間的內(nèi)在關系， 本文對1972年2006年間的各項數(shù)據(jù)首先進行歸一 化處理，利用 MATLAB神經(jīng)網(wǎng)絡工具箱進行模擬訓練，建立了基于BP神經(jīng)

2、網(wǎng)絡的國際黃金價格預測模型。關鍵詞MATLAB BP神經(jīng)網(wǎng)絡預測模型數(shù)據(jù)歸一化一、引言自20世紀70年代初以來的30多年里，世界黃金價格出現(xiàn)了令人瞠目的劇烈變動。20世紀70年代初，每盎司黃金價格僅為 30多美元。80年代初，黃金暴漲到每盎司近 700美元。 本世紀初，黃金價格處于每盎司 270美元左右,此后逐年攀升，到2006年5月12日達到了 26 年高點，每盎司730美元，此后又暴跌，僅一個月時間內(nèi)就下跌了約160美元，跌幅高達21.9%。最近兩年，黃金價格一度沖高到每盎司900多美元。黃金價格起伏如此之大，本文根據(jù)國際黃金價格的影響因素，通過BP神經(jīng)網(wǎng)絡預測模型來預測長期黃金價格。二、

3、影響因素劉曙光和胡再勇證實將觀察期延長為1972年2006年時,則影響黃金價格的主要因素擴展至包含道瓊斯指數(shù)、美國消費者價格指數(shù)、美元名義有效匯率、美國聯(lián)邦基金利率和世 界黃金儲備5個因素。本文利用此觀點，根據(jù)1972年2006年各因素的值來建立神經(jīng)網(wǎng)絡預測模型。三、模型構建1模型選擇：BP網(wǎng)絡具有理論上能逼近任意非線性函數(shù)的能力，將輸入模式映射到輸 出模式，只需用已知的模式訓練網(wǎng)絡，通過學習，網(wǎng)絡就有了這種映射能力。2樣本數(shù)據(jù)歸一化：在訓練前，對數(shù)據(jù)進行歸一化處理，把輸入向量和輸出向量的取值 范圍都歸一到0, 1。3. BP網(wǎng)絡設計：采用單隱層的BP網(wǎng)絡進行預測，由于輸入樣本為5維的輸入向量

4、，因此輸入層一共有5個神經(jīng)元，中間層取 20個神經(jīng)元，輸出層一個神經(jīng)元（即黃金價格）， 網(wǎng)絡為5*20*1的結構。中間層的傳遞函數(shù)為S型正切函數(shù)，輸出層為S型對數(shù)函數(shù)。中間層的神經(jīng)元個數(shù)很難確定，測試時分別對12，15, 20個數(shù)進行測試，尋找誤差最小的。4. 網(wǎng)絡訓練：訓練次數(shù)epochs5000訓練目標goal 0.001對30個樣本數(shù)據(jù)進行訓練，經(jīng)過1818次的訓練，目標誤差達到要求，如圖2所示：5網(wǎng)絡測試：02 t I0 | *! * .0 I |4) 2Q 3VE* *%*Ui- i&fA* L“ i 丄恤jSBMBBLJbJl1I S32 S3 ft44 ftftH9 3 9ij|

5、祺羞對比db皴神經(jīng)元個數(shù)為20個時誤差最小，此時網(wǎng)絡的仿真結果如圖3所示，預測精度80%以上,效果滿意。表仿真結果表四、結論在對1976年2006年的影響國際黃金價格的五種因素的數(shù)據(jù)進行歸一化處理后，用MATLAB建立的BP神經(jīng)網(wǎng)絡預測模型進行預測，達到了很好的效果。國際黃金的長期價格受到許多因素的影響，本文只是對道瓊斯工業(yè)指數(shù)等影響因素諸如分析，來預測長期的國際金價。還有其他因素，如國際油價，局部政治因素等，如果考慮進 去，預測精度會進一步提高。參考文獻：1 徐優(yōu)麗：基于神經(jīng)網(wǎng)絡的物流需求預測浙江樹人大學學報，2008(01):56582 劉曙光胡再勇：黃金價格的長期決定因素穩(wěn)定性分析世界經(jīng)

6、濟研究,2008(02):3541基于BP神經(jīng)網(wǎng)絡的中國鐵礦石需求量預測3來源：國土資源情報 作者：郭娟 發(fā)布時間：2009.03.04摘要：鐵礦石作為國民經(jīng)濟發(fā)展的基礎原料之一，在我國目前工業(yè)化全面發(fā)展的時期， 正處于高消耗的狀態(tài)首先，本文根據(jù)歷年我國鐵礦石的產(chǎn)量和進口量，對我國鐵礦石的需求量進行了估算；然后運用 Matlab工具，對鐵礦石的需求量進行分析模擬，建立了神經(jīng)網(wǎng)絡模型；最 后，對中國未來鐵礦石需求進行了初步預測預測表明，中國鐵礦石需求將在2012-2015年達到高峰期。關鍵詞：鐵礦石需求量 神經(jīng)網(wǎng)絡咼峰一、引言伴隨我國工業(yè)化、城鎮(zhèn)化進程的不斷推進，鋼鐵F業(yè)迅速發(fā)展，國民經(jīng)濟對鋼鐵

7、的需求量不斷增加，相應地對鐵礦石需求量也在大幅上升，從而給我國鐵礦石的生產(chǎn)帶來了巨大的壓力。為了滿足鐵礦石消費量持續(xù)增長的需求，我國鐵礦石產(chǎn)量一路飄升，從1978年到2007年，鐵礦石產(chǎn)量從1.18億噸增長到了 7.07億噸，增長了 5倍。2007年我國鐵礦石產(chǎn)量占世界鐵礦石總 產(chǎn)量的20%是世界上最大的鐵礦石生產(chǎn)國。但是，鐵礦石產(chǎn)量增長仍遠遠跟不上需求的增長。繼2003年我國鐵礦石進口量(1.48億噸)超越日本、歐盟成為全球最大的鐵礦石進口國后，進 口鐵礦占全球海運貿(mào)易量的比例不斷加大。1978-2007年的30年間，中國進口鐵礦石從 802.02萬噸增長到3.83億噸，翻了 45倍。、BP

8、神經(jīng)網(wǎng)絡概述 神經(jīng)網(wǎng)絡是20世紀40年代新興起來的一種預決策技術，因其具有極強的非線性動態(tài)處理能力，強大的自適應、自學習功能而被廣泛應用于不同領域。在眾多神經(jīng)網(wǎng)絡中，BP神經(jīng)網(wǎng)絡是最具代表性和應用最為廣泛的一種網(wǎng)絡模型1，其功能也發(fā)展得最全面和完整，因此本文運用BP神經(jīng)網(wǎng)絡的方法建立鐵礦石需求模型，并利用該模型對鐵礦石需求量進行預測。BP神經(jīng)網(wǎng)絡是誤差反向傳播的多層前饋網(wǎng)絡，它可以任意精度逼近任意的連續(xù)函數(shù)，主 要應用于非線性建模函數(shù)逼近模式分類等力面。BP神經(jīng)網(wǎng)絡由輸人層、隱含層、輸岀層組成。以帶一個隱含層的 BP神經(jīng)網(wǎng)絡為例，網(wǎng)絡的一般結構見圖1。在BP神經(jīng)網(wǎng)絡中，信號由輸人單向傳至輸岀，

9、且同一層的神經(jīng)元之間互不傳遞信號2。每個神經(jīng)元與相鄰層的所有神經(jīng)元相連。某一層的神經(jīng)元的輸出值通過連接權系數(shù)的加強或抑制傳輸?shù)较乱粚拥纳窠?jīng)元。除了輸入層外， 每一神經(jīng)元的輸人為前一層所有神經(jīng)元之輸岀值的加權和。圖2給岀了一個基本的 BP神經(jīng)元模型，它具有R個輸入，每個輸入都通過一個適當?shù)臋嘀?、與神經(jīng)元相連，神經(jīng)元的輸岀可表示成3圖2墓本的神經(jīng)元幢S3三、鐵礦石需求量的BP神經(jīng)網(wǎng)絡預測模型的建立和Matlab實現(xiàn)1989年Robert Hecht-Nielson證明了對于任何在閉區(qū)間的一個連續(xù)函數(shù)都可以用一個隱含層的BP網(wǎng)絡來逼近，因而一個3層的BP網(wǎng)絡可以完成任意的N維到M維的映射，所以本文采

10、用3層BP神經(jīng)網(wǎng)絡。1 樣本數(shù)據(jù)處理對鐵礦石的消費量，我們用國產(chǎn)原礦產(chǎn)量加凈進口量來估算，由于我國鐵礦石基本沒有對外岀口，鐵礦石消費量約等于國產(chǎn)原礦產(chǎn)量加進口量的總和。本文鐵礦石消費量按65%成品礦在35%左右，按品位折合為成品礦時，換算系數(shù)約為0.5。1981-2007年我國鐵礦石消費量計算結果見表1 1V* rE nt*翁；齊 曲rt-m 口“W41MI.B2-siii1他IW31133*+ltul-mHllKH4i俯inU段期MVT-MasmIlSm191 IM陽i3J72J畑*:L13t哄I何冊側(cè)RftiDdWTIdTIW博彌如miJdKI2IIlllHti比站minm11I49JHl

11、?Hll仙觸MM冋Mrw?網(wǎng)EMiaiib-mAmidmi314913M呂如胞MB宦atomJHI72r?1KWl*WI2. BP網(wǎng)絡結構設計輸入層：根據(jù)鐵礦石產(chǎn)量數(shù)據(jù)的特點以及我國進行5年規(guī)劃的慣例，選擇輸入層神經(jīng)元個數(shù)為5。即用1981-1985年的國內(nèi)鐵礦石需求量作為網(wǎng)絡的輸人，1986年的國內(nèi)鐵礦石需求量作為輸岀，依此類推，就得到 22組數(shù)據(jù)。輸岀層：由于輸岀的結果只有一個指標，即鐵礦石需求量，因此取輸岀節(jié)點數(shù)為1。隱含層：理論分析表明，具有單隱層的前向網(wǎng)絡可以以任意精度映射任何的連續(xù)函數(shù)，本研究選用只有一個隱層的前向網(wǎng)絡， 而對于隱含層節(jié)點數(shù)使用經(jīng)驗公式skx m/(m+n)來確定5

12、。其中：m為輸入層節(jié)點數(shù)，取 5； n為輸岀層節(jié)點數(shù)，取 1 ； k為學習樣本個數(shù)，取 22。由此可以 計算岀網(wǎng)絡隱含層節(jié)點數(shù)為 19個。傳遞函數(shù)：一個神經(jīng)網(wǎng)絡，如果第一層是S型函數(shù)，而第二層是線形函數(shù)，就可以用來模擬任何函數(shù)(必須是連續(xù)有界的)。因此，確定隱含層傳遞函數(shù)為S型函數(shù)“tan sig，輸岀層傳遞函數(shù)為線形函數(shù)purelin ”。訓練函數(shù)：為了確定最快捷準確的訓練函數(shù)，本文采用比較法來確定。利用Matlab中常用的訓練函數(shù)訓練網(wǎng)絡，得到不同函數(shù)的訓練結果，最終確定采用丄evenberg Marquart算法， 如表2所示。kiKriiFrIMMV帕TRJlMjOQjWIM耐 VNi

13、g4 AHI祈n遇總爭刊常初址m陀酣era和肚IWnmwTRaMLM蝕權1UINCI3-從表2中可以看岀，trainlm ()函數(shù)的迭代次數(shù)最少，收斂精度最高，故采用LevenbergMarquart算法是最為快速和精確的。3. BP網(wǎng)絡建立及訓練利用Matlab中的神經(jīng)網(wǎng)絡工具箱，可方便地直接在 Matlab中調(diào)用相關函數(shù)實現(xiàn)BP網(wǎng)絡模型的學習、訓練、擬合及預測(仿真)過程。具體步驟為：第一步，數(shù)據(jù)歸一化。為了在Matlab中計算的方便，在網(wǎng)絡建立之前，需要對數(shù)據(jù)的大小進行歸一化處理。本文采用的是-1,1歸一化，利用 Matlab工具箱中的 Premnmx()函數(shù)把數(shù)據(jù)歸一化為單位方差和零均

14、值，這相當于把原始數(shù)據(jù)看成服從正態(tài)分布。第二步，建立網(wǎng)絡。數(shù)據(jù)歸一化后，通過newff ()函數(shù)并使用選定的訓練函數(shù)trainlm()，生成了一個前饋的5-19-1的二層BP神經(jīng)網(wǎng)絡。第三步，訓練網(wǎng)絡。通過 train ()函數(shù)對已生成的網(wǎng)絡進行學習訓練，學習步長設為200個周期，目標誤差設為0.001，學習速度設為 0.05并每隔20步顯示一次結果。訓練結果表明，訓練從第三個周期開始，誤差小于目標誤差，誤差平方和的均值為0.000281，此時停止訓練。第四步，網(wǎng)絡仿真模擬及數(shù)據(jù)還原。將經(jīng)過歸一化處理過的樣本數(shù)據(jù)帶人已訓練的網(wǎng)絡進 行仿真模擬，此過程通過Matlab工具箱中的sim()函數(shù)來實

15、現(xiàn)。最后將運算結果通過Postmnmx()函數(shù)進行反歸一化處理，從而得到有效的預測值。4. BP網(wǎng)絡模型檢驗把1981-2007年的中國鐵礦石消費量數(shù)據(jù)帶人已訓練好的模型，通過仿真模擬和數(shù)據(jù)的反歸一化處理，可以得到 1986-2007年鐵礦石需求量的預測值，(見表 3)。從表中可以看岀， 誤差百分比小于 6%的有19項，占86.36% ;大于6%的有2項，占13.64%。說明鐵礦石需求預測 的神經(jīng)網(wǎng)絡模型誤差很小，該模型的泛化能力較好，模擬的結果比較可靠。ett氏甘nIU?；韒uUJIpit11.11%IW?W|.IKM林mi畑d9M-廟怙1確HW4輕Wl31134IHIWIWI初叭iwWLM

16、lmri如1朋1柯imloOHIII帥MD4鋼IMyu113砂IMlldlim列1佃口泗如廿451iwl枠|swsAMniKRC丼4kJ刪goIQ昨llii鄧k.lf%1刪!IJIH奶雅均曲41a.w%陽ISSJH3甲-IBO.2FXiTEIIil3*72SH2嚴Ell-ZE4.3BS四、鐵礦石需求量的BP神經(jīng)網(wǎng)絡預測分析把2003-2007年中國鐵礦石消費量的實際數(shù)據(jù)作為訓練好的神經(jīng)網(wǎng)絡的輸人，得到2008年需求量預測值。將2004-2007年實際數(shù)據(jù)以及 2008年的預測結果作為輸入，得到2009年預測值，依此類推，可以得到2008-2015年中國鐵礦石需求量的預測結果，如表4所示。從表中

17、可以看岀，中國鐵礦石需求量2008-2011年持續(xù)上升，2008年為78854萬噸，2010年為86713萬噸。2012-2015年中國鐵礦石需求量進人高峰階段，為87828萬-90379萬噸。21XM少沽聲璽31錢于石拈棗樽址網(wǎng)絡HL測廈VdiHrtWKMlMil1132014筑1*他雋琳羋対.14甜站J齡TH40OJ4JMW閹1 I*叭一列1?.卑牧忒石蟲實価片旳測也視國圖3是中國鐵礦石需求預測模型的真實值和預測曲線圖，從圖中可以看岀，運用BP神經(jīng)網(wǎng)絡仿真的效果十分理想，訓練后的BP網(wǎng)絡能很好地逼近給定的目標函數(shù)。從圖3中同時可以看出， 2008-2011 年未來 4 年中國鐵礦石需求呈上

18、升趨勢，但增幅將會下降；2012-2015 年進人鐵礦石需求高峰階段，鐵礦石需求趨于平緩。預測結果中2012-2015 年我國鐵礦石需求出現(xiàn)小幅波動， 這主要是由于受美國次貸危機的影響世界經(jīng)濟出現(xiàn)下滑， 我國經(jīng)濟受世界經(jīng)濟的影響 所致。五、結論本文的應用研究主要是以1981-2007 年鐵礦石消費量的數(shù)據(jù)為基礎，運用BP 神經(jīng)網(wǎng)絡建立預測模型，并結合 Matlab 提供的神經(jīng)網(wǎng)絡工具箱對算法進行實現(xiàn)。經(jīng)過對歷年鐵礦石消費 量的分析，合理地設計了 BP神經(jīng)網(wǎng)絡的結構。同時，通過比較 Matlab中神經(jīng)網(wǎng)絡訓練函數(shù)的訓 練步數(shù)、收斂精度及誤差，反復訓練確定了最佳的BP神經(jīng)網(wǎng)絡訓練函數(shù)，合理地確定了最優(yōu)的鐵礦石需求量 BP網(wǎng)絡模型，取得了一定的定量分析結果。從預測結果可以得岀，我國鐵礦石需 求量 2008-2011 年將持續(xù)上升，但增長幅度放緩，2012-2015 年進人鐵礦石需求高峰階段。參考文獻1趙志勇等基于 MATLAB勺BP神經(jīng)網(wǎng)絡計算鐵礦產(chǎn)品成本.河北理工學院學報，2003(4):78-792Dennis Olson,Ch