經(jīng)濟神經(jīng)網(wǎng)絡活動分析的論文

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（ann）模型建立經(jīng)濟活動的預測模型的原理和方法，并描述了構筑于神經(jīng)網(wǎng)絡方法之上及其與神經(jīng)網(wǎng)絡方法相結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。關鍵詞經(jīng)濟活動預測

2、模型人工神經(jīng)網(wǎng)絡經(jīng)濟活動諸如商品價格走勢、生產(chǎn)活動的產(chǎn)量預測、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，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（artificialnervenetwork）模型建立經(jīng)濟活動的預測模型的原理和方法，并描述了神經(jīng)網(wǎng)絡與各種先進的建模方法相結合的模型化方法，為經(jīng)濟活動的分析、預測與控制提供了理論基礎。1神經(jīng)網(wǎng)絡模型方法現(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報效果。為揭示隱含于歷史記錄中的復雜非線性關系必須借助更先進的方法人工神經(jīng)網(wǎng)絡(ann)方法。人工神經(jīng)網(wǎng)絡具有并行處理、自適應、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)絡可以逼近所有函數(shù)，這意味著神經(jīng)網(wǎng)絡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)絡這種特性的作用就越明顯。在各類神經(jīng)網(wǎng)絡模型中，bp（backpropagation誤差后向傳播）神經(jīng)網(wǎng)絡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，即建立對應關系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)絡模型，一般選用三層非循環(huán)網(wǎng)絡。假設每層有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)絡輸出與期望輸出（dpj）間誤差為：e=ep=(dpj-opj)2)（2）取bp網(wǎng)絡的權值修正式：wji(t+1

5、)=wji(t)+?濁?啄pj+?琢(wji(t)-wji(t-1)（3）其中，對應輸出單元?啄pj=f,(apj)(dpj-opj)；對應輸入單元?啄pj=f,(apj)?啄pkwkj；?濁是為加快網(wǎng)絡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值對本次權值的影響。bp學習算法的步驟：初始化網(wǎng)絡及學習參數(shù)；提供訓練模式并訓練網(wǎng)絡直到滿足學習要求；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,按權值公式（3）修正權值;返回權值計算公式（3）。b

6、p網(wǎng)絡的學習一般均需多周期迭代，直至網(wǎng)絡輸出與期望輸出間總體的均方根誤差erms達到一定要求方結束。實踐中，bp網(wǎng)絡可能遇到如下問題：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)絡結構及節(jié)點作用函數(shù)不易確定；難以解決應用問題的實例規(guī)模與網(wǎng)絡規(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)絡模型或與之結合的模型創(chuàng)新方法。2灰色神經(jīng)網(wǎng)絡模型灰色預測和神經(jīng)網(wǎng)絡一樣是近年來用于非線性時間序列預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)組合預測理論，建立了兼有gm（1，1）和ann優(yōu)點的最優(yōu)組合預測模型。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)濟預測。首先，建立gm（1，1）模型，設時間序列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)絡模型。第三，將兩模型優(yōu)化組合。設f1是灰色預測值，f2是神經(jīng)網(wǎng)絡預測值，fc是最優(yōu)組合預測值，預測誤差分別為:e1,e2,ec，取w1和w2是相應的權系數(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)對方差公式求關于w1的極小值，并取cov(e1,e2)=0，即可得到組合預測權系數(shù)的值。2基于粗糙集理論的神經(jīng)網(wǎng)絡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，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)絡模型對模型輸入變量的選擇和網(wǎng)絡結構確定等都基本憑經(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，先對各種影響預測的因素變量進行識別，以此確定預測模型的輸入變量；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)則構造神經(jīng)網(wǎng)絡預測模型，并采用加動量項的bp的學習算法對網(wǎng)絡進行優(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)及其相關信息歷史數(shù)據(jù)構造決策表；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束；由選擇的條件屬性變量及其樣本離散化值構造新的決策表，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)絡模型；對神經(jīng)網(wǎng)絡進行訓練；若神經(jīng)網(wǎng)絡擬合誤差滿足要求，則結束，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)?，使網(wǎng)絡結構過于復雜，影響泛化（預測）能力。3小波神經(jīng)網(wǎng)絡模型人工神經(jīng)網(wǎng)絡模型存在的網(wǎng)絡結構及節(jié)點函數(shù)不易確定問題，結合小波分析優(yōu)良的數(shù)據(jù)擬合能力和神經(jīng)網(wǎng)絡的自學習、自適應特性建模，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構，還改變其窗口的大小和形狀。對于函數(shù)f(t)，其局部結構的分辯可以通過調(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)的預測值序列；wk,bk,ak分別為權重系數(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，而人工神經(jīng)網(wǎng)絡是以大量簡單神經(jīng)元的排列模擬人腦的生理結構。二者的融合既具有神經(jīng)網(wǎng)絡強大的計算能力、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)絡的結構。這樣確定的網(wǎng)絡結構成為四層：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)絡輸出。該網(wǎng)絡采用動態(tài)處理法，增強了其處理能力，且適用性強、精度高。5結語除上述幾種結合式神經(jīng)網(wǎng)絡方法之外，人工神經(jīng)網(wǎng)絡模型在算法設計方面一直在取得巨大的進步。神經(jīng)網(wǎng)絡模型方法是一種先