導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇神經(jīng)網(wǎng)絡(luò)回歸算法，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：回歸神經(jīng)網(wǎng)絡(luò)；時(shí)間序列；數(shù)據(jù)預(yù)測(cè)；歸一化方法

中圖分類(lèi)號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）07-1508-03

在工業(yè)、氣象、金融、地理、醫(yī)藥、交通、環(huán)境等領(lǐng)域，都存在大量需要進(jìn)行分析與處理的數(shù)據(jù)信息，在對(duì)這些數(shù)據(jù)信息進(jìn)行挖掘分析的過(guò)程中，為了能提高分析效能與提高分析性能，在進(jìn)行數(shù)據(jù)分析初期階段需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，將原始數(shù)據(jù)值通過(guò)某種算法轉(zhuǎn)化為所需分布范圍數(shù)據(jù)，即數(shù)據(jù)標(biāo)準(zhǔn)化處理。

利用神經(jīng)網(wǎng)絡(luò)模型來(lái)進(jìn)時(shí)間序列數(shù)據(jù)趨勢(shì)預(yù)測(cè)是一個(gè)已經(jīng)開(kāi)展了很長(zhǎng)時(shí)間研究的熱門(mén)話(huà)題，這方面也有了許多研究成果。Connor[1]等運(yùn)用非線(xiàn)性自回歸平均移動(dòng)預(yù)測(cè)模型來(lái)進(jìn)行時(shí)間序列問(wèn)題魯棒預(yù)測(cè)，cheung[2]等運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)未來(lái)的金融數(shù)據(jù)進(jìn)行預(yù)測(cè)，Wang[3]等設(shè)計(jì)出一種基于回歸神經(jīng)網(wǎng)絡(luò)的多維并行預(yù)測(cè)模型，文獻(xiàn)[4] 采用基于自回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行多維動(dòng)態(tài)預(yù)測(cè)。在運(yùn)用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行趨勢(shì)預(yù)測(cè)時(shí)，需要對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行缺失值及數(shù)據(jù)標(biāo)準(zhǔn)化處理，下文運(yùn)用多維動(dòng)態(tài)預(yù)測(cè)模型對(duì)幾種常見(jiàn)的數(shù)據(jù)歸一化方法進(jìn)行分析。

1 回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

圖一為基于回歸神經(jīng)網(wǎng)絡(luò)的多維動(dòng)態(tài)預(yù)測(cè)模型[5]。網(wǎng)絡(luò)模型分為輸入層、分配層、隱層與輸出層四層；隱層為具有延遲一步功能的反饋單元，作用函數(shù)為Sigmoid函數(shù)，輸出層作用函數(shù)為線(xiàn)性累加函數(shù)。

2 數(shù)據(jù)歸一化方法

數(shù)據(jù)歸一化方法很多，用的較多的有線(xiàn)性歸一化與非線(xiàn)性歸一化兩種方法。線(xiàn)性歸一化方法主要運(yùn)用極值或則均值通過(guò)線(xiàn)性運(yùn)算公式對(duì)原始數(shù)據(jù)進(jìn)行運(yùn)算，將數(shù)據(jù)轉(zhuǎn)換為[-1，1]區(qū)間內(nèi)的數(shù)值；非線(xiàn)性歸一化方法主要運(yùn)用一些非線(xiàn)性行數(shù)對(duì)原始數(shù)據(jù)進(jìn)行運(yùn)算，將數(shù)據(jù)轉(zhuǎn)換為一定分布范圍數(shù)據(jù)。

從實(shí)驗(yàn)結(jié)果來(lái)看，初始數(shù)據(jù)的歸一化處理方法對(duì)自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)性能有明顯的影響，線(xiàn)性歸一化方法中最大值運(yùn)算法要優(yōu)于最大最小值法；非線(xiàn)性歸一化方法中，對(duì)數(shù)運(yùn)算法優(yōu)于反正切運(yùn)算法，總體來(lái)看，運(yùn)用最大值運(yùn)算法對(duì)初始數(shù)據(jù)進(jìn)行歸一化標(biāo)準(zhǔn)化處理適合于自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

4 結(jié)論

通過(guò)運(yùn)用基于自回歸神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)預(yù)測(cè)模型來(lái)分析幾種常見(jiàn)數(shù)據(jù)歸一化方法對(duì)模型預(yù)測(cè)性能的影響，結(jié)果表明，數(shù)據(jù)歸一化方法的選擇會(huì)對(duì)自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型性能有明顯影響；對(duì)于自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，運(yùn)用最大值運(yùn)算法來(lái)進(jìn)行數(shù)據(jù)歸一化處理要優(yōu)于其它幾種常見(jiàn)方法。

參考文獻(xiàn)：

[1] Connor J T，Martin R. D，Atlas L E.Recurrent neural networks and robust time series prediction[J].In IEEE Trans. on neural networks，1994（5）：240–254.

[2] Cheung Y M，Leung W M，Xu L.A RPCL-CLP architeeture for finaneial time series forecasting[C].Proceedings of IEEE International Conference on Neural Network，1995，2：829-832.

篇2

摘要目前，神經(jīng)計(jì)算及其應(yīng)用已經(jīng)滲透到多個(gè)學(xué)科，并在信號(hào)處理、智能控制、模式識(shí)別、機(jī)器視覺(jué)、非線(xiàn)性?xún)?yōu)化、自動(dòng)目標(biāo)識(shí)別、知識(shí)處理、遙感技術(shù)等領(lǐng)域取得了豐碩的成果。神經(jīng)計(jì)算不僅是科學(xué)家的興趣所在，還受到了各國(guó)政府和軍隊(duì)等權(quán)力部門(mén)的密切關(guān)注，世界上許多國(guó)家和地區(qū)的政府及工業(yè)界都十分關(guān)注并積極投資神經(jīng)計(jì)算技術(shù)的研究，其進(jìn)展不僅將促進(jìn)科學(xué)和技術(shù)的進(jìn)步，還會(huì)對(duì)各國(guó)的國(guó)力產(chǎn)生一定的影響。

本文針對(duì)神經(jīng)計(jì)算中亟需解決的5個(gè)問(wèn)題進(jìn)行了研究，包括加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度、增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可理解性、設(shè)計(jì)出易于使用的工程化神經(jīng)計(jì)算方法、更好地模擬生物神經(jīng)系統(tǒng)以及將神經(jīng)計(jì)算與傳統(tǒng)人工智能技術(shù)相結(jié)合。本文的創(chuàng)造性研究成果主要有：

(1)提出了一個(gè)快速神經(jīng)分類(lèi)器FAC和一個(gè)快速神經(jīng)回歸估計(jì)器FANRE，實(shí)驗(yàn)結(jié)果表明，這兩個(gè)算法學(xué)習(xí)速度快、歸納能力強(qiáng)，在性能上明顯優(yōu)于目前常用的一些神經(jīng)網(wǎng)絡(luò)分類(lèi)學(xué)習(xí)算法和回歸估計(jì)算法。在此基礎(chǔ)上，成功地將FAC應(yīng)用于石油勘探巖性識(shí)別領(lǐng)域。

(2)提出了一個(gè)神經(jīng)網(wǎng)絡(luò)規(guī)則抽取算法STARE，實(shí)驗(yàn)結(jié)果表明，STARE可以從訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中抽取出保真度高、精確、簡(jiǎn)潔的符號(hào)規(guī)則，從而較好地增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可理解性。在此基礎(chǔ)上，提出了一個(gè)基于神經(jīng)計(jì)算的分類(lèi)規(guī)則挖掘框架NEUCRUM，并成功地將其應(yīng)用于臺(tái)風(fēng)預(yù)報(bào)領(lǐng)域。

(3)提出了一種基于遺傳算法的選擇性神經(jīng)網(wǎng)絡(luò)集成方法GASEN，實(shí)驗(yàn)結(jié)果表明，GASEN的性能優(yōu)于目前常用的一些方法。設(shè)計(jì)了一種多視角神經(jīng)網(wǎng)絡(luò)集成方法VS，將神經(jīng)網(wǎng)絡(luò)集成應(yīng)用于多視角人臉識(shí)別，不需進(jìn)行偏轉(zhuǎn)角度預(yù)估計(jì)就能取得很高的識(shí)別精度。設(shè)計(jì)了一種新型結(jié)論組合方法和一種二級(jí)集成結(jié)構(gòu)，將神經(jīng)網(wǎng)絡(luò)集成應(yīng)用于肺癌細(xì)胞識(shí)別，并嵌入到肺癌早期診斷系統(tǒng)LCDS中，大大降低了肺癌細(xì)胞的漏識(shí)率。

(4)針對(duì)前饋網(wǎng)絡(luò)的單點(diǎn)斷路故障，提出了一種基于遺傳算法的進(jìn)化容錯(cuò)神經(jīng)網(wǎng)絡(luò)方法EFANET，實(shí)驗(yàn)結(jié)果表明，該方法不僅可以進(jìn)化出容錯(cuò)性好、泛化能力強(qiáng)的網(wǎng)絡(luò)，還較好地保持了網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練算法與容錯(cuò)處理的獨(dú)立性。針對(duì)前饋網(wǎng)絡(luò)的多點(diǎn)斷路故障，提出了一種三階段方法T3，并將其應(yīng)用于FAC網(wǎng)絡(luò)，實(shí)驗(yàn)結(jié)果表明，T3方法可以較好地在網(wǎng)絡(luò)容錯(cuò)能力與結(jié)構(gòu)復(fù)雜度之間達(dá)成折衷。

(5)提出了一種結(jié)合決策樹(shù)與前饋神經(jīng)網(wǎng)絡(luò)的混合決策樹(shù)方法HDT，描述了樹(shù)的生長(zhǎng)算法和神經(jīng)處理機(jī)制。對(duì)增量學(xué)習(xí)和構(gòu)造性歸納進(jìn)行了研究，界定了三種不同的增量學(xué)習(xí)問(wèn)題的概念，并給出了HDT的增量學(xué)習(xí)和構(gòu)造性歸納算法。實(shí)驗(yàn)結(jié)果表明，HDT及其增量學(xué)習(xí)、構(gòu)造性歸納算法都具有很好的性能。此外，還成功地將HDT應(yīng)用于情報(bào)軟件故障診斷。

關(guān)鍵詞：神經(jīng)計(jì)算，神經(jīng)網(wǎng)絡(luò)，機(jī)器學(xué)習(xí)，快速學(xué)習(xí)，規(guī)則抽取，集成，容錯(cuò)神經(jīng)網(wǎng)絡(luò)，混合學(xué)習(xí)，增量學(xué)習(xí)，構(gòu)造性歸納，決策樹(shù)，知識(shí)獲取，數(shù)據(jù)挖掘，遺傳算法，進(jìn)化計(jì)算，斷路故障，人臉識(shí)別，計(jì)算機(jī)輔助醫(yī)療診斷，巖性識(shí)別，故障診斷

ContributiotoSeveralIuesofNeuralComputing

Neuralcomputinganditsalicatiohavealreadycomeintomanydisciplinesandachievedplentifulfruitsindiversifiedfields,includingsignalproceing,intelligentcontrolling,patternrecognition,machinevision,nonlinearoptimization,automatictargetidentification,knowledgeproceing,remoteseing,etc.Ithasbecomenotonlythetastesofscientistsbutalsotheinterestsofgovernmentsandforces.Thegovernmentsandindustrialcommunitiesofmanycountries/regioaresokeenonneuralcomputingtechniquesthattheyhaveinvestedalargeamountofmoneyoncorreondingresearch.Thereforetheprogreofneuralcomputingwillnotonlypromotethedevelopmentofscienceandtechnologybutalsoinfluencethenationalpowers.

Inthisdiertation,5problemsstandinginneedofsolutioareinvestigated,whichincludesexpeditingthelearningeedofneuralnetworks,improvingthecompreheibilityofneuralnetworks,designingengineeringneuralcomputingmethodsthatareeasytouse,simulatingbiologicalneuralsystemsmorebetterthanever,andcombiningneuralcomputingwithtraditionalartificialintelligencetechniques.Themaincontributioofthisdiertationaresummarizedasfollows:

Firstly,afastneuralclaifiernamedFACandafastneuralregreionestimatornamedFANREareproposed.Experimentalresultsshowthatthosetwoalgorithmsthathavefastlearningabilityandstronggeneralizationabilityreectivelyoutperformsomeprevailingneuralclaificationalgorithmsandneuralregreionestimationalgorithmsatpresent.Besides,FACissuccefullyaliedinlithologyidentificationofoilexploration.

Secondly,aneuralnetworkruleextractionalgorithmnamedSTAREisproposed.ExperimentalresultsshowthatSTAREcanextractaccurateandcompactsymbolicrulesthathavehighfidelity,sothatthecompreheibilityoftrainedneuralnetworksareimproved.Additionally,aneuralcomputingbasedclaificationrulemi ningframeworknamedNEUCRUMisproposedandsuccefullyaliedtotyphoonforecastingdomain.

Thirdly,ageneticalgorithmbasedselectiveneuralnetworkeemblearoachnamedGASENisproposed.ExperimentalresultsshowthatGASENoutperformspopulareemblearoachesatpresent.Then,aviewecificeemblearoachnamedVSisdevelopedtoalyneuralnetworkeembletoviewinvariantfacerecognition,whichhastheabilityofperforminghighqualityrecognitionwithoutviewpre-estimation.Moreover,bothanoveloutput-combiningmethodandauniquetwo-layer-eemblearchitecturearedesigned,sothatneuralnetworkeembleisembeddedinthelungcancerearlystagediagnosissystemLCDStoperformlungcancercellidentification,whichgreatlylowerstherateofmiedidentificationoflungcancercells.

Fourthly,ageneticalgorithmbasedaroachnamedEFANETthatevolvesfault-tolerantneuralnetworksforsingle-nodeopenfaultisproposed.ExperimentalresultsshowthatEFANETcanevolveneuralnetworkswithbothrobustfault-tolerantabilityandstronggeneralizationabilitywhilekeepingtheindependenceamongnetworktopology,trainingalgorithm,andfault-tolerantproceing.Besides,athree-phrasearoachnamedT3isproposedformulti-nodeopenfault,whichhasbeenaliedtoFAC.ExperimentalresultsshowthatT3cantradeoffthefault-tolerantabilityandstructuralcomplexityoftheneuralnetwork.

篇3

關(guān)鍵詞： 電力負(fù)荷；Elman網(wǎng)絡(luò)；BP網(wǎng)絡(luò)；預(yù)測(cè)

中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）16-3871-04

電力系統(tǒng)時(shí)序負(fù)荷的準(zhǔn)確預(yù)測(cè)是實(shí)現(xiàn)現(xiàn)代控制的前提之一，也是電力系統(tǒng)規(guī)劃和運(yùn)行研究的重要內(nèi)容。負(fù)荷預(yù)測(cè)是從已知的用電需求出發(fā)，考慮政治、經(jīng)濟(jì)、氣候等相關(guān)因素，對(duì)未來(lái)的用電需求作出的預(yù)測(cè)[1]。電力系統(tǒng)負(fù)荷預(yù)測(cè)也是電力生產(chǎn)部門(mén)的重要工作之一，通過(guò)準(zhǔn)確的負(fù)荷預(yù)測(cè)，可以經(jīng)濟(jì)合理地安排機(jī)組啟停，減少旋轉(zhuǎn)備用容量，合理安排檢修計(jì)劃，降低發(fā)電成本，提高經(jīng)濟(jì)效益。此外，它也是電力市場(chǎng)中電價(jià)制定的基礎(chǔ)。

負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)控制、運(yùn)行和計(jì)劃都有著重要意義。電力系統(tǒng)負(fù)荷變化一方面受許多不確定因素的影響，負(fù)荷變化會(huì)存在隨機(jī)波動(dòng)，另一方面又具有周期性，這也使得負(fù)荷預(yù)測(cè)曲線(xiàn)具有相似性。同時(shí)，由于受天氣、節(jié)假日等特殊情況的影響，又使負(fù)荷變化出現(xiàn)異常。由于神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線(xiàn)性映射特性，它常用于負(fù)荷預(yù)測(cè)。

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)越來(lái)越引起控制理論工作者的極大興趣。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)能夠?qū)W習(xí)，能夠總結(jié)歸納的系統(tǒng)，也就是說(shuō)它能夠通過(guò)已知數(shù)據(jù)的實(shí)驗(yàn)運(yùn)用來(lái)學(xué)習(xí)和歸納總結(jié)。人工神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)局部情況的對(duì)照比較（而這些比較是基于不同情況下的自動(dòng)學(xué)習(xí)和要實(shí)際解決問(wèn)題的復(fù)雜性所決定的），它能夠推理產(chǎn)生一個(gè)可以自動(dòng)識(shí)別的系統(tǒng)。與之不同的基于符號(hào)系統(tǒng)下的學(xué)習(xí)方法，它們也具有推理功能，只是它們是建立在邏輯演算法的基礎(chǔ)上，也就是說(shuō)它們之所以能夠推理，基礎(chǔ)是需要有一個(gè)推理演算法則的集合。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于它具有模擬多變量而不需要對(duì)輸入變量做復(fù)雜的相關(guān)假定的能力，具有良好的自適應(yīng)和自學(xué)習(xí)能力，能夠充分逼近復(fù)雜的非線(xiàn)性關(guān)系，但關(guān)鍵是要建立合理的數(shù)學(xué)模型。

本文利用Elman神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性和較強(qiáng)的非線(xiàn)性映射能力進(jìn)行負(fù)荷預(yù)測(cè)。采用自適應(yīng)學(xué)習(xí)速率動(dòng)量梯度下降反向傳播算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，可以克服傳統(tǒng)BP算法收斂速度慢和局部極小等缺陷。

1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與算法

1.1Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Elman網(wǎng)絡(luò)通常是一個(gè)兩層網(wǎng)絡(luò)，其隱含層神經(jīng)元到輸入層神經(jīng)元之間還存在一個(gè)反饋連接通道，這種反饋連接在神經(jīng)網(wǎng)絡(luò)術(shù)語(yǔ)中稱(chēng)為回歸（recurrent）連接。這種回歸連接使得Elman網(wǎng)絡(luò)具有檢測(cè)和產(chǎn)生時(shí)變模式的能力。

2 數(shù)據(jù)的預(yù)處理

2.1數(shù)據(jù)的選取

有效地選取輸入變量是決定神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度的關(guān)鍵所在。電力系統(tǒng)負(fù)荷的波動(dòng)往往受各種突變因素的影響，而這些因素包含的信息往往具有很大的不確定性。出于篇幅考慮，對(duì)預(yù)報(bào)模型簡(jiǎn)單化，輸入變量的選取僅來(lái)自于某年歐洲競(jìng)賽中電力負(fù)荷的歷史數(shù)據(jù)。

2.2結(jié)構(gòu)分析

2.3輸入和輸出參數(shù)的標(biāo)準(zhǔn)化

3 仿真分析

神經(jīng)網(wǎng)絡(luò)中單個(gè)神經(jīng)元具有簡(jiǎn)單的能夠反映非線(xiàn)性本質(zhì)特征的能力，這些基本的單元經(jīng)過(guò)自組織復(fù)合，使神經(jīng)網(wǎng)絡(luò)可以逼近任意非線(xiàn)性函數(shù)。通過(guò)學(xué)習(xí)，從樣本中抽取并存儲(chǔ)其內(nèi)在規(guī)律，從而可以對(duì)序列的變化進(jìn)行預(yù)測(cè)。使用神經(jīng)網(wǎng)絡(luò)方法可以避免復(fù)雜的常規(guī)建模過(guò)程，而且神經(jīng)網(wǎng)絡(luò)模型有良好的自適應(yīng)和自學(xué)習(xí)能力、較強(qiáng)的抗干擾能力，易于給出工程上容易實(shí)現(xiàn)的算法。在進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)，首先是要確定輸入、輸出節(jié)點(diǎn)。

在訓(xùn)練和預(yù)測(cè)的過(guò)程中，在MATLAB語(yǔ)言環(huán)境下，使用其特有的神經(jīng)網(wǎng)絡(luò)工具箱，對(duì)改進(jìn)的BP算法建立負(fù)荷預(yù)測(cè)模型，實(shí)現(xiàn)短期負(fù)荷預(yù)測(cè)。對(duì)比兩種網(wǎng)絡(luò)預(yù)測(cè)圖像和數(shù)據(jù)，可以清楚地看出，Elman網(wǎng)絡(luò)的訓(xùn)練速度及預(yù)測(cè)精度都有較大的改善。比較圖4、圖5及預(yù)測(cè)技術(shù)指標(biāo)可以看到，訓(xùn)練Elman網(wǎng)絡(luò)時(shí)間短，平均預(yù)測(cè)精度高，最大預(yù)測(cè)精度也優(yōu)于BP網(wǎng)絡(luò)。

對(duì)于電力預(yù)測(cè)來(lái)說(shuō)，只考慮歷史數(shù)據(jù)是不夠的，還受許多隨機(jī)因素的影響，由于工作日和節(jié)假日的負(fù)荷不同，還要考慮時(shí)間特征值[8]。為避免預(yù)測(cè)時(shí)出現(xiàn)較大的誤差，可以通過(guò)適當(dāng)增加樣本容量。

4 結(jié)論

到目前為止，電力系統(tǒng)的負(fù)荷預(yù)測(cè)一直都是一個(gè)難點(diǎn)，這主要是因?yàn)殡娏ο到y(tǒng)結(jié)構(gòu)越來(lái)越復(fù)雜。該文采用Elman網(wǎng)絡(luò)建立短期負(fù)荷的預(yù)測(cè)模型，克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的一些缺陷。通過(guò)仿真計(jì)算，證明了Elman神經(jīng)網(wǎng)絡(luò)具有動(dòng)態(tài)特性好、網(wǎng)絡(luò)訓(xùn)練速度快、精度高等特點(diǎn)，同時(shí)表明該方法是可行且有效的，并且在電網(wǎng)電力負(fù)荷預(yù)測(cè)領(lǐng)域具有廣闊的應(yīng)用前景。

參考文獻(xiàn)：

[1] 汪峰，于爾鏗，周京陽(yáng).能量管理系統(tǒng)（EMS） [J]. 電力系統(tǒng)自動(dòng)化，1997，21（4）：66-69.

[2] 芮執(zhí)元，任麗娜，馮瑞成.基于Elman神經(jīng)網(wǎng)絡(luò)的甘肅電網(wǎng)負(fù)荷預(yù)測(cè)模型[J].現(xiàn)代電力，2007，24（2）：26-29.

[3] 夏昌浩，向?qū)W軍，何勝雄. 基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的電力系統(tǒng)負(fù)荷預(yù)報(bào)[J]. 武漢水利電力大學(xué)學(xué)報(bào)，2000，22（4）：303-307.

[4] 孫洪波，秦翼鴻，徐國(guó)禹. 用于短期電力負(fù)荷預(yù)報(bào)的人工神經(jīng)網(wǎng)絡(luò)方法[J]. 重慶大學(xué)學(xué)報(bào)，1995（7）：42-47.

[5] 陳玉彬.礦井雙風(fēng)機(jī)自動(dòng)的簡(jiǎn)易實(shí)現(xiàn)[J].礦山機(jī)械， 2009（18）：84.

[6] 王關(guān)平. 基于人工神經(jīng)網(wǎng)絡(luò)的無(wú)刷直流電動(dòng)機(jī)控制研究[D]. 蘭州理工大學(xué)，2007.

篇4

關(guān)鍵詞:農(nóng)村電力;BP算法;人工神經(jīng)網(wǎng)絡(luò);回歸分析

中圖分類(lèi)號(hào):TM855文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1009-2374 (2010)22-0138-03

0引言

農(nóng)村用電具有很大的不確定性,農(nóng)村電力短期負(fù)荷預(yù)測(cè)研究對(duì)農(nóng)村電力系統(tǒng)的安全及農(nóng)業(yè)安全生產(chǎn)有十分重要的意義。基于短期負(fù)荷預(yù)測(cè)研究理論和方法已做了大量預(yù)測(cè)研究,提出了很多方法,大致可以分為兩類(lèi):一類(lèi)是以時(shí)間序列法為代表的傳統(tǒng)方法,如時(shí)間序列法等,這些方法算法簡(jiǎn)單,速度快,應(yīng)用廣泛,但由于其本質(zhì)上都是線(xiàn)性模型方法,因此存在著很多缺點(diǎn)和局限性,無(wú)法真實(shí)地反映農(nóng)村電力系統(tǒng)不同負(fù)荷模型的非線(xiàn)性特性;另一類(lèi)是以人工神經(jīng)網(wǎng)絡(luò)為代表的新型人工智能方法,神經(jīng)網(wǎng)絡(luò)具有并行分布信息和自學(xué)習(xí)及任意逼近連續(xù)函數(shù)的能力,能夠捕獲農(nóng)村電力短期負(fù)荷的各種變化趨勢(shì)。BP網(wǎng)絡(luò)需要大量歷史數(shù)據(jù)進(jìn)行訓(xùn)練,且學(xué)習(xí)及處理不確定性和人工信息的能力較差。人工邏輯系統(tǒng)適用于處理不確定性、不精確性及噪聲引起的問(wèn)題。實(shí)踐證明,將BP算法和神經(jīng)網(wǎng)絡(luò)融合的人工神經(jīng)網(wǎng)絡(luò)能發(fā)揮各自的優(yōu)勢(shì),克服各自的不足是一種有效的方法。

1農(nóng)村電力短期負(fù)荷預(yù)測(cè)研究算法

基于負(fù)荷預(yù)測(cè)方法主要有回歸分析法、時(shí)間序列法、指數(shù)平滑法、灰色模型法、專(zhuān)家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、小波分析預(yù)測(cè)技術(shù)和數(shù)據(jù)挖掘理論等。

1.1回歸分析法

回歸分析法是研究變量與變量之間的一種數(shù)學(xué)方法。在回歸分析中,自變量是隨機(jī)變量,因變量是非隨機(jī)變量,由給定的多組自變量和因變量資料,研究各自變量和因變量之間的關(guān)系,形成回歸方程,求解回歸方程后,給定各自變量數(shù)值,即可求出因變量值?；貧w分析法根據(jù)歷史數(shù)據(jù)和一些影響負(fù)荷變化的因素變量來(lái)推斷將來(lái)時(shí)刻的負(fù)荷值?；貧w分析法的特點(diǎn)是:原理、結(jié)構(gòu)簡(jiǎn)單,預(yù)測(cè)速度快,外推特性好,對(duì)于歷史上未出現(xiàn)過(guò)的情況有較好的預(yù)測(cè)值。

1.2灰色模型法

灰色系統(tǒng)理論將一切隨機(jī)變化量看作是在一定范圍內(nèi)變化的灰色量。常用累加生成(AGO)和累減生成(IAGO)的方法將雜亂無(wú)章的原始數(shù)據(jù)整理成規(guī)律性較強(qiáng)的生成數(shù)據(jù)列。用灰色模型(GM)的微分方程作為農(nóng)村電力系統(tǒng)單一指標(biāo)(如負(fù)荷)的預(yù)測(cè)時(shí),求解微分方程的時(shí)間響應(yīng)函數(shù)表達(dá)式即為所求的灰色預(yù)測(cè)模型,對(duì)模型的精度和可信度進(jìn)行校驗(yàn)并修正后即可據(jù)此模型預(yù)測(cè)未來(lái)的負(fù)荷。

1.3專(zhuān)家系統(tǒng)法

專(zhuān)家系統(tǒng)是依據(jù)專(zhuān)門(mén)從事短期負(fù)荷預(yù)測(cè)的技術(shù)人員提供的經(jīng)驗(yàn),總結(jié)出一系列的規(guī)則,并建立相應(yīng)的歷史負(fù)荷和天氣的數(shù)據(jù)庫(kù),利用if-then規(guī)則對(duì)待預(yù)測(cè)日的負(fù)荷進(jìn)行估計(jì)。由于專(zhuān)家系統(tǒng)將天氣條件作為一個(gè)重要因素引入預(yù)測(cè)模型,因而預(yù)測(cè)的結(jié)果更為令人滿(mǎn)意。專(zhuān)家系統(tǒng)預(yù)測(cè)的優(yōu)點(diǎn)在于較好的解決了天氣等因素對(duì)負(fù)荷的影響,有力的克服了時(shí)間序列法不能處理數(shù)據(jù)序列中出現(xiàn)大擾動(dòng)的情況。但是這種方法過(guò)分依賴(lài)規(guī)則,如果沒(méi)有一系列成熟的規(guī)則負(fù)荷預(yù)測(cè)就無(wú)法進(jìn)行,而規(guī)則本身不具有普遍適應(yīng)性,預(yù)測(cè)模型不能推廣到所有的系統(tǒng),這正是專(zhuān)家系統(tǒng)存在的弱點(diǎn)。

1.4人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)方法是90年代以來(lái)發(fā)展起來(lái)的新方法,用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)是農(nóng)村電力系統(tǒng)負(fù)荷預(yù)測(cè)的一個(gè)新發(fā)展方向。人工神經(jīng)網(wǎng)絡(luò)法利用人工神經(jīng)網(wǎng)絡(luò)(ANN),選取過(guò)去一段時(shí)間的負(fù)荷作為訓(xùn)練樣本,然后構(gòu)造適宜的網(wǎng)絡(luò)結(jié)構(gòu),用某種訓(xùn)練算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使其滿(mǎn)足精度要求之后,用ANN作負(fù)荷預(yù)測(cè)。一般而言,ANN應(yīng)用于短期負(fù)荷預(yù)測(cè)要比應(yīng)用于中長(zhǎng)期負(fù)荷預(yù)測(cè)更為適宜,因?yàn)槎唐谪?fù)荷變化可以認(rèn)為是一個(gè)平穩(wěn)隨機(jī)過(guò)程,而長(zhǎng)期負(fù)荷預(yù)測(cè)與國(guó)家或地區(qū)的政治、經(jīng)濟(jì)政策等因素密切相關(guān),通常會(huì)有些大的波動(dòng),而并非是一個(gè)平穩(wěn)隨機(jī)過(guò)程。目前用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)還存在一些問(wèn)題,比如模型結(jié)構(gòu)的確定,輸入變量的選取,人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間較長(zhǎng)等問(wèn)題。但它仍具有許多其他方法所不能比擬的優(yōu)點(diǎn),例如:良好的函數(shù)逼近能力,通過(guò)對(duì)樣本的學(xué)習(xí),能夠很好的反映對(duì)象的輸入/輸出之間復(fù)雜的非線(xiàn)性關(guān)系。因此人工神經(jīng)網(wǎng)絡(luò)受到許多學(xué)者的高度評(píng)價(jià)。

1.5小波分析預(yù)測(cè)技術(shù)

小波分析是Fourie分析深入發(fā)展過(guò)程中的一個(gè)新的里程碑,是本世紀(jì)數(shù)學(xué)研究成果中最杰出的代表,已成為眾多學(xué)科共同關(guān)注的熱點(diǎn)。一方面,小波分析發(fā)揚(yáng)了Foufie分析的優(yōu)點(diǎn),克服了Fourie分析的某些缺點(diǎn);另一方面,小波分析現(xiàn)在已經(jīng)被廣泛應(yīng)用于信號(hào)處理、圖像處理、量子場(chǎng)論、語(yǔ)言識(shí)別與合成、地震預(yù)報(bào)、機(jī)器視覺(jué)、機(jī)械故障診斷與監(jiān)控、數(shù)字通信與傳輸?shù)缺姸囝I(lǐng)域。原則上講,凡是傳統(tǒng)方法中采用Fourier分析的地方,基本上都可以用小波分析來(lái)取代,而且其應(yīng)用結(jié)果會(huì)得到深化和發(fā)展,因此小波分析作為一種多方面運(yùn)用的數(shù)學(xué)工具,具有巨大的潛力和廣泛的應(yīng)用前景。

農(nóng)村電力系統(tǒng)中曰負(fù)荷曲線(xiàn)具有特殊的周期性,負(fù)荷以天、周、年為周期發(fā)生波動(dòng),大周期中嵌套小周期。而小波分析是一種時(shí)域或頻域分析方法,它在時(shí)域和頻域上同時(shí)具有良好的局部化性質(zhì),并且能根據(jù)信號(hào)頻率高低自動(dòng)調(diào)節(jié)采樣的疏密,容易捕捉和分析微弱信號(hào)以及信號(hào)、圖像精細(xì)的采樣步長(zhǎng),從而可以聚焦到信號(hào)的任意細(xì)節(jié),尤其是對(duì)奇異信號(hào)很敏感,能很好的處理微弱或突變的信號(hào),其目標(biāo)是將一個(gè)信號(hào)的信息轉(zhuǎn)化成小波系數(shù),可以方便的處理、存儲(chǔ)、傳遞、分析或被用于重建原始信號(hào),這些優(yōu)點(diǎn)決定了小波分析可以有效地應(yīng)用于負(fù)荷預(yù)測(cè)問(wèn)題的研究。

1.6模糊預(yù)測(cè)法(FUZZY)

FUZZY預(yù)測(cè),是近幾年來(lái)在農(nóng)村電力系統(tǒng)負(fù)荷預(yù)測(cè)中不斷出現(xiàn)的一種預(yù)測(cè)方法,將FUZZY方法引入的原因是,農(nóng)村電力系統(tǒng)中存在著大量的模糊信息,如負(fù)荷預(yù)測(cè)中的關(guān)鍵因素氣象狀況的評(píng)判、負(fù)荷的日期類(lèi)型的劃分等信息,都是模糊的。常規(guī)方法就是采用統(tǒng)計(jì)和經(jīng)驗(yàn)相結(jié)合的方法予以處理,這給負(fù)荷預(yù)測(cè)引入了不科學(xué)因素,并且與自動(dòng)化要求相矛盾,而FUZZY方法正是破解這些模糊信息的鑰匙。從實(shí)際應(yīng)用來(lái)看,單純的FUZZY方法對(duì)于負(fù)荷預(yù)測(cè)的精度往往是不盡人意的,主要因?yàn)镕UZZY預(yù)測(cè)沒(méi)有學(xué)習(xí)能力,這一點(diǎn)對(duì)于不斷變化的農(nóng)村電力系統(tǒng)而言,是極為不利的。

2農(nóng)村電力短期負(fù)荷預(yù)測(cè)研究與實(shí)現(xiàn)

2.1人工神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)是一種“采用物理可實(shí)現(xiàn)的系統(tǒng)來(lái)模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的系統(tǒng)。”人工神經(jīng)網(wǎng)絡(luò)是最近發(fā)展起來(lái)的十分熱門(mén)的交叉學(xué)科,它涉及生物、電子、計(jì)算機(jī)、數(shù)學(xué)和物理學(xué)科,有著非常廣泛的應(yīng)用背景,這門(mén)學(xué)科的發(fā)展對(duì)日前和末來(lái)的科學(xué)技術(shù)的發(fā)展有重要的影響。二維的簡(jiǎn)單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可分為兩類(lèi):前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。反饋型網(wǎng)絡(luò)模型是一種反饋動(dòng)力學(xué)系統(tǒng),它具有極復(fù)雜的動(dòng)力學(xué)特性。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無(wú)向圖表示,代表性的模型包括;Hopfield網(wǎng)絡(luò)模型和Hamming網(wǎng)絡(luò)模型。反饋神經(jīng)網(wǎng)絡(luò)模型有很強(qiáng)的計(jì)算能力。前饋神經(jīng)網(wǎng)絡(luò)模型是指那些在網(wǎng)絡(luò)中各處理單元之間的連接都是單向的,而且總是指向網(wǎng)絡(luò)輸出方向的網(wǎng)絡(luò)模型。

2.2BP人工神經(jīng)網(wǎng)絡(luò)算法

基于BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的指導(dǎo)思想:對(duì)網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向――負(fù)梯度方向。

xk+1=xk-akgk (1)

其中xk是當(dāng)前的權(quán)值和閾值矩陣,gk是當(dāng)前表現(xiàn)函數(shù)的梯度,ak是學(xué)習(xí)速度。假設(shè)三層BP網(wǎng)絡(luò),輸入節(jié)點(diǎn),隱層節(jié)點(diǎn),輸出節(jié)點(diǎn)。輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為,隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為。當(dāng)輸出節(jié)點(diǎn)的期望值為時(shí),模型的計(jì)算公式如下:

隱層節(jié)點(diǎn)的輸出:

yj=f(wjixi-θj )=f (netj) (2)

其中netj=wjixi-θj (3)

輸出節(jié)點(diǎn)的計(jì)算輸出:

zl=f(vljyj-θl)=f (netl) (4)

其中netl=vlj yj-θl (5)

輸出節(jié)點(diǎn)的誤差:

E=(tl-zl)2=(tl-f(vljyj-θl))2

=(tl-f(vljf(wjixi-θj)-θl))2 (6)

E=(tI-zi)2=(tI-zi)

2.3誤差函數(shù)對(duì)輸出節(jié)點(diǎn)求導(dǎo)

=?=? (7)

E是多個(gè)zk的函數(shù)。但有一個(gè)zk與vlj有關(guān),各zk間相互獨(dú)立,其中:

=[-2(tk-zk)?]=-(tl-zl) (8)

=?=f '(netl)?yj (9)

則=-(tl-zl)?f '(netl)?yj (10)

設(shè)輸入節(jié)點(diǎn)誤差為δl=(tl-zl)?f '(netl) (11)

則=-δl?yj (12)

2.4誤差函數(shù)對(duì)隱層節(jié)點(diǎn)求導(dǎo)

=?? (13)

E是多個(gè)zl的函數(shù),針對(duì)某一個(gè)wji,對(duì)應(yīng)一個(gè)yj,它與所有zl有關(guān),其中:

=[-2(tk-zk)?]=-(tl-zl) (14)

=?=f '(netl)?(-1)=f '(netl)?vlj (15)

=?=f '(netl)?xi (16)

則=-(tl-zl)?f '(netl)?vlj?f '(netj)?xi=δlvlj?f '(netj)?xi(17)

設(shè)隱層節(jié)點(diǎn)誤差為δj'=f '(netj)?δlvlj (18)

則:=-δj'xi (19)

由于權(quán)值的修正Δvlj,Δwji正比于誤差函數(shù)沿梯度下降,則有:

Δwji=-η'=η'δj'xi (20)

vlj(k+1)=vlj(k)+Δvlj=vlj(k)+ηδlyj (21)

δl=-(tl-zl)?f '(netl) (22)

Δθl=η=ηδl (23)

wji(k+1)=wji(k)+Δwji=wji(k)+η'δj'xi (24)

δj′=f '(netj)?δlvlj (25)

其中隱層節(jié)點(diǎn)誤差δj′中的δlvlj表示輸出節(jié)點(diǎn)的zl的誤差δl通過(guò)權(quán)值vlj向節(jié)點(diǎn)yj反向傳播成為隱層節(jié)點(diǎn)的誤差。

2.5 閾值θ也是變化值,在修正權(quán)值的同時(shí)也需要修正,原理同權(quán)值修正一樣誤差函數(shù)對(duì)輸出節(jié)點(diǎn)閾值求導(dǎo)

=? (26)

其中=-(tl-zl) (27)

=?=f '(netl)?(-1)=-f '(netl) (28)

則=(tl-zl)?f '(netl)=δl (29)

閾值修正Δθl=η=ηδl (30)

θl(k+1)=θl(k)+ηδl (31)

誤差函數(shù)對(duì)隱層節(jié)點(diǎn)閾值求導(dǎo)=??(32)

其中=-(tl-zl) (33)

=f '(netl)?vlj (34)

=?=f '(netj)?(-1)=-f '(netj) (35)

則=(tl-zl)?f '(netl)?vlj?f '(netj)=δlvlj?f '(netj)=δj' (36)

閾值修正Δθj=η' =η'δj' (37)

θj(k+1)=θj(k)+η'δ'j (38)

2.6傳遞函數(shù)f(x)的導(dǎo)數(shù)S型函數(shù)

f (x)=,則f ' (x)=f (x)?(1-f (x)) (39)

f ' (netk)=f (netk)?(1-f (netk)) (40)

對(duì)輸出節(jié)點(diǎn)zl=f (netj) (41)

f ' (netj)=zl?(1-zl) (42)

對(duì)輸出節(jié)點(diǎn)yj= f (netj) (43)

f ' (netj)=yj?(1-yj) (44)

3結(jié)語(yǔ)

基于一種新的基于人工神經(jīng)網(wǎng)絡(luò)在農(nóng)村電力短期負(fù)荷預(yù)測(cè)研究。針對(duì)BP算法中存在的收斂速度慢、易陷入局部最小值的問(wèn)題,可采用附加動(dòng)量法和自適應(yīng)學(xué)習(xí)速率法在一定程度上解決這些問(wèn)題。附加動(dòng)量法是在BP算法的基礎(chǔ)上,在每個(gè)權(quán)值變化上加上一項(xiàng)正比于上一次權(quán)值變化量的值,并根據(jù)BP算法來(lái)產(chǎn)生新的權(quán)值變化,利用附加動(dòng)量法可能會(huì)避開(kāi)某些局部最小值。自適應(yīng)學(xué)習(xí)速率法是在學(xué)習(xí)過(guò)程中不斷修正學(xué)習(xí)速率,有利于提高學(xué)習(xí)效率,縮短學(xué)習(xí)時(shí)間。

參考文獻(xiàn)

[1] 劉光中,顏科琦.組合神經(jīng)網(wǎng)絡(luò)模型對(duì)電力需求的預(yù)測(cè)[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2003,(1)

篇5

【關(guān)鍵詞】營(yíng)銷(xiāo)網(wǎng)格；神經(jīng)網(wǎng)絡(luò)；營(yíng)銷(xiāo)資源

1.序言

隨著時(shí)間的推移，企業(yè)積累了大量的各個(gè)網(wǎng)格客戶(hù)的信息以及各個(gè)網(wǎng)格內(nèi)客戶(hù)對(duì)于營(yíng)銷(xiāo)資源的需求信息。這時(shí)企業(yè)可以采用數(shù)據(jù)挖掘的方法，利用歷史數(shù)據(jù)預(yù)測(cè)各個(gè)網(wǎng)格客戶(hù)群對(duì)于營(yíng)銷(xiāo)資源的需求。

傳統(tǒng)的預(yù)測(cè)方法有：線(xiàn)性回歸法、狀態(tài)空間法和指數(shù)平滑法等，這些預(yù)測(cè)方法需要大量的數(shù)據(jù)和參數(shù)作為預(yù)測(cè)依據(jù)，只能用來(lái)預(yù)測(cè)短時(shí)間內(nèi)物流量變化的大致趨勢(shì)。近年來(lái)應(yīng)用廣泛的預(yù)測(cè)方法有：支持向量回歸法、灰色系統(tǒng)模型法和神經(jīng)網(wǎng)絡(luò)法等[1]。由于支持向量回歸法是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的，需要預(yù)先確定樣本數(shù)據(jù)的數(shù)學(xué)模型，適合解決小樣本預(yù)測(cè)問(wèn)題；灰色系統(tǒng)預(yù)測(cè)要求原始時(shí)間序列是非負(fù)單調(diào)的，在實(shí)際需求量預(yù)測(cè)中這個(gè)條件不一定能完全滿(mǎn)足[3-6]。

2.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，因在網(wǎng)絡(luò)訓(xùn)練中，調(diào)整網(wǎng)絡(luò)權(quán)值的訓(xùn)練算法是誤差反向傳播學(xué)習(xí)算法，即BP（back propagation）算法而得名。BP神經(jīng)網(wǎng)絡(luò)是一種高度自適應(yīng)的非線(xiàn)性動(dòng)力系統(tǒng)，通過(guò)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)可以得到輸入與輸出之間的高度非線(xiàn)性映射。因此使用BP神經(jīng)網(wǎng)絡(luò)可以建立起輸入與輸出之間的非線(xiàn)性關(guān)系。相對(duì)于傳統(tǒng)的預(yù)測(cè)方法，BP神經(jīng)網(wǎng)絡(luò)對(duì)處理這方面問(wèn)題有著獨(dú)特優(yōu)勢(shì)[2]，表現(xiàn)在：

（1）容錯(cuò)能力強(qiáng)。由于網(wǎng)絡(luò)的知識(shí)信息采用分布式存儲(chǔ)，個(gè)別單元的損壞不會(huì)引起輸出錯(cuò)誤，這就使得預(yù)測(cè)過(guò)程的容錯(cuò)能力強(qiáng)，可靠性高。

（2）預(yù)測(cè)速度快。訓(xùn)練好的網(wǎng)絡(luò)在對(duì)未知樣本進(jìn)行預(yù)測(cè)運(yùn)算時(shí)僅需少量加法和乘法，使得其運(yùn)算速度明顯快于其他方法。

（3）避開(kāi)了特征因素與判別目標(biāo)的復(fù)雜關(guān)系描述，特別是公式的表達(dá)，網(wǎng)絡(luò)可以自己學(xué)習(xí)和記憶各輸入量和輸出量之間的關(guān)系。

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，由輸入層、隱含層和輸出層構(gòu)成，隱含層可以有多層。上下層之間實(shí)現(xiàn)全連接，每層神經(jīng)元之間無(wú)連接。當(dāng)一對(duì)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)，然后按照減少實(shí)際輸出與目標(biāo)輸出之間誤差的方向，從輸出層反向經(jīng)過(guò)各中間層回到輸入層，從而逐層修正各連接權(quán)值這種算法稱(chēng)為誤差反向傳播算法即算法。隨著這種誤差逆向的傳播修正不斷進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也不斷上升。

選擇具典型代表性的網(wǎng)格作為樣本，將網(wǎng)格內(nèi)客戶(hù)群的屬性數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入部分，將對(duì)應(yīng)網(wǎng)格的營(yíng)銷(xiāo)資源需求數(shù)據(jù)作為輸出，然后對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至達(dá)到設(shè)定的均方誤差MSE后停止訓(xùn)練。最后以目標(biāo)網(wǎng)格客戶(hù)群屬性數(shù)據(jù)作為輸入，利用已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)該網(wǎng)格營(yíng)銷(xiāo)資源需求進(jìn)行預(yù)測(cè)。

3.營(yíng)銷(xiāo)網(wǎng)格資源需求預(yù)測(cè)模型的構(gòu)建

營(yíng)銷(xiāo)資源需求按照投入的方式不同可以劃分為人力資源需求、物力資源需求和財(cái)力資源需求。人力資源需求是指企業(yè)在一定時(shí)期內(nèi)進(jìn)行必需的營(yíng)銷(xiāo)活動(dòng)而投人的各類(lèi)營(yíng)銷(xiāo)人員，包括銷(xiāo)售人員、售后服務(wù)人員日常業(yè)務(wù)人員及各級(jí)營(yíng)銷(xiāo)管理人員。物力資源需求是指為完成銷(xiāo)售目的而必須投人的各種物力消耗，包括運(yùn)輸車(chē)輛、裝卸工具、低值易耗品、辦公用品等。財(cái)力資源需求是指各項(xiàng)營(yíng)銷(xiāo)費(fèi)用支出，如營(yíng)銷(xiāo)人員工資、差旅費(fèi)、運(yùn)輸費(fèi)、三包費(fèi)、廣告費(fèi)、服務(wù)費(fèi)等等。本文以某企業(yè)為例，利用以往幾年的各項(xiàng)營(yíng)銷(xiāo)費(fèi)用來(lái)預(yù)測(cè)未來(lái)一年的各項(xiàng)費(fèi)用需求。

2010年共發(fā)生營(yíng)銷(xiāo)類(lèi)費(fèi)用25468742.61元，其中支付營(yíng)銷(xiāo)人員工資3466765元；服務(wù)費(fèi)：7940507.68元；辦公用品：7846.3元；郵電費(fèi)：146465.32元；運(yùn)輸費(fèi)：71390.54元；差旅費(fèi)：482331.82元；會(huì)議費(fèi)600000元；廣告費(fèi)157721元；商品資料費(fèi)101709.35元；倉(cāng)庫(kù)租用費(fèi)：453600元；市場(chǎng)開(kāi)拓費(fèi)：11867800元；業(yè)務(wù)招待費(fèi)：171157.6元；人員培訓(xùn)費(fèi)：1448元。07、08和09年各項(xiàng)資源需求費(fèi)用見(jiàn)表1。

4.總結(jié)

運(yùn)用人工神經(jīng)網(wǎng)絡(luò)算法，從定量角度構(gòu)建企業(yè)營(yíng)銷(xiāo)資源與網(wǎng)格資源需求之間的需求映射模型，選取具有代表性的網(wǎng)格客戶(hù)作為輸入變量，將其對(duì)應(yīng)的資源需求進(jìn)行定量化表述并作為輸出變量，將這些數(shù)據(jù)作為樣本數(shù)據(jù)對(duì)以構(gòu)建好的神經(jīng)網(wǎng)絡(luò)進(jìn)行反復(fù)訓(xùn)練，直至得到理想結(jié)果為止，這樣就構(gòu)成了營(yíng)銷(xiāo)網(wǎng)格資源需求預(yù)測(cè)模型。需求量的準(zhǔn)確預(yù)測(cè)可以幫助企業(yè)更好地控制自身的財(cái)務(wù)狀況，更有效地分配有限的資源。

參考文獻(xiàn)：

[1]李赤林，胡小輝.基于BP神經(jīng)網(wǎng)絡(luò)的武漢城市圈物流需求預(yù)測(cè)[J].武漢理工大學(xué)學(xué)報(bào)（信管版），2009（10）：773-776.

[2]葛哲學(xué)，孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2007：108-113.

[3]孟建軍，楊澤青.基于模糊神經(jīng)網(wǎng)絡(luò)的民航物流預(yù)測(cè)研究與仿真分析[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010（5）：1056-1059.

[4]Tsai Tsung-Hsien，Lee Chi-Kang，Wei Chien-Hung. Neural net-work based temporal feature models for short-term railway pas-senger demand forecasting[J]. Expert Systems with Applica-tions，2009，36（2）：3728-3736.

[5]白晨明，孟建軍，周曉麗，等.神經(jīng)網(wǎng)絡(luò)在機(jī)場(chǎng)物流預(yù)測(cè)中的應(yīng)用研究[J].蘭州交通大學(xué)學(xué)報(bào)，2004，23（3）：39-43.

篇6

[關(guān)鍵詞] BP神經(jīng)網(wǎng)絡(luò)出口預(yù)測(cè)非線(xiàn)性預(yù)測(cè)

一、引言

出口貿(mào)易受到一國(guó)(或地區(qū))的經(jīng)濟(jì)條件、自然條件、貿(mào)易政策等國(guó)內(nèi)因素的影響，還受到國(guó)際市場(chǎng)需求變動(dòng)、全球經(jīng)濟(jì)增長(zhǎng)等國(guó)際因素的影響，且各影響因素以及相互之間存在非線(xiàn)性關(guān)系，因此，出口貿(mào)易是一個(gè)復(fù)雜時(shí)變的非線(xiàn)性系統(tǒng)。而傳統(tǒng)的時(shí)間序列、線(xiàn)性回歸等線(xiàn)性預(yù)測(cè)方法雖然具有簡(jiǎn)單、直觀且解釋性強(qiáng)的優(yōu)點(diǎn)，但難以解決非線(xiàn)性的預(yù)測(cè)問(wèn)題，因此非線(xiàn)性的預(yù)測(cè)方法越來(lái)越受到出口貿(mào)易預(yù)測(cè)研究者的重視。在其研究中表明中國(guó)外貿(mào)環(huán)境發(fā)生了較大變化，導(dǎo)致建立在原來(lái)數(shù)據(jù)結(jié)構(gòu)之上的模型出現(xiàn)失真，而解決的方法就是將其非線(xiàn)性化。

而神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用得非常廣泛的非線(xiàn)性預(yù)測(cè)方法，它具有強(qiáng)大非線(xiàn)性映射功能，具有很強(qiáng)的魯棒性(robust)和容錯(cuò)性，適合于解決動(dòng)態(tài)非線(xiàn)性出口貿(mào)易系統(tǒng)的預(yù)測(cè)決策問(wèn)題。且神經(jīng)網(wǎng)絡(luò)的算法和模型較為成熟，預(yù)測(cè)結(jié)果可靠，在股市預(yù)測(cè)、證券預(yù)測(cè)、外匯預(yù)測(cè)、GDP預(yù)測(cè)、庫(kù)存需求預(yù)測(cè)、產(chǎn)品成本定價(jià)、風(fēng)險(xiǎn)預(yù)測(cè)、財(cái)務(wù)報(bào)警等經(jīng)濟(jì)領(lǐng)域內(nèi)皆有應(yīng)用。本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于重慶市出口貿(mào)易額的預(yù)測(cè)，建立起預(yù)測(cè)模型并進(jìn)行實(shí)證預(yù)測(cè)，預(yù)測(cè)的結(jié)果可以作為相關(guān)部門(mén)制定重慶市出口貿(mào)易發(fā)展目標(biāo)的決策參考依據(jù)。

二、預(yù)測(cè)模型結(jié)構(gòu)設(shè)計(jì)

1.BP神經(jīng)網(wǎng)絡(luò)理論

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）是一種按誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，它由輸入層、隱含層、輸出層構(gòu)成，每層由若干個(gè)神經(jīng)元組成，各神經(jīng)元的輸出值由輸入值、激活函數(shù)和閥值決定。

圖1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

典型的單隱含層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，輸入層、隱含層和輸出層的神經(jīng)元數(shù)分別為n、q、m，隱含層和輸出層的激活函數(shù)分別為、，則網(wǎng)絡(luò)輸出：

（1）

假設(shè)輸入P對(duì)學(xué)習(xí)樣本，第p個(gè)樣本的網(wǎng)絡(luò)輸出為，其期望輸出為，則總體誤差：

（2）

L-M(Levenberg-Marquardt)算法下的權(quán)值修正公式:

（3）

式中，J是誤差對(duì)權(quán)值導(dǎo)數(shù)的雅可比矩陣:μ是一個(gè)能夠自適應(yīng)調(diào)整的非負(fù)標(biāo)量;是單位矩陣;θ項(xiàng)保證可逆，否則JTJ可能不可逆;e是誤差。

2.具體算法設(shè)計(jì)

(1)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。。本文選用常用的線(xiàn)性函數(shù)對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化的預(yù)處理，預(yù)處理的結(jié)果將原始數(shù)據(jù)映射到[0,1]的區(qū)間范圍內(nèi)，預(yù)處理公式為：

（4）

式中、分別是原始序列和預(yù)處理之后的序列;、分別是最小值和最大值。

(2)確定網(wǎng)絡(luò)各項(xiàng)參數(shù)。BP網(wǎng)絡(luò)的各項(xiàng)參數(shù)包括網(wǎng)絡(luò)的隱含層數(shù)；輸入層、隱含層和輸出層神經(jīng)元數(shù)；以及各層激活函數(shù)。

研究已經(jīng)證明任意一個(gè)連續(xù)函數(shù)都能與含有一個(gè)S型隱含層和線(xiàn)性輸出層的BP神經(jīng)網(wǎng)絡(luò)建立任意映射關(guān)系，因此本文選擇單隱含層的BP網(wǎng)絡(luò)模型，即三層BP模型。輸入層和輸出層的神經(jīng)元數(shù)分別由輸入數(shù)據(jù)和輸出數(shù)據(jù)的維數(shù)確定。

隱含層神經(jīng)元存儲(chǔ)連接權(quán)值，體現(xiàn)了樣本的內(nèi)在規(guī)律，增加隱含層神經(jīng)元數(shù)，能提高網(wǎng)絡(luò)從樣本中獲取和概括信息的能力，但隱含層神經(jīng)元數(shù)過(guò)多，又可能將噪聲等樣本中非規(guī)律性的信息學(xué)會(huì)并存儲(chǔ)，從而出現(xiàn)“過(guò)度擬合”(Overfitting)的問(wèn)題。因此在滿(mǎn)足精度要求的前提下，隱含層應(yīng)該選擇盡可能小的神經(jīng)元數(shù)。本文采用“試湊法”確定隱含層神經(jīng)元數(shù)目，具體做法是先設(shè)置較少的隱含層神經(jīng)元數(shù)來(lái)訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加隱含層神經(jīng)元數(shù)，當(dāng)隱含層神經(jīng)元數(shù)增加而網(wǎng)絡(luò)誤差沒(méi)有明顯改善時(shí)，將臨界的隱含層神經(jīng)元數(shù)作為BP網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)。隱含層激活函數(shù)采用Sigmoid:，其中，是權(quán)值的加權(quán)和。輸出層激活函數(shù)采用purelin純線(xiàn)性函數(shù)。

(3)初始化網(wǎng)絡(luò)。初始化各神經(jīng)元的權(quán)值和閥值。

(4)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練。輸入P對(duì)學(xué)習(xí)樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，判斷網(wǎng)絡(luò)誤差是否滿(mǎn)足精度要求，如果滿(mǎn)足精度要求，則結(jié)束訓(xùn)練，存儲(chǔ)權(quán)值和閥值。如果不滿(mǎn)足精度要求，則原路反向傳播，并沿途修正各層神經(jīng)元的權(quán)值和閥值，進(jìn)入下一輪學(xué)習(xí)訓(xùn)練，當(dāng)訓(xùn)練次數(shù)大于給定的最大訓(xùn)練次數(shù)仍不滿(mǎn)足精度要求時(shí)，退出訓(xùn)練過(guò)程，調(diào)整網(wǎng)絡(luò)參數(shù)并重新訓(xùn)練，即從2）開(kāi)始重新調(diào)試。

三、實(shí)證預(yù)測(cè)

本文用于模型實(shí)證預(yù)測(cè)的時(shí)序數(shù)據(jù)為1987年到2005年重慶市出口貿(mào)易額歷史數(shù)據(jù)，見(jiàn)表1。

表11987年～2005年重慶市歷年出口貿(mào)易額 單位萬(wàn)美元

資料來(lái)源：1987年～2004年數(shù)據(jù)來(lái)源于《重慶統(tǒng)計(jì)年鑒――2005》，2005年數(shù)據(jù)來(lái)源于“重慶市對(duì)外貿(mào)易網(wǎng)”公布的數(shù)據(jù)。

通過(guò)反復(fù)多次調(diào)試，最后確定將順序前四年的出口貿(mào)易額數(shù)據(jù)作為網(wǎng)絡(luò)輸入數(shù)據(jù)，后一年的出口貿(mào)易額數(shù)據(jù)作為輸出數(shù)據(jù)，網(wǎng)絡(luò)結(jié)構(gòu)為4×6×1。利用2004年以前的數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，然后對(duì)2005年和2006年重慶市出口貿(mào)易額數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果分別為257374萬(wàn)美元和275869萬(wàn)美元，而傳統(tǒng)的指數(shù)平滑、移動(dòng)平均和自回歸的預(yù)測(cè)結(jié)果見(jiàn)表2，預(yù)測(cè)曲線(xiàn)見(jiàn)圖2。

從表2預(yù)測(cè)結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的誤差在3%以?xún)?nèi)，具有較高的預(yù)測(cè)精度；而指數(shù)平滑、移動(dòng)平均和自回歸預(yù)測(cè)的最大誤差分別為26.57%、27.07%、10.91%，誤差遠(yuǎn)大于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差。再?gòu)膱D2的預(yù)測(cè)曲線(xiàn)來(lái)看，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)曲線(xiàn)緊貼著實(shí)際數(shù)據(jù)變動(dòng)，數(shù)據(jù)擬合效果好；而指數(shù)平滑、移動(dòng)平均和自回歸預(yù)測(cè)的預(yù)測(cè)曲線(xiàn)在實(shí)際數(shù)據(jù)出現(xiàn)明顯波動(dòng)時(shí)開(kāi)始明顯偏離實(shí)際數(shù)據(jù)，即這三種傳統(tǒng)的預(yù)測(cè)方法不適合于非線(xiàn)性問(wèn)題的預(yù)測(cè)。

表2不同預(yù)測(cè)方法的預(yù)測(cè)結(jié)果單位萬(wàn)美元

圖2不同預(yù)測(cè)方法的預(yù)測(cè)曲線(xiàn)

篇7

一、模糊化遺傳BPN演算方法的提出

盡管通過(guò)已有的研究以及一些簡(jiǎn)單的模型可以初步判定企業(yè)財(cái)務(wù)業(yè)績(jī)是否出現(xiàn)衰退跡象，但由于財(cái)務(wù)報(bào)告舞弊的甄別有著很多挑戰(zhàn)性的因素，如舞弊樣本量極小、舞弊手法繁多、識(shí)別的特征指標(biāo)不易設(shè)定、甄別技術(shù)的選擇及智能設(shè)計(jì)較難掌握等，因此甄別虛假財(cái)務(wù)報(bào)告一直是困擾會(huì)計(jì)界的重大難題。

(一)模糊化遺傳BPN演算方法的必要性　隨著信息技術(shù)的發(fā)展以及人工智能技術(shù)的興起和廣泛應(yīng)用，許多領(lǐng)域的難題迎刃而解。數(shù)據(jù)挖掘技術(shù)(即利用數(shù)據(jù)庫(kù)技術(shù)來(lái)存儲(chǔ)管理數(shù)據(jù)，利用機(jī)器學(xué)習(xí)的方法來(lái)分析數(shù)據(jù)，從而挖掘出大量的隱藏在數(shù)據(jù)背后的知識(shí))已深受人們關(guān)注。會(huì)計(jì)本身就可以定義為一個(gè)信息系統(tǒng)，將數(shù)據(jù)挖掘技術(shù)應(yīng)用于財(cái)務(wù)報(bào)告舞弊的甄別必將是一個(gè)趨勢(shì)，并且已有學(xué)者對(duì)該種方法的可行性進(jìn)行初步探討。隨著數(shù)據(jù)挖掘技術(shù)的改進(jìn)及發(fā)展，發(fā)掘?qū)嵱酶咝У臄?shù)據(jù)挖掘算法，構(gòu)建舞弊識(shí)別系統(tǒng)，并真正實(shí)現(xiàn)舞弊識(shí)別才是亟待解決的問(wèn)題。因此，本文通過(guò)比較各種數(shù)據(jù)挖掘算法的優(yōu)缺點(diǎn)，綜合考慮提出用于會(huì)計(jì)舞弊識(shí)別的模糊化遺傳BPN系統(tǒng)，并對(duì)該系統(tǒng)所涵蓋的具體算法、該系統(tǒng)的技術(shù)優(yōu)勢(shì)以及甄別系統(tǒng)的構(gòu)建進(jìn)行逐步研究，力求設(shè)計(jì)出更加行之有效的財(cái)務(wù)報(bào)告舞弊甄別技術(shù)。

(二)模糊化遺傳BPN演算方法的提出　數(shù)據(jù)挖掘技術(shù)分為兩大類(lèi)：探索型數(shù)據(jù)挖掘和預(yù)測(cè)型數(shù)據(jù)挖掘。探索型數(shù)據(jù)挖掘包括一系列在預(yù)先未知任何現(xiàn)有模式的情況下，在數(shù)據(jù)內(nèi)查找模型的技術(shù)。探索型數(shù)據(jù)挖掘包括分群、關(guān)聯(lián)分析、頻度分析技術(shù)。預(yù)測(cè)型挖掘包括一系列在數(shù)據(jù)中查找特定變量(稱(chēng)為“目標(biāo)變量”)與其他變量之間關(guān)系的技術(shù)。預(yù)測(cè)型挖掘常用的有分類(lèi)和聚類(lèi)、數(shù)值預(yù)測(cè)技術(shù)。數(shù)據(jù)挖掘使用的算法很多，主要包括統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)、決策樹(shù)、粗糙集、人工神經(jīng)網(wǎng)絡(luò)和遺傳算法等。

舞弊性財(cái)務(wù)報(bào)告的識(shí)別過(guò)程本身可以認(rèn)為是一個(gè)分類(lèi)的過(guò)程，即分為舞弊及非舞弊的過(guò)程。對(duì)數(shù)據(jù)挖掘技術(shù)的各種分類(lèi)算法的優(yōu)劣具體比較(見(jiàn)表1)。

基于此，綜合各種分類(lèi)算法的優(yōu)勢(shì)，本文提出模糊化遺傳BPN財(cái)務(wù)報(bào)告舞弊識(shí)別系統(tǒng)。

二、模糊化遺傳BPN的演算方法

模糊化遺傳BPN的演算方法包括模糊邏輯算法、遺傳算法以及BP神經(jīng)網(wǎng)絡(luò)算法等。

(一)模糊邏輯算法模糊邏輯算法簡(jiǎn)單地說(shuō)是人們對(duì)許多決策思維的自然語(yǔ)言描述，并且轉(zhuǎn)換成利用數(shù)學(xué)模型算法替代的一種應(yīng)用科學(xué)技術(shù)。該模型包括三個(gè)主要處理程序：模糊化(fuzzifi―cation)、推論(inference)及反模糊化(defuzzification)。

(1)模糊化(fuzzification)：將原始的數(shù)據(jù)，利用隸屬度函數(shù)轉(zhuǎn)換成模糊輸入，如在觀察技術(shù)指標(biāo)時(shí)也可以自然語(yǔ)言表示“偏高”、“適中”或“偏低”等。

(2)模糊推論(rule evaluation,fuzzy inference)：根據(jù)模糊輸入，依照口語(yǔ)化的規(guī)則(1inguistic rules)，產(chǎn)生模糊結(jié)果，如透過(guò)IF..THEN..的形式將推論加以定式化。

規(guī)則：if x is A then y is B

事實(shí)：x is A’

結(jié)論：y is b’

(3)反模糊化(defuzzification)：將模糊輸出轉(zhuǎn)換成可表達(dá)的數(shù)據(jù)。

(二)遺傳算法　遺傳算法是模擬生物進(jìn)化過(guò)程的算法，由三個(gè)算子組成，即選擇、較差、突變。遺傳算法具有十分頑強(qiáng)的魯棒形，在解決大空間、多峰值、非線(xiàn)性、全局優(yōu)化等復(fù)雜度高的問(wèn)題時(shí)具有獨(dú)特的優(yōu)勢(shì)。其可以單獨(dú)用于數(shù)據(jù)庫(kù)中關(guān)聯(lián)規(guī)則的挖掘，還可以和其他數(shù)據(jù)挖掘技術(shù)相結(jié)合。如用于優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以得到結(jié)構(gòu)簡(jiǎn)單、性能優(yōu)良的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；用于特征子集選擇；用于決策分類(lèi)器和模糊規(guī)則的獲取等。遺傳算法在數(shù)據(jù)挖掘技術(shù)中占有重要的地位，這是由其本身的特點(diǎn)和優(yōu)點(diǎn)所決定的。(1)遺傳算法的處理對(duì)象不是參數(shù)本身，而是對(duì)參數(shù)集進(jìn)行了編碼的個(gè)體，可以直接對(duì)集合、隊(duì)列、矩陣、圖表等結(jié)構(gòu)進(jìn)行操作；(2)具有較好的全局搜索性能，減少了陷于局部最優(yōu)解的風(fēng)險(xiǎn)，同時(shí)，遺傳算法本身也易于并行化；(3)在標(biāo)準(zhǔn)的遺傳算法中，基本上不用搜索空間的知識(shí)或其他輔助信息，而僅用適應(yīng)度函數(shù)值來(lái)評(píng)估個(gè)體，并在此基礎(chǔ)上進(jìn)行遺傳操作；(4)遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來(lái)指導(dǎo)其搜尋方向。

(三)BP神經(jīng)網(wǎng)絡(luò)　反傳遞神經(jīng)網(wǎng)絡(luò)(BPN)模式是監(jiān)督式學(xué)習(xí)網(wǎng)絡(luò)(Supervised Learning Network)的一種，在取得訓(xùn)練樣本后，透過(guò)訓(xùn)練樣本輸入網(wǎng)絡(luò)時(shí)，告知網(wǎng)絡(luò)預(yù)期的輸出結(jié)果，而輸入訓(xùn)練樣本的目的主要是讓網(wǎng)絡(luò)學(xué)習(xí)，當(dāng)學(xué)習(xí)完成后再利用測(cè)試樣本來(lái)進(jìn)行模式的測(cè)試。由于BP神經(jīng)網(wǎng)絡(luò)具有高學(xué)習(xí)準(zhǔn)確度、回想速度快以及能含雜訊資料處理等優(yōu)點(diǎn)，因此運(yùn)用最為普遍。其基本原理是利用梯度下降法(the gradient steepest descent method)的觀念，通過(guò)學(xué)習(xí)過(guò)程中輸出值與期望輸出值偏差，不斷反向傳遞至隱藏層和輸入層來(lái)調(diào)整加權(quán)值修正量及閥值修正量，使輸出值與期望之間的誤差予以最小化，進(jìn)而通過(guò)不斷學(xué)習(xí)求得最佳網(wǎng)絡(luò)模式已達(dá)到預(yù)測(cè)的目的。BP網(wǎng)絡(luò)的構(gòu)架主要分為三層：輸入層(inputlayer)、隱藏層(hiddenlayer)及輸出層(outputlayer)，各層中基本單元即為處理單元(Processing Element，PE)，數(shù)個(gè)處理單元將組成一層，而若干層則結(jié)合成為網(wǎng)絡(luò)。其中輸入層的處理單元代表網(wǎng)絡(luò)的輸入變量，目前許多研究結(jié)合模糊邏輯(fuzzylogic)以及遺傳算法(GA)等方式選擇BP神經(jīng)網(wǎng)絡(luò)的輸入層。輸出層用來(lái)表示網(wǎng)絡(luò)的輸出變量，其處理單元數(shù)目依問(wèn)題而定。隱藏層主要用以表示輸入處理單元間的交互影響，網(wǎng)絡(luò)可以不只一層隱藏層，也可以沒(méi)有隱藏層，至于其處理單元數(shù)目并無(wú)標(biāo)準(zhǔn)方法可決定。

三、模糊化遺傳BPN優(yōu)勢(shì)

現(xiàn)存的關(guān)于國(guó)內(nèi)外財(cái)務(wù)報(bào)告舞弊識(shí)別模型研究，大多設(shè)計(jì)為L(zhǎng)ogistic回歸模型及神經(jīng)網(wǎng)絡(luò)(ANN)模型。盡管神經(jīng)網(wǎng)絡(luò)對(duì)于財(cái)務(wù)報(bào)告舞弊的識(shí)別效果和準(zhǔn)確性都比logistic回歸模型更好，但還是存在一些局限性。而模糊化遺傳BPN正是一種可以彌補(bǔ)單純神

經(jīng)網(wǎng)絡(luò)各種局限性的優(yōu)勢(shì)技術(shù)。

(一)模糊邏輯與神經(jīng)網(wǎng)絡(luò)的結(jié)合優(yōu)勢(shì)　由于神經(jīng)網(wǎng)路工作方式是自組織式，即無(wú)教師學(xué)習(xí)網(wǎng)絡(luò)，模擬人類(lèi)根據(jù)過(guò)去經(jīng)驗(yàn)自動(dòng)適應(yīng)無(wú)法預(yù)測(cè)的環(huán)境變化。由于沒(méi)有教師信號(hào)，這類(lèi)網(wǎng)絡(luò)通常利用競(jìng)爭(zhēng)的原則進(jìn)行網(wǎng)絡(luò)的學(xué)習(xí)，對(duì)知識(shí)的獲取完全取決于感知。因此單純的神經(jīng)網(wǎng)絡(luò)對(duì)于處理數(shù)量龐大、種類(lèi)繁多、而且信息復(fù)雜的財(cái)務(wù)報(bào)告而言，顯得有些吃力并且不一定十分精確。而模糊邏輯算法對(duì)知識(shí)的獲取則是由專(zhuān)家來(lái)控制，其對(duì)所提供信息的數(shù)量和質(zhì)量均有一定的保證。另外神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)使得追蹤產(chǎn)生輸出的過(guò)程變得困難，缺乏解釋能力。而模糊邏輯算法最主要的優(yōu)點(diǎn)就是可以把專(zhuān)家的策略通過(guò)IF-THEN、and、or的關(guān)系式輕而易舉的定義出來(lái)，形成模糊邏輯規(guī)則，將其與神經(jīng)網(wǎng)絡(luò)相結(jié)合可以增強(qiáng)模型的解釋力。

(二)遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合優(yōu)勢(shì)　遺傳算法和人工神經(jīng)網(wǎng)絡(luò)都是將生物學(xué)原理應(yīng)用于科學(xué)研究的仿生學(xué)理論成果。神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個(gè)專(zhuān)家系統(tǒng)知識(shí)庫(kù)，能自動(dòng)在海量數(shù)據(jù)中識(shí)別、捕捉和提取隱藏規(guī)律，并將其包含在神經(jīng)元之間的連接權(quán)值中。遺傳算法具有全局搜索、收斂速度快的特點(diǎn)，將其與神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，不僅能發(fā)揮神經(jīng)網(wǎng)絡(luò)的泛化映射能力，而且使神經(jīng)網(wǎng)絡(luò)克服收斂速度慢、容易陷入局部誤差極小點(diǎn)、網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)參數(shù)難以確定等缺點(diǎn)；同時(shí)還可以?xún)?yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和連接權(quán)系數(shù)，這就滿(mǎn)足了求得最優(yōu)BPN的必要條件。另外，遺傳算法本身計(jì)算量較大，每次迭代過(guò)程需要大量運(yùn)算，尤其是當(dāng)遺傳算法收斂到一定程度后，整個(gè)解群的素質(zhì)和最優(yōu)解素質(zhì)的改善變得比較困難，導(dǎo)致搜索時(shí)間呈指數(shù)增長(zhǎng)，此時(shí)用BP網(wǎng)絡(luò)尋求最優(yōu)參數(shù)組合比單純用GA搜索要節(jié)約大量時(shí)間。

四、模糊化遺傳BPN財(cái)務(wù)報(bào)告舞弊甄別系統(tǒng)的構(gòu)建

模糊化遺傳BPN財(cái)務(wù)報(bào)告舞弊甄別系統(tǒng)由模糊演化(Fuzzy)、遺傳算法(GA)和BP神經(jīng)網(wǎng)絡(luò)三個(gè)模塊構(gòu)成。具體系統(tǒng)構(gòu)建流程如圖1所示：

(一)模糊演化模塊　在模糊演化模塊中，首先需要進(jìn)行的工作是選擇輸入變量，即構(gòu)建財(cái)務(wù)報(bào)告舞弊識(shí)別特征指標(biāo)體系，通過(guò)顯著性檢驗(yàn)篩選進(jìn)入系統(tǒng)的變量。然后將其模糊化，通過(guò)IF-THEN語(yǔ)句建立模糊規(guī)則庫(kù)，再經(jīng)過(guò)反模糊化方法輸出模糊后的舞弊特征指標(biāo)變量。

(二)遺傳算法模塊　在遺傳算法模塊中，首先根據(jù)模糊邏輯模塊選定的舞弊指標(biāo)變量定義遺傳算法適應(yīng)值函數(shù)；同時(shí)，設(shè)定遺傳算法所需變量的范圍與精度、族群數(shù)量及演化世代數(shù)、突變與交換率。然后，通過(guò)選擇、交叉、突變算子演算產(chǎn)生下一代，輸入網(wǎng)絡(luò)框架計(jì)算適應(yīng)值函數(shù)值，如果適合度滿(mǎn)足終止條件，將網(wǎng)絡(luò)結(jié)構(gòu)輸入給BP神經(jīng)網(wǎng)絡(luò)模塊，否則回到三個(gè)算子循環(huán)計(jì)算。

篇8

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);住宅項(xiàng)目;特征定價(jià)

中圖分類(lèi)號(hào):F293.3文獻(xiàn)標(biāo)識(shí)碼:A

新建住宅項(xiàng)目定價(jià)能否被消費(fèi)者認(rèn)同,對(duì)于項(xiàng)目投資者來(lái)說(shuō),能夠快速準(zhǔn)確地了解項(xiàng)目定價(jià)的合理區(qū)間是非常重要的。目前,在實(shí)際操作中運(yùn)用的市場(chǎng)比較法、收益還原法等基本方法在估算精度、速度乃至應(yīng)用范圍上都具有局限性。隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展,近些年來(lái)興起的人工神經(jīng)網(wǎng)絡(luò)模型的一個(gè)明顯特征就是具有通過(guò)學(xué)習(xí)最佳逼近非線(xiàn)性映射的能力。因此,項(xiàng)目特征到項(xiàng)目定價(jià)的非線(xiàn)性映射關(guān)系通過(guò)人工神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行模擬求解是可行的。

一、應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的原理

神經(jīng)網(wǎng)絡(luò)在回歸分析中較傳統(tǒng)方法具有相對(duì)優(yōu)越性,它能從大量的離散實(shí)驗(yàn)數(shù)據(jù)中經(jīng)過(guò)學(xué)習(xí)訓(xùn)練,建立起反映實(shí)際過(guò)程內(nèi)在規(guī)律的系統(tǒng)模型,BP神經(jīng)網(wǎng)絡(luò)是其中的一種較為簡(jiǎn)單但應(yīng)用廣泛的方法。

(一)BP人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)造概述。BP神經(jīng)網(wǎng)絡(luò),由輸入層、隱含層和輸出層構(gòu)成,各層采用全互連接,同一層中各單元不連接。通過(guò)調(diào)整各個(gè)權(quán)值和閾值,直到達(dá)到期望的誤差即可。

(二)基于LM法的BP算法改進(jìn)。由于標(biāo)準(zhǔn)BP算法用的梯度下降法隨著接近最優(yōu)值,梯度趨于零,致使誤差函數(shù)下降緩慢。LM法的優(yōu)點(diǎn)是迭代次數(shù)少,收斂速度快,精確度高,因此在訓(xùn)練樣本時(shí)采用LM法。

二、住宅項(xiàng)目定價(jià)模型構(gòu)建

(一)住宅項(xiàng)目定價(jià)特征的選取。根據(jù)Lancaster特征價(jià)格理論,模型的一般形式是:P=F(X1,X2,X3…XN),P為住宅項(xiàng)目均價(jià),F為函數(shù)形式,X為住宅項(xiàng)目特征變量。住宅項(xiàng)目特征變量通?？紤]的因素,可以分為建筑特征、區(qū)位特征、鄰里特征、需求特征四大類(lèi),分別用L、M、N、R表示,如下:

P=F(Z)=F(L,M,N,R)(1)

變量應(yīng)選取與項(xiàng)目整體相關(guān)的特征因素,對(duì)于特征的選取,采用專(zhuān)家評(píng)審法,邀請(qǐng)一家咨詢(xún)公司5位工作8年以上的項(xiàng)目策劃師,對(duì)住宅項(xiàng)目中影響定價(jià)的各種因素進(jìn)行選取打分,最終選取的特征變量如表1所示。(表1)

(二)BP神經(jīng)網(wǎng)絡(luò)模型的建立。由于僅含有一個(gè)隱含層可以任意逼近連續(xù)函數(shù),因此BP神經(jīng)網(wǎng)絡(luò)采用3層結(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為7(對(duì)應(yīng)特征變量數(shù)),輸出節(jié)點(diǎn)為數(shù)為1(對(duì)應(yīng)項(xiàng)目均價(jià)),隱層節(jié)點(diǎn)數(shù)根據(jù)以下公式來(lái)確定:

s=+0.51(2)

其中,m為輸入層節(jié)點(diǎn)數(shù);n為輸出層節(jié)點(diǎn)數(shù);s為隱層節(jié)點(diǎn)數(shù)。

將m=7,n=1帶入上式,通過(guò)計(jì)算s=5,即建立7*5*1的拓?fù)浣Y(jié)構(gòu)。

三、應(yīng)用分析

(一)研究對(duì)象。選取2008年北京、天津、沈陽(yáng)、上海、南京等20個(gè)城市的78個(gè)普通住宅項(xiàng)目為研究對(duì)象。在選取過(guò)程中盡量保證市場(chǎng)的同一性,使不同城市之間的商品住宅具有可比性。

(二)變量的量化。由于樣本數(shù)據(jù)較多,這里只選取測(cè)試樣本數(shù)據(jù)做說(shuō)明。參照表1進(jìn)行量化,量化結(jié)果見(jiàn)表2。(表2)

(三)BP網(wǎng)絡(luò)參數(shù)設(shè)置及訓(xùn)練。將規(guī)格化后的66個(gè)樣本數(shù)據(jù)代入神經(jīng)網(wǎng)絡(luò)模型中,采用LM改進(jìn)算法進(jìn)行訓(xùn)練,隱含層激活函數(shù)為tansig,輸出層激活函數(shù)為logsig,BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)所設(shè)定的220次訓(xùn)練后,網(wǎng)絡(luò)目標(biāo)誤差達(dá)到精度要求,此時(shí)的誤差為:res=0.000991452。訓(xùn)練結(jié)束后,固定連接值和閾值并輸入測(cè)試數(shù)據(jù),測(cè)試數(shù)據(jù)的BP輸出結(jié)果見(jiàn)表3。(表3)

(四)結(jié)果分析。樣本項(xiàng)目的預(yù)測(cè)輸出和實(shí)際值的相對(duì)誤差值在0.6%～7.8%之間,平均誤差為0.3828。這說(shuō)明,BP神經(jīng)網(wǎng)絡(luò)在項(xiàng)目定價(jià)預(yù)測(cè)中具有相對(duì)的穩(wěn)定性和優(yōu)越性。

四、結(jié)論

與傳統(tǒng)的住宅項(xiàng)目均價(jià)定價(jià)方法相比,利用BP神經(jīng)網(wǎng)絡(luò)確定新建項(xiàng)目均價(jià)一方面具有較高的精度;另一方面簡(jiǎn)化了計(jì)算過(guò)程,減少資源的投入,是一種快速、便捷、有效的新方法。當(dāng)然,樣本要盡量選取經(jīng)典的,去掉一些“噪聲”比較大的樣本和特別復(fù)雜的項(xiàng)目。

(作者單位:重慶大學(xué)建設(shè)管理與房地產(chǎn)學(xué)院)

主要參考文獻(xiàn):

[1]LANCASTER KJ.A new approach to consumer theory[J].Journal of Political Economy,1966.74.1.

[2]張吉禮.模糊神經(jīng)網(wǎng)絡(luò)控制原理與工程應(yīng)用[M].哈爾濱:哈爾濱工業(yè)出版社,2004.

[3]王其文,呂景峰,劉廣靈等.人工神經(jīng)網(wǎng)絡(luò)與線(xiàn)性回歸的比較[J].決策與決策支持,1993.3.3.

[4]張良均,曹晶,蔣世忠.神經(jīng)網(wǎng)絡(luò)實(shí)用教程[M].北京:機(jī)械工業(yè)出版社,2008.2.

篇9

關(guān)鍵詞：建筑成本 造價(jià)估算 工程造價(jià)

1. 前言

建筑工程造價(jià)估算是項(xiàng)目決策的重要組成部分，是項(xiàng)目建設(shè)前期編制可行性報(bào)告以及項(xiàng)目建議書(shū)的重要依據(jù)之一。由于建筑工程施工周期長(zhǎng)、工藝較為復(fù)雜、涉及投資金額較大，項(xiàng)目造價(jià)估算是否準(zhǔn)確，不僅影響項(xiàng)目建設(shè)資金的籌措，而且影響下一階段設(shè)計(jì)以及施工圖概算的編制，使得投資者不能做出正確的投資決策。目前我國(guó)建筑工程造價(jià)管理正處于重要的改革階段，早期估算的準(zhǔn)確性也越來(lái)越得到投資者的重視。加強(qiáng)對(duì)建筑項(xiàng)目早期估算的研究，無(wú)疑對(duì)改變?nèi)藗儗?duì)工程造價(jià)的認(rèn)識(shí)和工程造價(jià)管理改革都具有重要的意義。

2. 造價(jià)估算模型基本原理剖析

為了提高工程企業(yè)在造價(jià)估算電算方面的效率和精度，溫國(guó)鋒等[1] 在進(jìn)行工程預(yù)算時(shí)引入了回歸分析、時(shí)間序列、自回歸預(yù)測(cè)等模型，但這些傳統(tǒng)的計(jì)算方法受限于確定性變化規(guī)律及線(xiàn)性關(guān)系。它基于一種簡(jiǎn)單化和理想化的條件假設(shè)，在實(shí)際工程中受到許多不確定性因素如地理?xiàng)l件、社會(huì)以及經(jīng)濟(jì)因素等等的影響，工程估算問(wèn)題呈現(xiàn)的是一種非線(xiàn)性關(guān)系。毛義華等[2]引入ANN（人工神經(jīng)網(wǎng)絡(luò)方法），其本質(zhì)是通過(guò)網(wǎng)絡(luò)函數(shù)逼近能力映射實(shí)際的復(fù)雜函數(shù)。工程造價(jià)的相關(guān)影響因素空間到工程造價(jià)資料空間的映射是工程造價(jià)估算的實(shí)質(zhì)。基于神經(jīng)網(wǎng)絡(luò)的造價(jià)估算模型取神經(jīng)網(wǎng)絡(luò)的輸入向量為投資估算的特征信息，神經(jīng)網(wǎng)絡(luò)的輸出為項(xiàng)目工程主要材料用量、具體的工程造價(jià)，通過(guò)以往典型的工程特征、工料及造價(jià)作為訓(xùn)練樣本，對(duì)其進(jìn)行訓(xùn)練，使不同的輸入向量都能得到最優(yōu)的輸出量值，從而是想輸入工程特征到輸出造價(jià)資料的映射。神經(jīng)網(wǎng)絡(luò)方法最常用是BP網(wǎng)絡(luò)，其存在著容易陷入局部最優(yōu)、收斂慢等缺點(diǎn)。

基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立預(yù)測(cè)模型，結(jié)合免疫算法確定中心值和隱層數(shù)量，并選擇監(jiān)督算法調(diào)整其權(quán)重，將得到一個(gè)精確的預(yù)測(cè)結(jié)果和客觀的結(jié)局方法[3]。采用RBF解決非線(xiàn)性問(wèn)題時(shí)，通常使用內(nèi)插觀點(diǎn)與函數(shù)逼近進(jìn)行解釋?zhuān)瑥V義的RBF網(wǎng)絡(luò)數(shù)據(jù)中心通常采用兩階段混合學(xué)習(xí)過(guò)程，第一階段為K-mean聚類(lèi)算法，其主要任務(wù)是通過(guò)采用自組織聚類(lèi)的方法，為隱層節(jié)點(diǎn)的徑向基函數(shù)確定合適的數(shù)據(jù)中心，因節(jié)點(diǎn)的擴(kuò)展常數(shù)由各個(gè)數(shù)據(jù)中心的距離確定。第二階段為監(jiān)督學(xué)習(xí)節(jié)點(diǎn)，其主要任務(wù)是監(jiān)督學(xué)習(xí)算法訓(xùn)練輸出層權(quán)值。

3. 造價(jià)估算實(shí)例分析

本文采用某市普通商用土建單方造價(jià)作為估算的對(duì)象，樣本數(shù)據(jù)的主要來(lái)源是該年份的該市商業(yè)地產(chǎn)藍(lán)皮書(shū)、統(tǒng)計(jì)年鑒以及工程信息網(wǎng)發(fā)生在2006-2010年間的56個(gè)商業(yè)地產(chǎn)項(xiàng)目。為適應(yīng)其處理要求，矩陣標(biāo)準(zhǔn)化按照以下線(xiàn)性公式：標(biāo)準(zhǔn)化值=2*（原值-矩陣列最小值）/（列最大值-列最小值）-1。神經(jīng)網(wǎng)絡(luò)的輸出轉(zhuǎn)化則按照下式實(shí)現(xiàn)：（網(wǎng)絡(luò)輸出值+1）*（最大輸出-最小輸出）/2+最小輸出。參考前學(xué)者的研究成果，根據(jù)工程造價(jià)影響因素確定{基礎(chǔ)種類(lèi)、結(jié)構(gòu)類(lèi)型、樓面工程、抗震烈度、門(mén)窗形式、外墻裝飾、建筑層數(shù)、物價(jià)上漲指數(shù)}為神經(jīng)網(wǎng)絡(luò)訓(xùn)練集。

將該市56組樣本數(shù)據(jù)分成兩部分，第一部分為訓(xùn)練樣本數(shù)據(jù)，由前45組數(shù)據(jù)組成；測(cè)試數(shù)據(jù)則由剩下的10組數(shù)據(jù)組成。RBF神經(jīng)網(wǎng)絡(luò)的決定性結(jié)構(gòu)通過(guò)反復(fù)的訓(xùn)練形成，其中隱層節(jié)點(diǎn)為45，輸入層節(jié)點(diǎn)為8，輸出層節(jié)點(diǎn)為1。通過(guò)上述定義方法對(duì)工程標(biāo)準(zhǔn)化和定量化，輸入量為工程目標(biāo)特征，輸出量為工程成本結(jié)果，非線(xiàn)性處理器為RBF，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及樣本測(cè)試通過(guò)采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行，表1為樣本在不同網(wǎng)絡(luò)模擬結(jié)果對(duì)比。

表1 測(cè)試樣本不同網(wǎng)絡(luò)模型結(jié)果對(duì)比

表中結(jié)果顯示，實(shí)際值與輸出結(jié)果的相對(duì)誤差最小值為3.91%，最大值為6.32%，標(biāo)注值為0.007，平均值為5.09%，說(shuō)明采用基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的投資估算模型對(duì)測(cè)試樣本進(jìn)行造價(jià)資料的模擬的預(yù)測(cè)精度符合實(shí)際工程的要求，運(yùn)用在實(shí)際建筑工程成本投資估算過(guò)程中時(shí)可行的。同樣的樣本使用BP網(wǎng)絡(luò)進(jìn)行測(cè)試和培訓(xùn)，測(cè)試結(jié)果與RBF相對(duì)比，結(jié)果如表2所示，BP神經(jīng)網(wǎng)絡(luò)其最大相對(duì)誤差達(dá)到18.57%，標(biāo)注值為9.79，針對(duì)相同的樣本訓(xùn)練，RBF神經(jīng)網(wǎng)絡(luò)的結(jié)果要精確于BP神經(jīng)網(wǎng)絡(luò)，而且RBF神經(jīng)網(wǎng)絡(luò)所用到的神經(jīng)元個(gè)數(shù)較少且所用時(shí)間也相對(duì)較短。表2為誤差指標(biāo)為0.01時(shí)，通過(guò)不同的路徑逼近同一函數(shù)得到的性能對(duì)比結(jié)果。與RBF神經(jīng)網(wǎng)絡(luò)相比，BP神經(jīng)網(wǎng)絡(luò)速度相對(duì)較慢，RBF能更快的逼近函數(shù)取得結(jié)果。

表2 不同網(wǎng)絡(luò)結(jié)構(gòu)性能比較

RBF神經(jīng)網(wǎng)絡(luò)通過(guò)實(shí)例進(jìn)行分析，具有較強(qiáng)的自學(xué)習(xí)能力、自適應(yīng)性以及快捷、簡(jiǎn)單的數(shù)據(jù)處理能力。與其他不同的神經(jīng)網(wǎng)絡(luò)模型相對(duì)比，RBF神經(jīng)網(wǎng)絡(luò)方法在絕大多數(shù)不確定性的建筑工程預(yù)測(cè)中更具有優(yōu)勢(shì)。

4. 結(jié)論

建筑工程造價(jià)估算是影響投資控制的關(guān)鍵因素之一，尋找便捷科學(xué)的分析方法，較好的估算工程項(xiàng)目的造價(jià)也成為了目前工程界重要的研究課題。本文通過(guò)對(duì)比RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)兩種估算模型分析結(jié)果，比較結(jié)果的精確度，結(jié)果證明，RBF神經(jīng)網(wǎng)絡(luò)更具有速度和泛化能力的優(yōu)勢(shì)，模擬的預(yù)測(cè)精度符合實(shí)際工程的要求，運(yùn)用在實(shí)際建筑工程成本投資估算過(guò)程中時(shí)可行。

參考文獻(xiàn)

[1]溫國(guó)鋒.建設(shè)項(xiàng)目投資估算模型分析[J].中國(guó)煤炭經(jīng)濟(jì)學(xué)院學(xué)報(bào)，2000.9（3）：19—22.

篇10

(湘潭大學(xué)商學(xué)院,湖南湘潭410600)

［摘要］文章對(duì)神經(jīng)網(wǎng)絡(luò)在非線(xiàn)性經(jīng)濟(jì)問(wèn)題預(yù)測(cè)中的研究與現(xiàn)狀進(jìn)行綜述,側(cè)重討論了國(guó)內(nèi)的研究近況,為國(guó)內(nèi)學(xué)者在該方面的研究提供參考。

［

關(guān)鍵詞 ］神經(jīng)網(wǎng)絡(luò)；非線(xiàn)性；經(jīng)濟(jì)預(yù)測(cè)

［DOI］10?13939/j?cnki?zgsc?2015?09?025

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANNs)也簡(jiǎn)稱(chēng)為神經(jīng)網(wǎng)絡(luò)(NNs),是一種模仿人腦神經(jīng)網(wǎng)絡(luò)特征,進(jìn)行分布式并行信息處理的數(shù)學(xué)模型。NNs具有強(qiáng)大的非線(xiàn)性處理能力,為經(jīng)濟(jì)預(yù)測(cè)提供了更多的可能性。

1BP神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)預(yù)測(cè)中的應(yīng)用及改進(jìn)

神經(jīng)網(wǎng)絡(luò)模型的類(lèi)型較多月前已不下數(shù)十種。代表性的神經(jīng)網(wǎng)絡(luò)模型有BP神經(jīng)網(wǎng)絡(luò)、GMDH網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、Hopfield模型、Boltzmann機(jī)、自適應(yīng)共振理論、CPN模型等。Rumelhart等于1986年提出的誤差反向傳播算法,簡(jiǎn)稱(chēng)BP算法,是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。

Lapedes等人(1987)最先將神經(jīng)網(wǎng)絡(luò)用于經(jīng)濟(jì)預(yù)測(cè)。Vaifis(1990)應(yīng)用神經(jīng)網(wǎng)絡(luò)解決經(jīng)濟(jì)時(shí)間序列數(shù)據(jù)的預(yù)測(cè)問(wèn)題。Wedding(1996)提出使用徑向基函數(shù)網(wǎng)絡(luò)與Box-Jenkins模結(jié)合。近年來(lái),國(guó)內(nèi)經(jīng)濟(jì)預(yù)測(cè)中有大量文獻(xiàn)涉及神經(jīng)網(wǎng)絡(luò)算法。周柳青等(2011)運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)方法,對(duì)廣東省縣域經(jīng)濟(jì)發(fā)展差異進(jìn)行綜合評(píng)估。認(rèn)為BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果可以較好地模擬縣域經(jīng)濟(jì)發(fā)展差異,能有效避免主觀確定權(quán)重所確定帶來(lái)的誤差,提高測(cè)度的準(zhǔn)確性。傅建華等(2012)構(gòu)建了企業(yè)綠色營(yíng)銷(xiāo)績(jī)效評(píng)估的AHP-BP神經(jīng)網(wǎng)絡(luò)模型,模型以AHP評(píng)價(jià)結(jié)果為神經(jīng)網(wǎng)絡(luò)輸入,利用反向逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)對(duì)評(píng)價(jià)結(jié)果進(jìn)行訓(xùn)練與檢驗(yàn),降低了人為主觀隨意性的缺陷,計(jì)算結(jié)果準(zhǔn)確、方法可行、誤差可控,在企業(yè)綠色營(yíng)銷(xiāo)績(jī)效評(píng)估領(lǐng)域具有推廣價(jià)值。

BP網(wǎng)絡(luò)能夠模仿非線(xiàn)性函數(shù)、分段函數(shù)等；能利用變量的屬性?xún)?nèi)含地建立相關(guān)的變量及變量之間的函數(shù)關(guān)系,且不需要預(yù)先假設(shè)基本的參數(shù)分布。因此,當(dāng)變量之間的關(guān)系不適合假定的模型時(shí),可以嘗試用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建模型。但BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的準(zhǔn)確性受參數(shù)的選擇、神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的優(yōu)劣等影響。運(yùn)用神經(jīng)網(wǎng)絡(luò)構(gòu)建模型的最主要的障礙是缺乏神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計(jì)理論,且有時(shí)候會(huì)陷入局部極小值。針對(duì)這些問(wèn)題,許多學(xué)者做了積極的改進(jìn)。陳健等(2006)把對(duì)數(shù)據(jù)的歸一化變?yōu)閷?duì)數(shù)據(jù)增長(zhǎng)率的歸一化,因而只要預(yù)測(cè)的經(jīng)濟(jì)數(shù)據(jù)增長(zhǎng)率不超過(guò)以往的經(jīng)濟(jì)數(shù)據(jù)增長(zhǎng)率,則不再會(huì)發(fā)生外延問(wèn)題。肖冬榮等(2007)通過(guò)綜合運(yùn)用附加動(dòng)量法、改變作用函數(shù)法以及把預(yù)測(cè)對(duì)象從生產(chǎn)總值調(diào)整為生產(chǎn)總值增長(zhǎng)率等技巧,來(lái)改進(jìn)預(yù)測(cè)精度、建模收斂速度、局部極小值等問(wèn)題。吳俊利等(2012)引入Adaboost算法對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn),提出了基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)算法,并將該方法應(yīng)用于短期風(fēng)速預(yù)測(cè)。劉向榮、孫紅英(2013)在對(duì)權(quán)值和閾值進(jìn)行修改時(shí)加入了動(dòng)量項(xiàng)α,改進(jìn)了預(yù)測(cè)效果。

2徑向基神經(jīng)網(wǎng)絡(luò)的應(yīng)用

不同于BP神經(jīng)網(wǎng)絡(luò)函數(shù)逼近時(shí)的負(fù)梯度下降法,徑向基神經(jīng)網(wǎng)絡(luò)(RBF)由于采用高斯型傳遞函數(shù),有著較快的收斂速度和較強(qiáng)的非線(xiàn)性映射能力,在非線(xiàn)性經(jīng)濟(jì)預(yù)測(cè)方面具有很好的應(yīng)用前景。許增福等(2008)根據(jù)經(jīng)濟(jì)發(fā)展的實(shí)際指標(biāo)數(shù)據(jù),構(gòu)造徑向基神經(jīng)網(wǎng)絡(luò)模型,設(shè)計(jì)了有監(jiān)督和無(wú)監(jiān)督兩段學(xué)習(xí)算法,并利用歷史經(jīng)濟(jì)數(shù)據(jù)證明了該方法的有效性。張亞平、張立偉(2011)利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)建立投資預(yù)測(cè)模型,有效解決經(jīng)濟(jì)投資預(yù)測(cè)中非線(xiàn)性預(yù)測(cè)問(wèn)題。通過(guò)仿真實(shí)驗(yàn)證明模型既真實(shí)地表達(dá)了投資要素之間的高度非線(xiàn)性關(guān)系,又考慮了分配結(jié)構(gòu)的優(yōu)化問(wèn)題,具有很高的預(yù)測(cè)精度和較強(qiáng)的實(shí)際應(yīng)用意義。郭立(2014)建立了基于徑向基神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)品價(jià)格非線(xiàn)性預(yù)測(cè)模型,并應(yīng)用某金屬的中長(zhǎng)期價(jià)格進(jìn)行仿真,結(jié)果表明該模型具有較好的可靠性和實(shí)用性。

3遺傳算法、模糊算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合應(yīng)用

1975年美國(guó)Michigan大學(xué)的Holland提出的模擬達(dá)爾文遺傳選擇和自然淘汰的生物進(jìn)化論的計(jì)算模型——遺傳算法(Genetic Algorithm,GA)。在神經(jīng)網(wǎng)絡(luò)中結(jié)合應(yīng)用遺傳算法,能夠克服神經(jīng)網(wǎng)絡(luò)利用梯度下降法所帶來(lái)的缺點(diǎn),將它們應(yīng)用于經(jīng)濟(jì)預(yù)測(cè)可以得到較好的預(yù)測(cè)效果。陳朝陽(yáng)等(1997)提出將遺傳算法用于神經(jīng)網(wǎng)絡(luò)結(jié)合,并將其應(yīng)用于經(jīng)濟(jì)的預(yù)測(cè)及組合預(yù)測(cè)中,得到了比常規(guī)經(jīng)濟(jì)學(xué)模型更優(yōu)的效果。李玲、陶啟萍(2005)利用遺傳算法和人工神經(jīng)網(wǎng)絡(luò)建立數(shù)學(xué)模型,同時(shí)結(jié)合企業(yè)態(tài)勢(shì)分析法(SWOT)選取各類(lèi)指標(biāo)形成完善的企業(yè)決策模型。張雙(2014)利用遺傳算法對(duì)權(quán)值和閾值的初始值進(jìn)行優(yōu)化改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)殘差進(jìn)行修正,建立灰色遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)模型,并利用加權(quán)法對(duì)多元回歸分析和灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行組合,更好地利用了不同單一模型的優(yōu)勢(shì)。通過(guò)實(shí)證分析證明這種組合預(yù)測(cè)模型較灰色預(yù)測(cè)模型誤差率可以減少40%～70%。

模糊模型因其善于處理分類(lèi)邊界模糊的數(shù)據(jù)以及易于引入啟發(fā)性知識(shí)的能力而在自動(dòng)控制、模式辨識(shí)等方面得到廣泛應(yīng)用。目前在把人工神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)結(jié)合起來(lái)形成模糊神經(jīng)系統(tǒng)方面已取得了很大進(jìn)展。賀京同等(2000)運(yùn)用模糊邏輯推理將經(jīng)濟(jì)專(zhuān)家經(jīng)驗(yàn)引入到宏觀經(jīng)濟(jì)的預(yù)警分析中,將神經(jīng)網(wǎng)絡(luò)理論與模糊系統(tǒng)理論相結(jié)合,建立了宏觀經(jīng)濟(jì)非線(xiàn)性預(yù)警模型。張婕等(2010)運(yùn)用模糊學(xué)和BP神經(jīng)網(wǎng)絡(luò)的基本理論,構(gòu)建包裝企業(yè)的安全生產(chǎn)方案決策模型,進(jìn)行安全生產(chǎn)方案的決策選擇,認(rèn)為該方法能夠達(dá)到提高安全生產(chǎn)能力、增強(qiáng)企業(yè)的經(jīng)濟(jì)效益與社會(huì)效益的目的。張廣平等(2012)借助廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)(GD-FNN)設(shè)計(jì)了一種模糊神經(jīng)網(wǎng)絡(luò)模型并應(yīng)用于臺(tái)風(fēng)災(zāi)害損失的預(yù)測(cè)預(yù)警中,定量地研究了臺(tái)風(fēng)災(zāi)害致災(zāi)因子與災(zāi)情指標(biāo)因子之間的規(guī)律。王暉、唐靜(2013)將模糊理論和神經(jīng)網(wǎng)絡(luò)理論結(jié)合,構(gòu)建了教育經(jīng)濟(jì)貢獻(xiàn)度分析模型,用于度量教育對(duì)于我國(guó)經(jīng)濟(jì)的發(fā)展的作用。

綜上所述,神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)預(yù)測(cè)中的應(yīng)用已得到了深入的研究。包括應(yīng)用BP神經(jīng)網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)對(duì)經(jīng)濟(jì)數(shù)據(jù)進(jìn)行建模分析,以及將遺傳算法、模糊系統(tǒng)算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合應(yīng)用,并通過(guò)實(shí)證分析證明了多種模型的有效性。

如今,神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于智能控制、計(jì)算機(jī)視覺(jué)、模式識(shí)別、自動(dòng)目標(biāo)識(shí)別、連續(xù)語(yǔ)音識(shí)別、信號(hào)處理、自適應(yīng)濾波、非線(xiàn)性?xún)?yōu)化、傳感技術(shù)與機(jī)器人、知識(shí)處理、生物醫(yī)學(xué)工程等領(lǐng)域,在經(jīng)濟(jì)預(yù)測(cè)對(duì)復(fù)雜經(jīng)濟(jì)變量的非線(xiàn)性關(guān)系預(yù)測(cè)上具有較高的精度。對(duì)于一些經(jīng)濟(jì)理論尚不明確的經(jīng)濟(jì)關(guān)系也能給出較為準(zhǔn)確的預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展,也會(huì)帶給經(jīng)濟(jì)預(yù)測(cè)領(lǐng)域更新的方法。

參考文獻(xiàn)：

［1］Varfis, A?and Versino, C?, Univariate Economic Time Series Forecasting by Connectionist Method［M］?IEEE ICNN-90,1990?

［2］張雙?基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)［J］?統(tǒng)計(jì)與決策,2014(17)：79-81?