經(jīng)濟(jì)神經(jīng)網(wǎng)絡(luò)活動(dòng)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(xué)樂(lè)施積極進(jìn)?。?yè)眉可刪）經(jīng)濟(jì)神經(jīng)網(wǎng)絡(luò)活動(dòng)分析的論文 摘要經(jīng)濟(jì)活動(dòng)通常表現(xiàn)為復(fù)雜的非線(xiàn)性特性，針對(duì)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(jì)活動(dòng)的預(yù)測(cè)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(jìn)的模型方法，為刻畫(huà)復(fù)雜的、非確定的或信息不完整的經(jīng)濟(jì)活動(dòng)對(duì)象提供了思路。關(guān)鍵詞經(jīng)濟(jì)活動(dòng)預(yù)測(cè)

2、模型人工神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)活動(dòng)諸如商品價(jià)格走勢(shì)、生產(chǎn)活動(dòng)的產(chǎn)量預(yù)測(cè)、加工的投入產(chǎn)出分析、工廠(chǎng)的成本控制等方面都是重要的技術(shù)經(jīng)濟(jì)層面。定量化的經(jīng)濟(jì)活動(dòng)分析是經(jīng)濟(jì)學(xué)研究的必由之路，而建模是量化分析的基礎(chǔ)，這是因?yàn)槟Ｐ蜑榭茖W(xué)分析和質(zhì)量、成本等控制提供了理論依據(jù)。_針對(duì)經(jīng)濟(jì)活動(dòng)中大多數(shù)研究對(duì)象都具有的非線(xiàn)性特點(diǎn)，給出了用人工神經(jīng)網(wǎng)絡(luò)（artificialnervenetwork）模型建立經(jīng)濟(jì)活動(dòng)的預(yù)測(cè)模型的原理和方法，并描述了神經(jīng)網(wǎng)絡(luò)與各種先進(jìn)的建模方法相結(jié)合的模型化方法，為經(jīng)濟(jì)活動(dòng)的分析、預(yù)測(cè)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(shí)的經(jīng)濟(jì)系統(tǒng)是一個(gè)極其復(fù)雜的非線(xiàn)性系統(tǒng)，客觀(guān)上要求建立非線(xiàn)性模型。傳統(tǒng)上

3、使用回歸與自回歸模型刻畫(huà)的都是線(xiàn)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(bào)效果。為揭示隱含于歷史記錄中的復(fù)雜非線(xiàn)性關(guān)系必須借助更先進(jìn)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(cuò)和魯棒性等特點(diǎn)。數(shù)學(xué)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(huà)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(fù)雜，神經(jīng)網(wǎng)絡(luò)這種特性的作用就越明顯。在各類(lèi)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(duì)樣本集進(jìn)行建

4、模，即建立對(duì)應(yīng)關(guān)系rmrn,xkrm,ykrn。數(shù)學(xué)上，就是一個(gè)通過(guò)函數(shù)逼近擬合曲線(xiàn)/曲面的方法，并將之轉(zhuǎn)化為一個(gè)非線(xiàn)性?xún)?yōu)化問(wèn)題來(lái)求解。對(duì)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(gè)處理單元，通常選取連續(xù)可微的非線(xiàn)性作用函數(shù)如sigmoid函數(shù)f(x)=1/(1+e-x)，訓(xùn)練集包括m個(gè)樣本模式(xk,yk)。對(duì)第p個(gè)訓(xùn)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(duì)每個(gè)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(duì)應(yīng)輸出單元?啄pj=f,(apj)(dpj-opj)；對(duì)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(xiàng)，稱(chēng)為趨勢(shì)因子，它決定上一次學(xué)習(xí)權(quán)值對(duì)本次權(quán)值的影響。bp學(xué)習(xí)算法的步驟：初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)；提供訓(xùn)練模式并訓(xùn)練網(wǎng)絡(luò)直到滿(mǎn)足學(xué)習(xí)要求；前向傳播過(guò)程,對(duì)給定訓(xùn)練模式輸入，計(jì)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(guò)程,計(jì)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(jì)算公式（3）。b

6、p網(wǎng)絡(luò)的學(xué)習(xí)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(dá)到一定要求方結(jié)束。實(shí)踐中，bp網(wǎng)絡(luò)可能遇到如下問(wèn)題：局部極小點(diǎn)問(wèn)題；迭代收斂性及收斂速度引起低效率問(wèn)題。此外還有，模型的逼近性質(zhì)差；模型的學(xué)習(xí)誤差大，記憶能力不強(qiáng)；與線(xiàn)性時(shí)序模型一樣，模型網(wǎng)絡(luò)結(jié)構(gòu)及節(jié)點(diǎn)作用函數(shù)不易確定；難以解決應(yīng)用問(wèn)題的實(shí)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(wèn)題，同時(shí)為了更好地面向?qū)嶋H問(wèn)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(cè)和神經(jīng)網(wǎng)絡(luò)一樣是近年來(lái)用于非線(xiàn)性時(shí)間序列預(yù)測(cè)的引人注目的方法，兩種方法在建模時(shí)都不需計(jì)算統(tǒng)計(jì)特征，且理論上可以適

7、用于任何非線(xiàn)性時(shí)間序列的建模?；疑A(yù)測(cè)由于其模型特點(diǎn)，更合用于經(jīng)濟(jì)活動(dòng)中具有指數(shù)增長(zhǎng)趨勢(shì)的問(wèn)題，而對(duì)于其他變化趨勢(shì)，則可能擬合灰度較大，導(dǎo)致精度難于提高。對(duì)于既有隨時(shí)間推移的增長(zhǎng)趨勢(shì)，又有同一季節(jié)的相似波動(dòng)性趨勢(shì)，且增長(zhǎng)趨勢(shì)和波動(dòng)性趨勢(shì)都呈現(xiàn)為一種復(fù)雜的非線(xiàn)性函數(shù)特性的一類(lèi)現(xiàn)實(shí)問(wèn)題，根據(jù)人工神經(jīng)網(wǎng)絡(luò)具有較好的描述復(fù)雜非線(xiàn)性函數(shù)能力特點(diǎn)，用其對(duì)季節(jié)性建模；最后根據(jù)最優(yōu)組合預(yù)測(cè)理論，建立了兼有g(shù)m（1，1）和ann優(yōu)點(diǎn)的最優(yōu)組合預(yù)測(cè)模型。該模型能夠同時(shí)反映季節(jié)性時(shí)間序列的增長(zhǎng)趨勢(shì)性和同季波動(dòng)性的雙重特性，適用于一般具有季節(jié)性特點(diǎn)的經(jīng)濟(jì)預(yù)測(cè)。首先，建立gm（1，1）模型，設(shè)時(shí)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(xiàn)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(cè)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(cè)值，f2是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值，fc是最優(yōu)組合預(yù)測(cè)值，預(yù)測(cè)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(duì)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(cè)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(shí)不完全和不確定問(wèn)題的方法。模糊集理論在利用隸屬函數(shù)表達(dá)不確定性時(shí)，為定義一個(gè)合適的隸屬函數(shù)，需要人工干預(yù)，因而有主觀(guān)性。而粗糙集理論由粗糙度表示知識(shí)的不完全程度，是通過(guò)表達(dá)知識(shí)不精確性的概念計(jì)算得到的，是客觀(guān)的，并不需要先驗(yàn)知識(shí)。粗糙集通過(guò)定義信息熵并進(jìn)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(lái)說(shuō)，bp神經(jīng)網(wǎng)絡(luò)模型對(duì)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(yàn)或通過(guò)反復(fù)試驗(yàn)確定，這種方法的盲目性會(huì)導(dǎo)致模型質(zhì)量變差。用粗糙集理論指導(dǎo)，先對(duì)各種影響預(yù)測(cè)的因素變量進(jìn)行識(shí)別，以此確定預(yù)測(cè)模型的輸入變量；再通過(guò)屬性約簡(jiǎn)和屬性值約簡(jiǎn)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(cè)模型，并采用加動(dòng)量項(xiàng)的bp的學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)進(jìn)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(duì)決策表的決策屬性變量按劃分值域?yàn)閚個(gè)區(qū)域的方式離散化；采用基于斷點(diǎn)重要性的粗糙集離散化算法選擇條件屬性變量和斷點(diǎn)（

11、分點(diǎn)），同時(shí)計(jì)算決策表相容度，當(dāng)決策表相容度為1或不再增加時(shí)，則選擇條件屬性變量和分點(diǎn)過(guò)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(duì)其約簡(jiǎn)，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(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；若神經(jīng)網(wǎng)絡(luò)擬合誤差滿(mǎn)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(huì)使得擬合不夠，n太大，即輸出空間分得太細(xì)，會(huì)導(dǎo)致過(guò)多的區(qū)域?qū)?yīng)，使網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于復(fù)雜，影響泛化（預(yù)測(cè)）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(diǎn)函數(shù)不易確定問(wèn)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(xué)習(xí)、自適應(yīng)特性建模，即用非線(xiàn)性小波基取代通常的非線(xiàn)性s型函數(shù)。設(shè)非線(xiàn)性時(shí)

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(chēng)為由母小波?漬t（定義為滿(mǎn)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(lài)于參數(shù)a、b的連續(xù)小波，也稱(chēng)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(duì)于函數(shù)f(t)，其局部結(jié)構(gòu)的分辯可以通過(guò)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(lái)實(shí)現(xiàn)。用小波級(jí)數(shù)的有限項(xiàng)來(lái)逼近時(shí)序函數(shù)，即：(t)=wk?漬()（7）式中(t)，為時(shí)間序列y(t)的預(yù)測(cè)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(gè)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(guò)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(jiǎn)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(qiáng)大的計(jì)算能力、容錯(cuò)性和學(xué)習(xí)能力，又有對(duì)于不確定、不精確信息的處理能力，即同時(shí)具有底層的數(shù)據(jù)處理、學(xué)習(xí)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(lèi)用來(lái)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(duì)輸入做模糊化處理；第三層為模糊推理層，對(duì)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(dòng)態(tài)處理法，增強(qiáng)了其處理能力，且適用性強(qiáng)、精度高。5結(jié)語(yǔ)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(jì)方面一直在取得巨大的進(jìn)步。神經(jīng)網(wǎng)絡(luò)模型方法是一種先