導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇神經(jīng)網(wǎng)絡(luò)回歸問(wèn)題，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] 廣義回歸神經(jīng)網(wǎng)絡(luò) 經(jīng)濟(jì)預(yù)測(cè) 評(píng)價(jià)指標(biāo)體系

一般常用的預(yù)測(cè)方法包括時(shí)間序列方法（移動(dòng)平滑法、指數(shù)平滑法、隨機(jī)時(shí)間序列方法），相關(guān)(回歸)分析法，灰色預(yù)測(cè)方法等。這些方法大都集中于對(duì)因果關(guān)系回歸模型和時(shí)間序列模型的分析，建立的模型不能全面和本質(zhì)的反映所預(yù)測(cè)的動(dòng)態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復(fù)雜特性。人工神經(jīng)網(wǎng)絡(luò)是有大量簡(jiǎn)單的處理單元組成的非線形、自適應(yīng)、自組織系統(tǒng)，它的重要特點(diǎn)是通過(guò)網(wǎng)絡(luò)學(xué)習(xí)達(dá)到其輸出與期望輸出相符的結(jié)果，具有很強(qiáng)的自學(xué)自適應(yīng)、魯棒性、容錯(cuò)性、存儲(chǔ)記憶的能力，人工神經(jīng)網(wǎng)絡(luò)具有傳統(tǒng)建模方法所不具備的很多優(yōu)點(diǎn)，有很好的非線形映射能力，對(duì)被建模對(duì)象的經(jīng)驗(yàn)知識(shí)要求不多，一般不必事先知道有關(guān)被建模對(duì)象的結(jié)構(gòu)、參數(shù)和動(dòng)態(tài)特性等方面的知識(shí)。只需要給出對(duì)象的輸入和輸出數(shù)據(jù)，通過(guò)網(wǎng)絡(luò)本身的學(xué)習(xí)功能就可以達(dá)到輸入和輸出的映射關(guān)系。相對(duì)于傳統(tǒng)的根據(jù)數(shù)據(jù)分析預(yù)測(cè)方法，它更適合處理模糊、非線形的和模式特征不明確的問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)中有各種模型，其中廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network, GRNN）是Donald F.Specht提出的一種新型神經(jīng)網(wǎng)絡(luò)，本文將探討該神經(jīng)網(wǎng)絡(luò)模型在經(jīng)濟(jì)預(yù)測(cè)中的應(yīng)用。

一、廣義回歸神經(jīng)網(wǎng)絡(luò)

廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種，有三層組織結(jié)構(gòu)。第一層為輸入層，有信號(hào)源結(jié)點(diǎn)組成。第二層為徑向基隱含層，神經(jīng)元個(gè)數(shù)等于訓(xùn)練樣本數(shù)，由所描述問(wèn)題而定，第三層為線性輸出層，其權(quán)函數(shù)為規(guī)范化點(diǎn)積權(quán)函數(shù)，計(jì)算網(wǎng)絡(luò)的輸出。

GRNN網(wǎng)絡(luò)連接權(quán)值的學(xué)習(xí)修正使用BP算法，由于網(wǎng)絡(luò)隱含層結(jié)點(diǎn)中的作用函數(shù)采用高斯函數(shù)，從而具有局部逼近能力，此為該網(wǎng)絡(luò)之所以學(xué)習(xí)速度快的原因，此外，由于GRNN中人為調(diào)節(jié)參數(shù)很少，只有一個(gè)閾值，網(wǎng)絡(luò)的學(xué)習(xí)全部依耐數(shù)據(jù)樣本，這個(gè)特點(diǎn)決定網(wǎng)絡(luò)得以最大可能地避免人為主觀假定對(duì)預(yù)測(cè)結(jié)果的影響。

二、GRNN在經(jīng)濟(jì)預(yù)測(cè)中的應(yīng)用

本文根據(jù)對(duì)GDP影響因素的分析，這里分別取固定資產(chǎn)投資、從業(yè)人員數(shù)量、能源生產(chǎn)總量、財(cái)政支出、貨運(yùn)量、人均收入、進(jìn)出口量，貨幣供應(yīng)量等8項(xiàng)指標(biāo)作為GDP預(yù)測(cè)的影響因子，以第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，第三產(chǎn)業(yè)生產(chǎn)總值作為GDP的輸出因子，即網(wǎng)絡(luò)的輸出。由此來(lái)構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)。

我們通過(guò)查《中國(guó)統(tǒng)計(jì)年鑒》，利用1990年～1999年共10年的歷史統(tǒng)計(jì)數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，2000年～2003年共4年的歷史統(tǒng)計(jì)數(shù)據(jù)作為網(wǎng)絡(luò)的外推測(cè)試樣本。

應(yīng)用MATLAB7編程，創(chuàng)建一個(gè)GRNN網(wǎng)絡(luò)，輸入向量組數(shù)為10，每組向量的元素個(gè)數(shù)為8，中間層徑向基神經(jīng)元個(gè)數(shù)為10，輸出層有線性神經(jīng)元個(gè)數(shù)3。對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。我們將光滑因子分別設(shè)置為0.01，0.02，0.03，0.04，0.05，通過(guò)不斷的嘗試，我們得到光滑因子為0.01時(shí)，網(wǎng)絡(luò)的誤差最小，逼近效果相對(duì)最好，如圖1所示，網(wǎng)絡(luò)此時(shí)的逼近誤差基本均在0附近，網(wǎng)絡(luò)訓(xùn)練符合要求。

通過(guò)2000年至2003年共4年的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)外推預(yù)測(cè)測(cè)試，得到預(yù)測(cè)誤差曲線如圖2，網(wǎng)絡(luò)的輸出誤差分別在0.12和0.25之間。應(yīng)該說(shuō)在訓(xùn)練樣本較少的情況下這種誤差是可以接受的。因此可以用GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，將2007年的相關(guān)數(shù)據(jù)進(jìn)行輸入網(wǎng)路中，就可以得到2008年的各產(chǎn)業(yè)的經(jīng)濟(jì)生產(chǎn)總值了。

三、結(jié)論

通過(guò)以上對(duì)GRNN在經(jīng)濟(jì)預(yù)測(cè)中的應(yīng)用分析可以看出，GRNN神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)方面有很好的優(yōu)勢(shì)，其預(yù)測(cè)精度較高，對(duì)參數(shù)的要求較低，只需一個(gè)光滑因子，但模型本身也有一定局限，其對(duì)樣本數(shù)據(jù)依耐很強(qiáng)，隨著時(shí)間推移，其預(yù)測(cè)結(jié)果偏差會(huì)越來(lái)越大，因此模型更適合于短期預(yù)測(cè)。如要應(yīng)用于長(zhǎng)期預(yù)測(cè)，就需不斷增加新樣本數(shù)據(jù)，對(duì)模型進(jìn)行完善。

參考文獻(xiàn)：

[1]喬維德:基于BP神經(jīng)網(wǎng)絡(luò)的電力企業(yè)信息化水平評(píng)價(jià)指標(biāo)體系的研究[J].電氣時(shí)代，2004，A20

[2]歐邦才:基于BP神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法[J].南京工程學(xué)院學(xué)報(bào)（自然科學(xué)版），2004（2），11～14

[3]飛思科技產(chǎn)品研發(fā)中心:神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京:電子工業(yè)出版社，2005，117

篇2

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 應(yīng)用 經(jīng)濟(jì)預(yù)測(cè) 改進(jìn)

神經(jīng)網(wǎng)絡(luò)作為新時(shí)展最快的人工智能領(lǐng)域研究成果之一，在科學(xué)計(jì)算、自動(dòng)控制等方面得到了成功的運(yùn)用。近年來(lái)，我國(guó)學(xué)者們將神經(jīng)網(wǎng)絡(luò)運(yùn)用于經(jīng)濟(jì)預(yù)測(cè)領(lǐng)域，并且不斷地改進(jìn)應(yīng)用方法，使基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)系統(tǒng)更具效益。本文在此背景下，對(duì)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的應(yīng)用進(jìn)行了研究，圍繞經(jīng)濟(jì)預(yù)測(cè)的方法應(yīng)用提出相應(yīng)的改進(jìn)建議，從而豐富了經(jīng)濟(jì)增長(zhǎng)預(yù)測(cè)理論與實(shí)踐。

一、神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的方法的概述

1.概念

神經(jīng)網(wǎng)絡(luò)，是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特征的抽象和模擬。從解剖學(xué)和生理學(xué)的角度來(lái)看，人腦是一個(gè)復(fù)雜的并行系統(tǒng)，他是由大量的細(xì)胞組合而成，這些細(xì)胞相互連接。神經(jīng)細(xì)胞與人體中的其他細(xì)胞的關(guān)鍵區(qū)別在于，神經(jīng)細(xì)胞具有產(chǎn)生、處理和傳遞信號(hào)的能力。在人工神經(jīng)網(wǎng)絡(luò)的發(fā)展過(guò)程中，對(duì)生物神經(jīng)系統(tǒng)進(jìn)行了不同模擬，提出了各種各樣的神經(jīng)網(wǎng)絡(luò)模型，其中具有代表的網(wǎng)絡(luò)模型有感知器神經(jīng)網(wǎng)絡(luò)、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)。

2.特征

神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的方法不同傳統(tǒng)的預(yù)測(cè)方法，它對(duì)經(jīng)濟(jì)系統(tǒng)里的多種因素進(jìn)行分析，進(jìn)行有效地多輸入、多輸出的經(jīng)濟(jì)預(yù)測(cè)數(shù)據(jù)。可以說(shuō)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的方法具有以下幾種特征：其一，由于神經(jīng)網(wǎng)絡(luò)是由復(fù)雜的因素構(gòu)成的，它的輸入向量維數(shù)比較多。其二，經(jīng)濟(jì)系統(tǒng)數(shù)據(jù)具有很強(qiáng)的非線性，使得輸入的向量各分量之間存在著復(fù)雜的耦合關(guān)系。其三，經(jīng)濟(jì)系統(tǒng)處在一個(gè)“黑箱”模型下，導(dǎo)致數(shù)據(jù)之間的相互影響不存在明確表達(dá)式的關(guān)系。神經(jīng)網(wǎng)絡(luò)也會(huì)隨著時(shí)間的增長(zhǎng)，數(shù)據(jù)呈現(xiàn)出增長(zhǎng)的趨勢(shì)。

3.優(yōu)勢(shì)

用神經(jīng)網(wǎng)絡(luò)進(jìn)行經(jīng)濟(jì)預(yù)測(cè)相對(duì)來(lái)說(shuō)比較準(zhǔn)確。因?yàn)檫@種神經(jīng)網(wǎng)絡(luò)在計(jì)算量允許的范圍內(nèi)，可以很好地?cái)M合任意多對(duì)多的映射關(guān)系，數(shù)據(jù)擬合的結(jié)果表明，系統(tǒng)擬合相對(duì)誤差在0%—0.75%，比采取回歸分析逼近效果好。此外，神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)之間的聯(lián)結(jié)權(quán)數(shù)及閾值恰好可以表達(dá)經(jīng)濟(jì)系統(tǒng)中各個(gè)因素之間相互交織、相互影響的強(qiáng)耦合關(guān)系.而采取多元回歸模型。

往往只能引入少量耦合項(xiàng)以避免模型過(guò)于復(fù)雜而無(wú)法求解.因此，神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的多元回歸預(yù)測(cè)方法有更好的擬合能力和準(zhǔn)確度。神經(jīng)網(wǎng)絡(luò)的方法是比較適合對(duì)經(jīng)濟(jì)預(yù)測(cè)的，因?yàn)樗恍枰倭坑?xùn)練樣本就可以確定網(wǎng)絡(luò)的權(quán)值和閾值從而預(yù)測(cè)出宏觀經(jīng)濟(jì)發(fā)展趨勢(shì)，計(jì)算簡(jiǎn)單、快捷、可靠。總而言之，神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)方法具有顯著的優(yōu)勢(shì)，是比較適合經(jīng)濟(jì)預(yù)測(cè)的應(yīng)用過(guò)程的。

二、神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)方法應(yīng)用的改進(jìn)

由于商業(yè)、政府和工業(yè)所產(chǎn)生的預(yù)測(cè)間題，其復(fù)雜程度越來(lái)越高，以致于現(xiàn)有的預(yù)測(cè)系統(tǒng)難于解決，這就要求我們的預(yù)測(cè)系統(tǒng)能夠處理復(fù)雜度增加的問(wèn)題，進(jìn)一步擴(kuò)展傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的能力，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論的不斷發(fā)展和完善、新的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的不斷產(chǎn)生，使得神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型更加實(shí)用化、現(xiàn)代化，會(huì)給商貿(mào)和工農(nóng)業(yè)生產(chǎn)帶來(lái)巨大的經(jīng)濟(jì)效益。以下是本人對(duì)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)方法應(yīng)用改進(jìn)的建議：

首先，我們要改進(jìn)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的過(guò)程。確定預(yù)測(cè)的目的，制定預(yù)測(cè)的計(jì)劃。經(jīng)濟(jì)預(yù)測(cè)首先要確定預(yù)測(cè)的目的，從決策和管理的需求出發(fā)，緊密聯(lián)系實(shí)際需要與可能，確定預(yù)測(cè)要解決的問(wèn)題。預(yù)測(cè)計(jì)劃是根據(jù)預(yù)測(cè)目的而制定的預(yù)測(cè)方案，包括預(yù)測(cè)的內(nèi)容、項(xiàng)目，預(yù)測(cè)所需要的資料，準(zhǔn)備選用的預(yù)測(cè)方法，預(yù)測(cè)的進(jìn)程和完成的時(shí)間以及預(yù)測(cè)的預(yù)算、組織實(shí)施等。只有目的明確、計(jì)劃科學(xué)的預(yù)測(cè)，才可保證預(yù)測(cè)的順利進(jìn)行。

其次，建立新的神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)模型。經(jīng)過(guò)求增長(zhǎng)率再進(jìn)行歸一化的處理，在給出的以往的數(shù)據(jù)的增長(zhǎng)率范圍內(nèi)，網(wǎng)絡(luò)就可能不再陷入訓(xùn)練“盲區(qū)”。.當(dāng)采用了足夠年限的已知數(shù)據(jù)并將其增長(zhǎng)率歸一化以后，“被預(yù)測(cè)年”數(shù)據(jù)的增長(zhǎng)率可能不再會(huì)大于那些“已知年”數(shù)據(jù)的增長(zhǎng)率.則外延問(wèn)題可以得到基本解決。

最后，對(duì)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)，減小誤差。經(jīng)濟(jì)預(yù)測(cè)是立足于過(guò)去及現(xiàn)在的已知推測(cè)未來(lái)的未知，而過(guò)去和現(xiàn)在終歸不是未來(lái)，預(yù)測(cè)結(jié)果和未來(lái)實(shí)際值不可能絕對(duì)相符，存在的差異就是預(yù)測(cè)誤差。為了使預(yù)測(cè)誤差最小化，檢驗(yàn)結(jié)果通過(guò)試探性的反復(fù)試驗(yàn)來(lái)確定，預(yù)測(cè)準(zhǔn)確度應(yīng)盡可能進(jìn)行外推檢驗(yàn)。

三、總結(jié)

神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的方法相對(duì)于其他的經(jīng)濟(jì)預(yù)測(cè)方法，具有獨(dú)特的、顯著的優(yōu)勢(shì)，我們可以利用好其優(yōu)勢(shì)，從而有助于我們更好的對(duì)經(jīng)濟(jì)發(fā)展進(jìn)行預(yù)測(cè)分析，從而把握好經(jīng)濟(jì)發(fā)展動(dòng)向，為經(jīng)濟(jì)決策提供依據(jù)。因此，我們應(yīng)當(dāng)根據(jù)社會(huì)發(fā)展需要，不斷改進(jìn)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)方法的應(yīng)用，使其效能最優(yōu)化，為我國(guó)經(jīng)濟(jì)發(fā)展助力。

參考文獻(xiàn)：

[1]陳健，游瑋，田金信.應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行經(jīng)濟(jì)預(yù)測(cè)方法的改進(jìn)[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2006（06）

篇3

>> 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)算法在多元非線性系統(tǒng)建模中的應(yīng)用 改進(jìn)的求解非線性方程組的迭代神經(jīng)網(wǎng)絡(luò)算法 基于非線性粒子群算法與神經(jīng)網(wǎng)絡(luò)的天氣預(yù)測(cè) 演化算法在非線性方程求解方面的應(yīng)用 基于BP神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)擬合 非線性倒立擺系統(tǒng)的神經(jīng)網(wǎng)絡(luò)辨識(shí) 基于遺傳小波神經(jīng)網(wǎng)絡(luò)的非線性動(dòng)態(tài)自治網(wǎng)絡(luò)故障診斷仿真算法 一種基于正交基神經(jīng)網(wǎng)絡(luò)的非線性衛(wèi)星信道預(yù)失真補(bǔ)償算法 神經(jīng)網(wǎng)絡(luò)在電路故障診斷方面的應(yīng)用 神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)方面的應(yīng)用 BP神經(jīng)網(wǎng)絡(luò)在坐標(biāo)轉(zhuǎn)換方面的應(yīng)用 人工神經(jīng)網(wǎng)絡(luò)在電渦流傳感器非線性補(bǔ)償中的應(yīng)用研究 基于神經(jīng)網(wǎng)絡(luò)的通用非線性神經(jīng)自適應(yīng)控制研究 基于BP神經(jīng)網(wǎng)絡(luò)的非線性網(wǎng)絡(luò)流量預(yù)測(cè) 改進(jìn)的基于神經(jīng)網(wǎng)絡(luò)的非線性多元回歸分析 基于徑向基神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識(shí) 基于OBF神經(jīng)網(wǎng)絡(luò)的溫度傳感器非線性補(bǔ)償方法 基于RBF神經(jīng)網(wǎng)絡(luò)的非線性控制系統(tǒng) 群智能算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全的應(yīng)用 淺談基于BP神經(jīng)網(wǎng)絡(luò)的水源熱泵在建筑節(jié)能方面的應(yīng)用 常見(jiàn)問(wèn)題解答 當(dāng)前所在位置：中國(guó) > 教育 > 神經(jīng)網(wǎng)絡(luò)算法非線性優(yōu)化方面的應(yīng)用 神經(jīng)網(wǎng)絡(luò)算法非線性優(yōu)化方面的應(yīng)用 雜志之家、寫(xiě)作服務(wù)和雜志訂閱支持對(duì)公帳戶付款！安全又可靠！ document.write("作者： 方達(dá) 胡忠剛")

申明:本網(wǎng)站內(nèi)容僅用于學(xué)術(shù)交流，如有侵犯您的權(quán)益，請(qǐng)及時(shí)告知我們，本站將立即刪除有關(guān)內(nèi)容。 摘 要：文章通過(guò)神經(jīng)網(wǎng)絡(luò)算法對(duì)一類非線性優(yōu)化方面的問(wèn)題進(jìn)行了分析，得到了應(yīng)用神經(jīng)網(wǎng)絡(luò)非線性優(yōu)化算法求解該類問(wèn)題的具體步驟和算法方案，并給出了實(shí)例進(jìn)行驗(yàn)證，證明了神經(jīng)網(wǎng)絡(luò)非線性優(yōu)化算法是有效的，具有理論意義和實(shí)用價(jià)值。 關(guān)鍵詞：：神經(jīng)網(wǎng)絡(luò)算法;MTLAB;非線性優(yōu)化最優(yōu)化

中圖分類號(hào)：G622 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：1002-7661（2014）22-002-01

人工神經(jīng)網(wǎng)絡(luò)是由簡(jiǎn)單的處理單元所組成的大量并行分布的處理機(jī)，這種處理機(jī)具有儲(chǔ)存和應(yīng)用經(jīng)念知識(shí)的自然特性，它與人腦的相似之處概括兩個(gè)方面：一是通過(guò)學(xué)習(xí)過(guò)程利用神經(jīng)網(wǎng)絡(luò)從外部環(huán)境中獲取知識(shí);二是內(nèi)部神經(jīng)元（突觸權(quán)值）用來(lái)存儲(chǔ)獲取的知識(shí)信息。

一、神經(jīng)網(wǎng)絡(luò)非線性優(yōu)化求解鐵路空車(chē)調(diào)度組合優(yōu)化問(wèn)題

目前鐵路局對(duì)空車(chē)調(diào)度計(jì)劃是利用表上作業(yè)法，采用計(jì)算機(jī)輔助統(tǒng)計(jì)，要經(jīng)過(guò)分局管內(nèi)各主要站和各區(qū)段的車(chē)種別空車(chē)調(diào)度，分局間分界站車(chē)種別交接空車(chē)數(shù)的確定;局間分界站車(chē)種別交接空車(chē)數(shù)的確定來(lái)編制整個(gè)鐵路局的空車(chē)調(diào)度計(jì)劃.下面用神經(jīng)網(wǎng)絡(luò)優(yōu)化方法解決該問(wèn)題。

空車(chē)調(diào)度問(wèn)題一般指的是：設(shè)有個(gè)空車(chē)發(fā)送站，個(gè)空車(chē)到達(dá)站數(shù)的距離為，設(shè)空車(chē)產(chǎn)生站 到空車(chē)需求站的空車(chē)數(shù)為，由發(fā)出的空車(chē)數(shù)為，則應(yīng)滿足

空車(chē)需求站接受到的空車(chē)數(shù)為，則應(yīng)滿足

假設(shè)空車(chē)產(chǎn)生數(shù)等于空車(chē)的需求數(shù)，即平衡運(yùn)輸，則

總的空車(chē)走行公里數(shù)為

由于神經(jīng)元的輸出值在之間，而空車(chē)數(shù)目是大于1的數(shù)，則將（ ）作為實(shí)際空車(chē)數(shù)，這樣就可以保證在（ ）之間，求為在中所占的百分比，為了用Hopfield神經(jīng)網(wǎng)絡(luò)求解空車(chē)調(diào)度問(wèn)題，建立能量函數(shù)如下

式中

表示空車(chē)發(fā)送站的空車(chē)數(shù)應(yīng)等于的約束，當(dāng)且僅當(dāng)發(fā)車(chē)數(shù)為時(shí)，該項(xiàng)為0; 表示空車(chē)到達(dá)站所需的空車(chē)數(shù)應(yīng)等于的約束，當(dāng)且僅當(dāng)?shù)竭_(dá)的空車(chē)數(shù)為時(shí)，該項(xiàng)為0;

表示對(duì)空車(chē)調(diào)度的總體約束;

表示對(duì)目標(biāo)項(xiàng)的約束;

表示懲罰項(xiàng)系數(shù)，為目標(biāo)項(xiàng)系數(shù).

當(dāng)計(jì)算能量函數(shù) 達(dá)到最小時(shí)，對(duì)應(yīng)于空車(chē)調(diào)整計(jì)劃的一個(gè)最佳計(jì)劃方案.其算法如下

則動(dòng)態(tài)迭代過(guò)程為

其中 ，分別代表迭代次數(shù)，選取0.001.

二、結(jié)束語(yǔ)

篇4

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)算法；貨運(yùn)量；預(yù)測(cè)模型；實(shí)證分析

中圖分類號(hào)：F252 文獻(xiàn)標(biāo)識(shí)碼：A

交通運(yùn)輸系統(tǒng)是國(guó)民經(jīng)濟(jì)大系統(tǒng)中的一個(gè)子系統(tǒng)，運(yùn)輸需求同時(shí)受到來(lái)自系統(tǒng)內(nèi)部和系統(tǒng)外部因素的影響，同時(shí)又反作用于國(guó)民經(jīng)濟(jì)系統(tǒng)[1]。其中，貨運(yùn)量是反映運(yùn)輸生產(chǎn)成果，體現(xiàn)運(yùn)輸系統(tǒng)為國(guó)民經(jīng)濟(jì)服務(wù)數(shù)量的重要指標(biāo)[2]，它作為衡量一個(gè)國(guó)家或地區(qū)經(jīng)濟(jì)發(fā)展的重要經(jīng)濟(jì)指標(biāo)，愈加受到人們的重視，如何正確、有效地根據(jù)相關(guān)影響因素做出貨運(yùn)量預(yù)測(cè)，對(duì)于物流產(chǎn)業(yè)的發(fā)展具有至關(guān)重要的作用。

貨運(yùn)量預(yù)測(cè)具有較大的復(fù)雜性和非線性等特點(diǎn)[3]，進(jìn)行貨運(yùn)量預(yù)測(cè)的方法很多，常用的方法包括時(shí)間序列法、回歸分析法和灰色系統(tǒng)法等，這些方法都集中在對(duì)其因果關(guān)系回歸模型和時(shí)間序列模型的分析上，所建立的模型不能全面和本質(zhì)地反映所預(yù)測(cè)動(dòng)態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復(fù)雜特性，從而丟失了信息[4]。人工神經(jīng)網(wǎng)絡(luò)具有良好的曲線擬合能力、學(xué)習(xí)能力、抗干擾能力[4-5]，采用BP神經(jīng)網(wǎng)絡(luò)方法，建立貨運(yùn)量預(yù)測(cè)模型，具有更好的說(shuō)服力。

近幾年來(lái)，在國(guó)家政策的大力扶持和傾斜下，整個(gè)新疆的經(jīng)濟(jì)社會(huì)發(fā)展都步入了快車(chē)道。經(jīng)濟(jì)社會(huì)的快速發(fā)展，對(duì)相應(yīng)的物流能力提出了更高的要求?，F(xiàn)有的南疆兵團(tuán)物流企業(yè)已經(jīng)難以滿足其經(jīng)濟(jì)快速高效發(fā)展的需要，日益成為制約南疆兵團(tuán)經(jīng)濟(jì)快速發(fā)展的瓶頸?？茖W(xué)合理地預(yù)測(cè)南疆兵團(tuán)物流企業(yè)的貨運(yùn)量以對(duì)其物流能力進(jìn)行客觀評(píng)價(jià)，對(duì)于優(yōu)化配置南疆兵團(tuán)有限的物流資源，實(shí)現(xiàn)南疆兵團(tuán)物流企業(yè)的可持續(xù)發(fā)展，具有重要的現(xiàn)實(shí)意義和實(shí)踐價(jià)值。

1 BP神經(jīng)網(wǎng)絡(luò)算法與模型

近年來(lái)，全球性的神經(jīng)網(wǎng)絡(luò)研究熱潮再度興起，不僅僅是因?yàn)樯窠?jīng)科學(xué)本身取得了巨大的進(jìn)展，更主要的原因在于發(fā)展新型計(jì)算機(jī)和人工智能新途徑的迫切需要。迄今為止在需要人工智能解決的許多問(wèn)題中，人腦遠(yuǎn)比計(jì)算機(jī)聰明的多，要開(kāi)創(chuàng)具有智能的新一代計(jì)算機(jī)，就必須了解人腦，研究人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)信息處理的機(jī)制。另一方面，基于神經(jīng)科學(xué)研究成果基礎(chǔ)上發(fā)展出來(lái)的人工神經(jīng)網(wǎng)絡(luò)模型，反映了人腦功能的若干基本特性，開(kāi)拓了神經(jīng)網(wǎng)絡(luò)用于計(jì)算機(jī)的新途徑[6]，它對(duì)傳統(tǒng)的計(jì)算機(jī)結(jié)構(gòu)和人工智能是一個(gè)有力的挑戰(zhàn)，引起了各方面專家的極大關(guān)注。

目前，已發(fā)展了幾十種神經(jīng)網(wǎng)絡(luò)， 例如Hopficld模型、Feldmann等的連接型網(wǎng)絡(luò)模型、Hinton等的玻爾茨曼機(jī)模型，以及Rumelhart等的多層感知機(jī)模型和Kohonen的自組織網(wǎng)絡(luò)模型，等等[6]。神經(jīng)網(wǎng)絡(luò)模型中，應(yīng)用最廣泛的是多層感知機(jī)神經(jīng)網(wǎng)絡(luò)。多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的研究始于20世紀(jì)50年代，但一直進(jìn)展不大。直到1985年，Rumelhart等人提出了誤差反向傳遞學(xué)習(xí)，即BP算法[7]，實(shí)現(xiàn)了Minsky的多層網(wǎng)絡(luò)設(shè)想，如圖1所示。

BP算法不僅有輸入層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)，還可有一個(gè)或多個(gè)隱含層節(jié)點(diǎn)。對(duì)于輸入信號(hào)，要先向前傳播到隱含層節(jié)點(diǎn)，經(jīng)作用函數(shù)激勵(lì)后，再把隱含層節(jié)點(diǎn)的輸出信號(hào)傳播到輸出節(jié)點(diǎn)，最后給出輸出結(jié)果。節(jié)點(diǎn)的作用激勵(lì)函數(shù)通常選取S型函數(shù)，如：

式中Q為調(diào)整激勵(lì)函數(shù)形式的Sigmoid參數(shù)。該算法的學(xué)習(xí)過(guò)程由正向傳播和反向傳播組成。在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的連接通道返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。

從上述BP算法可以看出，BP模型把一組樣本的I/O問(wèn)題變?yōu)橐粋€(gè)非線性優(yōu)化[8]，是優(yōu)化中最普通的梯度下降法。如果把神經(jīng)網(wǎng)絡(luò)的看成輸入到輸出的映射，則這個(gè)映射是一個(gè)高度非線性映射。

設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)專家模型的構(gòu)成和學(xué)習(xí)算法的選擇，一般來(lái)說(shuō)，是根據(jù)所研究領(lǐng)域及要解決的問(wèn)題確定的[6]。通過(guò)對(duì)所研究問(wèn)題的大量歷史資料數(shù)據(jù)的分析及目前的神經(jīng)網(wǎng)絡(luò)理論發(fā)展水平，建立合適的模型，并針對(duì)所選的模型采用相應(yīng)的學(xué)習(xí)算法，在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中，不斷地調(diào)整網(wǎng)絡(luò)參數(shù)，直到輸出結(jié)果滿足要求為止。

2 貨運(yùn)量預(yù)測(cè)模型與實(shí)證分析

基于上述BP神經(jīng)網(wǎng)絡(luò)算法與模型，結(jié)合新疆兵團(tuán)各師物流實(shí)際，構(gòu)建南疆兵團(tuán)各師貨運(yùn)量的預(yù)測(cè)模型，采用Matlab軟件編制程序（見(jiàn)附錄），將2006～2010年間的各師貨運(yùn)量數(shù)據(jù)[9]代入Matlab程序中，以對(duì)南疆兵團(tuán)各師貨運(yùn)量加以預(yù)測(cè)。下面對(duì)Matlab中神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的訓(xùn)練步數(shù)、收斂精度及誤差加以比較，通過(guò)反復(fù)訓(xùn)練來(lái)確定最佳的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)[8]，以此來(lái)確定最優(yōu)的貨運(yùn)量BP神經(jīng)網(wǎng)絡(luò)模型。

通過(guò)運(yùn)行程序，得到訓(xùn)練均方誤差曲線圖如圖2：

由圖2可看出，誤差訓(xùn)練值接近10e-2，而目標(biāo)訓(xùn)練值為10e-7，說(shuō)明經(jīng)過(guò)2 000次步長(zhǎng)訓(xùn)練，均方誤差逐漸趨于目標(biāo)值，訓(xùn)練結(jié)果非常小，結(jié)果較滿意。同時(shí)，得到訓(xùn)練梯度及有效性檢查曲線圖如圖3：

由圖3可得出，訓(xùn)練梯度為0.00021324，檢查錯(cuò)誤幾乎為0，說(shuō)明經(jīng)過(guò)2 000次步長(zhǎng)訓(xùn)練，在這期間訓(xùn)練梯度變化不大，且錯(cuò)誤趨于0，進(jìn)一步說(shuō)明預(yù)測(cè)結(jié)果較好。與此同時(shí)，得到訓(xùn)練回歸曲線圖如圖4。

由圖4可得到，目標(biāo)訓(xùn)練值R=0.99983，趨于1，說(shuō)明回歸訓(xùn)練效果較好，預(yù)測(cè)精度較高，而同時(shí)回歸曲線近似趨于一線性函數(shù)，其訓(xùn)練起點(diǎn)和終點(diǎn)（圖中黑點(diǎn)）與源數(shù)據(jù)（白圓點(diǎn)）都很好的分布在曲線兩側(cè)，由此可見(jiàn)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)仿真的效果十分理想，訓(xùn)練后的BP網(wǎng)絡(luò)能很好地逼近給定的目標(biāo)函數(shù)，據(jù)此表明訓(xùn)練效果很好。由此可見(jiàn)，所建模型與實(shí)際吻合度較高，模型結(jié)果具有可信度和說(shuō)服力。

3 結(jié)果分析

通過(guò)運(yùn)行BP神經(jīng)網(wǎng)絡(luò)程序，求得2006～2010年南疆兵團(tuán)各師貨運(yùn)量的的預(yù)測(cè)值，將之與實(shí)際值放在一起進(jìn)行比較，匯編結(jié)果如表1。

由表1可以看出，南疆兵團(tuán)各師貨運(yùn)量持續(xù)上升，而且增加幅度逐年加快。事實(shí)上，近年來(lái)隨著新疆經(jīng)濟(jì)社會(huì)的快速發(fā)展，南疆兵團(tuán)各師的貨運(yùn)量呈現(xiàn)一個(gè)較大程度的逐年遞增，這一點(diǎn)是符合客觀事實(shí)的。

通過(guò)南疆兵團(tuán)各師貨運(yùn)量的預(yù)測(cè)值和實(shí)際值的比較分析，發(fā)現(xiàn)預(yù)測(cè)值與實(shí)際值之間相對(duì)誤差較小，位于0.8%～7.8%之間，平均相對(duì)誤差約為4.45%，誤差達(dá)到通常的精度要求10e-2，計(jì)算精度較高。由此可見(jiàn)，通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法建立的南疆兵團(tuán)各師貨運(yùn)量預(yù)測(cè)模型，所得結(jié)果符合計(jì)算精度要求，而且泛化能力較好，模擬結(jié)果比較可靠，與實(shí)際吻合度較高。

4 結(jié) 論

本文通過(guò)對(duì)近幾年南疆兵團(tuán)各師貨運(yùn)量的分析，合理地設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；同時(shí)，通過(guò)比較Matlab中神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的訓(xùn)練步數(shù)、收斂精度及誤差，反復(fù)訓(xùn)練并確定了最佳的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)；并以2006～2010年南疆兵團(tuán)各師貨運(yùn)量數(shù)據(jù)為基準(zhǔn)，建立南疆兵團(tuán)各師貨運(yùn)量的預(yù)測(cè)模型，采用Matlab提供的神經(jīng)網(wǎng)絡(luò)工具箱編程求解，得到相應(yīng)的南疆兵團(tuán)各師貨運(yùn)量的預(yù)測(cè)值，通過(guò)實(shí)際值與預(yù)測(cè)值的比較，發(fā)現(xiàn)二者之間的相對(duì)誤差較小，所得結(jié)果具有較好的說(shuō)服力和可信度。

本文的研究結(jié)果，對(duì)于南疆兵團(tuán)地區(qū)優(yōu)化配置物流資源，引導(dǎo)地方政府決策提供理論依據(jù)，具有重要的現(xiàn)實(shí)意義和實(shí)踐價(jià)值。人工神經(jīng)網(wǎng)絡(luò)具有良好的曲線擬合能力、學(xué)習(xí)能力、抗干擾能力，采用BP神經(jīng)網(wǎng)絡(luò)算法，建立相應(yīng)的預(yù)測(cè)模型，所得結(jié)果因與實(shí)際吻合度較高，而具有較好的可信度。BP神經(jīng)網(wǎng)絡(luò)算法，可以廣泛地應(yīng)用于復(fù)雜經(jīng)濟(jì)系統(tǒng)的評(píng)價(jià)與預(yù)測(cè)工作。文中所采用的建模思想方法，還可以廣泛地應(yīng)用于其他復(fù)雜經(jīng)濟(jì)系統(tǒng)的建模工作，具有一定的普遍性，有著良好的應(yīng)用推廣價(jià)值。

參考文獻(xiàn)：

[1] 王振軍. 交通運(yùn)輸系統(tǒng)工程[M]. 南京：東南大學(xué)出版社，2008：13-17.

[2] 張艷云，艾力·斯木吐拉. BP神經(jīng)網(wǎng)在新疆貨運(yùn)量預(yù)測(cè)中的應(yīng)用[J]. 運(yùn)輸與物流，2011（17）：144-147.

[3] 許銀甲. 公路貨運(yùn)量預(yù)測(cè)的系統(tǒng)動(dòng)力學(xué)模型構(gòu)建[J]. 交通科技與經(jīng)濟(jì)，2007，9（6）：95-97.

[4] 趙闖，劉凱. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的貨運(yùn)量預(yù)測(cè)[J]. 鐵道學(xué)報(bào)，2004，26（1）：12-15.

[5] 徐優(yōu)麗. 基于神經(jīng)網(wǎng)絡(luò)的物流需求預(yù)測(cè)[J]. 浙江樹(shù)人大學(xué)學(xué)報(bào)，2008（1）：56-58.

[6] 飛思科技產(chǎn)品研發(fā)中心. MATLAB6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)[M]. 北京：中國(guó)統(tǒng)計(jì)出版社，2003：64-69.

[7] 高寧，邵陸壽. 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)在農(nóng)作物預(yù)報(bào)中的應(yīng)用[J]. 計(jì)算機(jī)與農(nóng)業(yè)，2003（7）：16-18.

篇5

關(guān)鍵詞：軟土地基;沉降;GRNN;BP;預(yù)測(cè)

中圖分類號(hào)：TU471.8 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：

1 引 言

我國(guó)沿海與內(nèi)陸地區(qū)分布有大量的軟土地基。因此，在這些地域[1]，如何有效地預(yù)測(cè)與控制軟土地基的沉降變形對(duì)于公路、橋梁等大跨度土木工程的順利施工與運(yùn)行有著重要意義。然而，目前軟土地基的變形預(yù)測(cè)方法仍然是一個(gè)研究難點(diǎn)，主要原因?yàn)椋孩偻馏w本身的本構(gòu)模型仍難以精確給出，由此軟土變形的物理機(jī)制尚有待研究；②常用的基于e-p曲線的分層總和方法雖然提供了理論指導(dǎo)且簡(jiǎn)便易行，但是應(yīng)用時(shí)通常要根據(jù)情況乘以一個(gè)經(jīng)驗(yàn)系數(shù)，但經(jīng)驗(yàn)系數(shù)的確定又成為一個(gè)難題。

當(dāng)理論方法無(wú)法暫時(shí)無(wú)法給出滿意的解答時(shí)，考慮使用非線性方法建模來(lái)研究通常是一個(gè)合理的選擇。由于軟土地基的沉降變形可能與軟土本構(gòu)模型、路基特性、控制措施以及軟土的應(yīng)力歷史等多種因素相關(guān)，因而該問(wèn)題應(yīng)歸屬于非線性預(yù)報(bào)模型問(wèn)題。常用非線性建模方法有灰色理論[2]、神經(jīng)網(wǎng)絡(luò)方法[3]等，其中神經(jīng)網(wǎng)絡(luò)方法根據(jù)數(shù)學(xué)機(jī)理的不同，又分為Hopfield、BP、RBF等多種方法。廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）是近年來(lái)興起的一種用于非線性模型建立的算法，該算法擁有調(diào)節(jié)參數(shù)少、穩(wěn)健性良好以及收斂速度快等多種優(yōu)點(diǎn)，故本文選用該算法探究建立軟土地基變形預(yù)測(cè)模型。

2 GRNN神經(jīng)網(wǎng)絡(luò)

2.1 GRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

GRNN本質(zhì)上也是一種徑向基網(wǎng)絡(luò)（RBF），近期被眾多學(xué)者應(yīng)用到線性與非線性函數(shù)的回歸、擬合領(lǐng)域。理論研究表明，只要在隱含層中設(shè)置足夠多的神經(jīng)元，GRNN和RBFNN都能逼近任意的連續(xù)函數(shù)[4]。通常情況下，GRNN為四層結(jié)構(gòu)，輸入層、徑向基層、特殊的線性層以及輸出層，其與RBFNN的不同之處正是在于其線性層。典型的GRNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 GRNN網(wǎng)絡(luò)結(jié)構(gòu)圖

在如上圖所示網(wǎng)絡(luò)結(jié)構(gòu)中，徑向基層的徑向基函數(shù)通常選用高斯基函數(shù)（）作為概率密度函數(shù)。設(shè)輸入向量為，輸出變量為，則聯(lián)合概率密度函數(shù)為:

(2.1)

其中，表示的是輸入向量；含義為輸出向量；為平滑參數(shù)，滿足。

GRNN網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)與神經(jīng)元的權(quán)值在學(xué)習(xí)樣本確定之后就已基本確定，故其網(wǎng)絡(luò)的訓(xùn)練主要在于平滑參數(shù)的確定，即網(wǎng)絡(luò)訓(xùn)練過(guò)程中人為調(diào)節(jié)的閾值僅有一個(gè)，這個(gè)特點(diǎn)也使其盡可能避免了人工干預(yù)。通過(guò)若干次神經(jīng)網(wǎng)絡(luò)訓(xùn)練，選取使得網(wǎng)絡(luò)訓(xùn)練誤差最小的值。

2.2 GRNN非線性擬合簡(jiǎn)例

為便于說(shuō)明GRNN神經(jīng)網(wǎng)絡(luò)的非線性擬合能力，選擇如式(2.2)所示的常規(guī)非線性函數(shù)進(jìn)行擬合分析，并將其擬合結(jié)果與BP神經(jīng)網(wǎng)絡(luò)相對(duì)比。

(2.2)

圖2.1 BP神經(jīng)網(wǎng)絡(luò)擬合結(jié)果

圖2.2 GRNN擬合結(jié)果

圖2 BP與GRNN網(wǎng)絡(luò)擬合結(jié)果對(duì)比

由圖2對(duì)比，不難看出，對(duì)于某同樣非線性函數(shù)，GRNN的擬合結(jié)果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，且在全局誤差收斂性較好。同時(shí)，程序記錄BP神經(jīng)網(wǎng)絡(luò)擬合耗時(shí)為17.329s，而GRNN擬合耗時(shí)僅為0.046s，故從時(shí)間成本上看，GRNN也具有獨(dú)特的優(yōu)越性

3 基于GRNN的軟土地基預(yù)測(cè)應(yīng)用

3.1預(yù)測(cè)模型建立流程

根據(jù)GRNN預(yù)測(cè)模型建立的特點(diǎn)，針對(duì)軟土地基沉降這一具體的工程問(wèn)題，制定分析步驟如下：

a.網(wǎng)絡(luò)參數(shù)設(shè)置初始化；

b.分析影響因素，輸入樣本數(shù)據(jù)；

c.訓(xùn)練網(wǎng)絡(luò)，確定平滑參數(shù)；

d.網(wǎng)絡(luò)訓(xùn)練完成；

e.由已建網(wǎng)絡(luò)模型進(jìn)行軟土地基沉降預(yù)報(bào)。

3.2實(shí)例分析

為使得實(shí)例分析具有實(shí)際工程意義，選取與文獻(xiàn)[5]相一致的輸入樣本，如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)模擬樣本

對(duì)于以上神經(jīng)網(wǎng)絡(luò)模擬樣本，建立GRNN神經(jīng)網(wǎng)絡(luò)，本文的模型擬合結(jié)果與文獻(xiàn)[5]結(jié)果對(duì)比如表2所示。

表2 神經(jīng)網(wǎng)絡(luò)模擬結(jié)果

由表2，不難看出，在相同的樣本數(shù)據(jù)下，基于GRNN的軟土地基沉降預(yù)測(cè)模型較文獻(xiàn)[5]中的方法優(yōu)化不少，也驗(yàn)證了該方法的實(shí)用價(jià)值。

同樣地，應(yīng)用上述建立的GRNN網(wǎng)絡(luò)模型，預(yù)測(cè)軟土地基沉降如表3所示。

表3 神經(jīng)網(wǎng)絡(luò)模擬結(jié)果

由表3可見(jiàn)，本文的建立的神將網(wǎng)絡(luò)模型預(yù)測(cè)收斂迅速，精度良好。

4 結(jié)論

本文針對(duì)軟土地基沉降預(yù)測(cè)高度非線性的特點(diǎn)，提出了使用GRNN神將網(wǎng)絡(luò)來(lái)進(jìn)行精確擬合與預(yù)報(bào)沉降量的方法。結(jié)合實(shí)例，驗(yàn)證了本文提出的方法相比于其它數(shù)種神經(jīng)網(wǎng)絡(luò)方法具有收斂性優(yōu)越，精度良好，且耗時(shí)短的優(yōu)點(diǎn)，易于實(shí)用。

[參考文獻(xiàn)] (References)

[1] 李彰明.軟土地基加固與質(zhì)量監(jiān)控[M].北京:中國(guó)建筑工業(yè)出版社,2011.

[2] 鄧聚龍.灰理論基礎(chǔ)[M].武漢:華中科技大學(xué)出版社,2002.

[3] 韓麗.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法及應(yīng)用[M].北京:機(jī)械工業(yè)出版社,2012.

[4] Marquez L, Hill T. Function approximation using back propagation and general regression neural networks[C]. In Proceeding of the Twenty-Sixth Hawaii International Conference on System Sciences,1993.

篇6

文章通過(guò)對(duì)比不同種類的預(yù)測(cè)模型，找到一種能夠適合預(yù)測(cè)寬帶網(wǎng)絡(luò)故障的方法。文中使用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)和自回歸移動(dòng)平均法來(lái)預(yù)測(cè)非線性系統(tǒng)，并對(duì)結(jié)果進(jìn)行比較，并得到了比較滿意的結(jié)果。對(duì)于每個(gè)測(cè)試用例，相關(guān)參數(shù)都進(jìn)行了調(diào)整以適應(yīng)相應(yīng)的精度要求。

【關(guān)鍵詞】網(wǎng)絡(luò)故障 神經(jīng)網(wǎng)絡(luò) 自回歸移動(dòng)平均法 非線性系統(tǒng)

1 引言

寬帶電信網(wǎng)絡(luò)現(xiàn)已經(jīng)大規(guī)模的市場(chǎng)化，雖然網(wǎng)絡(luò)服務(wù)的質(zhì)量一直在不斷提高，但是網(wǎng)絡(luò)故障的不斷發(fā)生，仍然是電信運(yùn)營(yíng)商所必須關(guān)注的問(wèn)題。網(wǎng)絡(luò)故障最常見(jiàn)的表現(xiàn)是：服務(wù)完全中斷，下行帶寬低，無(wú)法訪問(wèn)網(wǎng)站，撥打VoIP電話時(shí)的噪音，無(wú)法建立一個(gè)電話呼叫等。最能夠反映網(wǎng)絡(luò)服務(wù)質(zhì)量的參數(shù)是MTBF（發(fā)生故障之間的平均時(shí)間），減少故障的發(fā)生也就是提高發(fā)生故障之間的平均時(shí)間是運(yùn)營(yíng)商對(duì)于網(wǎng)絡(luò)改進(jìn)的重點(diǎn)。國(guó)內(nèi)外的運(yùn)營(yíng)商也正在開(kāi)發(fā)中運(yùn)營(yíng)支持系統(tǒng)和業(yè)務(wù)支持系統(tǒng)，目的為了分析大量來(lái)自網(wǎng)絡(luò)的可用數(shù)據(jù)。但是由于服務(wù)復(fù)雜度，較長(zhǎng)的平均服務(wù)時(shí)間和更多終端設(shè)備的實(shí)例，與傳統(tǒng)的電話網(wǎng)絡(luò)相比，寬帶接入網(wǎng)絡(luò)的平均故障間隔時(shí)間（MTBF）比傳統(tǒng)的非寬帶網(wǎng)絡(luò)低2-6倍，也就是是說(shuō)網(wǎng)絡(luò)故障發(fā)生的頻率遠(yuǎn)高于傳統(tǒng)的電話網(wǎng)絡(luò)。另一方面，網(wǎng)絡(luò)的復(fù)雜性使得難以準(zhǔn)確地診斷可能會(huì)導(dǎo)致更高的重復(fù)數(shù)的問(wèn)題故障。同時(shí)在用戶被引入通過(guò)感知和報(bào)告故障的隨機(jī)分量的數(shù)量和復(fù)雜性的增加，一個(gè)寬帶網(wǎng)絡(luò)中發(fā)生的故障可以看作是一個(gè)時(shí)間序列。時(shí)間系列描述寬帶故障的特點(diǎn)是事件發(fā)生的隨機(jī)性，事件馱有砸約笆錄數(shù)量龐大，這就使得到的時(shí)間序列具有較高的過(guò)程噪聲。由于監(jiān)視系統(tǒng)的不完善性，時(shí)間序列中的噪聲是必然是很多沒(méi)有觀察到的變量所導(dǎo)致的。監(jiān)視系統(tǒng)的不完善性表明其預(yù)警的模糊性，不準(zhǔn)確性，同時(shí)也可能導(dǎo)致在某些特定的網(wǎng)絡(luò)故障事件發(fā)生時(shí)，無(wú)法預(yù)警。通過(guò)測(cè)量噪聲的水平，我們確定了模型中所需的變量和其復(fù)雜度。描述時(shí)間序列有兩個(gè)相關(guān)的變量，即平穩(wěn)性和線性、非線性。描述寬帶網(wǎng)絡(luò)的時(shí)間序列是由于其特性，即高水平的波動(dòng)多引起的非平穩(wěn)性所決定的。在系統(tǒng)中的變量都是線性的和非線性的，一個(gè)時(shí)間序列的線性/非線性決定哪種模型會(huì)更有效地預(yù)測(cè)時(shí)間序列的結(jié)果，最終確定的最終實(shí)施的最佳模式。線性的時(shí)間序列可以使用自回歸模型，例如ARMA或ARIMA來(lái)描述，而非線性的時(shí)間序列則更適合用神經(jīng)網(wǎng)絡(luò)的非線性激活函數(shù)來(lái)描述。本文的目的是為了找到最合適的模型來(lái)描述它表征的系統(tǒng)。

2 一個(gè)網(wǎng)絡(luò)故障時(shí)間序列實(shí)例

為了動(dòng)態(tài)跟蹤和預(yù)測(cè)的故障發(fā)生，我們將故障的數(shù)量作為一個(gè)時(shí)間序列。它被認(rèn)為是一個(gè)隨機(jī)序列而不是確定性的序列，也就是說(shuō)未來(lái)的結(jié)果只能進(jìn)行估計(jì)，而不能夠精確計(jì)算。數(shù)據(jù)收集的頻率依賴于時(shí)間序列的性質(zhì)和邏輯，也就是說(shuō)結(jié)果依賴于所描述的現(xiàn)象。采樣的頻率利用每天，每周，每月和每年的時(shí)間序列。運(yùn)營(yíng)管理中，對(duì)于寬帶故障的短期預(yù)測(cè)是必不可少的，而長(zhǎng)期的預(yù)測(cè)是與戰(zhàn)略和長(zhǎng)期規(guī)劃相關(guān)。此外，正確選擇的數(shù)據(jù)采集頻率有助于確定數(shù)據(jù)的周期性。寬帶故障有兩個(gè)清晰可辨的周期性，每天每周一次。故障發(fā)生模式本質(zhì)上是動(dòng)態(tài)的，并隨著時(shí)間和季節(jié)的變化。每日樣本反映住宅及商業(yè)客戶的工作活動(dòng)以及之后形成每周模型。本文對(duì)每10分鐘，每小時(shí)，每天，每周序列進(jìn)行了分析，為實(shí)際應(yīng)用提供了足夠的選擇。圖1顯示了一個(gè)例子系列描述的是故障發(fā)生在10分鐘的時(shí)間間隔，采樣的總時(shí)間為2000分鐘。一般情況下，該序列具有可識(shí)別的形式，然而像諸如如核心網(wǎng)元發(fā)生故障或雷雨可以顯著影響曲線的形狀和扭曲，使其不可識(shí)別。

3 神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)由于其十分強(qiáng)的自適應(yīng)、自學(xué)習(xí)功能，因此經(jīng)常用來(lái)預(yù)測(cè)不同種類的時(shí)間序列。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)以有向圖為拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)系統(tǒng)，它通過(guò)對(duì)連續(xù)或斷續(xù)式的輸入作狀態(tài)響應(yīng)而進(jìn)行信息處理。是一個(gè)高度復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)，不但具有一般非線性系統(tǒng)的共性，更主要的是它還具有自己的特點(diǎn)，比如高維性、神經(jīng)元之間的廣泛互連性以及自適應(yīng)性或自組織性等。

3.1 感知器神經(jīng)網(wǎng)絡(luò)

MLP網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中研究的一個(gè)重點(diǎn)，它們具有很強(qiáng)的分類能力，它能解決模式分布非常復(fù)雜的分類問(wèn)題。它由三部分組成：一組感知單元（源節(jié)點(diǎn)）組成輸入層、一層計(jì)算節(jié)點(diǎn)的隱含層、一層計(jì)算節(jié)點(diǎn)的輸出層。第一層的激活函數(shù)為對(duì)數(shù)s形函數(shù)，第二層激活函數(shù)為線性函數(shù)。如圖2所示。

3.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種多層前向型網(wǎng)絡(luò)。其神經(jīng)元的傳遞時(shí)S型函數(shù)，輸出量為0-1的連續(xù)量，它可以實(shí)現(xiàn)輸入到輸出的任意非線性映射。BP神經(jīng)元的傳輸函數(shù)為非線性函數(shù)，常用的函數(shù)為losig函數(shù)和tansig函數(shù)，輸出層則采用線性函數(shù)purelin。如圖3所示。

3.3 NARX神經(jīng)網(wǎng)絡(luò)

NARX神經(jīng)網(wǎng)絡(luò)即Jordan神經(jīng)網(wǎng)絡(luò)是一個(gè)能表示動(dòng)態(tài)系統(tǒng)的網(wǎng)絡(luò)，它把輸入也反饋到網(wǎng)絡(luò)的輸出，這就使加入的狀態(tài)反饋反映到網(wǎng)絡(luò)的動(dòng)態(tài)性能中。我們的想法得到進(jìn)一步提高在非線性自回歸網(wǎng)絡(luò)與外部輸入，輸出的數(shù)據(jù)是保存在延遲存儲(chǔ)器線。Jordan網(wǎng)絡(luò)的輸出值存儲(chǔ)在網(wǎng)絡(luò)本身的狀態(tài)變量中，而NARX網(wǎng)絡(luò)中，他們存儲(chǔ)在延遲矢量中。如圖4所示。

3.4 ARIMA 模型

ARIMA模型全稱為差分自回歸移動(dòng)平均模型，是由博克思和詹金斯于70年代初提出的一著名時(shí)間序列預(yù)測(cè)方法。所謂ARIMA模型，是指將非平穩(wěn)時(shí)間序列轉(zhuǎn)化為平穩(wěn)時(shí)間序列，然后將因變量?jī)H對(duì)它的滯后值以及隨機(jī)誤差項(xiàng)的現(xiàn)值和滯后值進(jìn)行回歸所建立的模型。ARIMA模型根據(jù)原序列是否平穩(wěn)以及回歸中所含部分的不同，包括移動(dòng)平均過(guò)程（MA）、自回歸過(guò)程（AR）、自回歸移動(dòng)平均過(guò)程（ARMA）以及ARIMA過(guò)程。ARIMA模型的基本思想是：將預(yù)測(cè)對(duì)象隨時(shí)間推移而形成的數(shù)據(jù)序列視為一個(gè)隨機(jī)序列，用一定的數(shù)學(xué)模型來(lái)近似描述這個(gè)序列。這個(gè)模型一旦被識(shí)別后就可以從時(shí)間序列的過(guò)去值及現(xiàn)在值來(lái)預(yù)測(cè)未來(lái)值。模型如下圖公式所示。

4 數(shù)據(jù)分析和對(duì)比

通過(guò)使用均方根誤差和判定系數(shù)，對(duì)比實(shí)際的數(shù)據(jù)和預(yù)測(cè)的數(shù)據(jù)來(lái)估算預(yù)測(cè)模型的準(zhǔn)確性。

圖5和圖6是對(duì)LRN模型和NARX模型預(yù)測(cè)的結(jié)果與實(shí)際數(shù)據(jù)的對(duì)比，從圖形可以直觀看出，這兩個(gè)模型具有相對(duì)可靠地準(zhǔn)確性。

5 結(jié)束語(yǔ)

本文的主要目的是比較不同的預(yù)測(cè)方法對(duì)于寬帶網(wǎng)絡(luò)故障的短期和長(zhǎng)期預(yù)測(cè)。研究的結(jié)果表明動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)優(yōu)于靜態(tài)神經(jīng)網(wǎng)絡(luò)。此外，傳統(tǒng)的預(yù)測(cè)方法，ARIMA無(wú)法實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性預(yù)測(cè)，這證實(shí)了在電信網(wǎng)絡(luò)中大多數(shù)故障的非線性特征的假說(shuō)。未來(lái)的改進(jìn)方向是應(yīng)用動(dòng)態(tài)內(nèi)存模型，像NARX和LRN模行，調(diào)節(jié)相應(yīng)的網(wǎng)絡(luò)參數(shù)，另外識(shí)別和輸入?yún)?shù)的引入，也將有利于提高模型的準(zhǔn)確性。

參考文獻(xiàn)

[1]陸寧云，何克磊，姜斌，呂建華.一種基于貝葉斯網(wǎng)絡(luò)的故障預(yù)測(cè)方法[J].東南大學(xué)學(xué)報(bào)自然科學(xué)版，2012，42：87-91.

[2]艾紅，周東華.動(dòng)態(tài)系統(tǒng)的故障預(yù)測(cè)方法[J].華中科大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，37：222-225.

[3]吳昕慧.基于神經(jīng)網(wǎng)絡(luò)的鐵路客運(yùn)量?jī)?yōu)化預(yù)測(cè)[J].計(jì)算機(jī)仿真，2010（10）：168-170.

[4]李楠，曾興雯.基于EMD和神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)[J].西安郵電學(xué)院學(xué)報(bào)，2007（01）：51-54.

[5]汪遠(yuǎn)征，徐雅靜.多元平穩(wěn)時(shí)間序列ARIMAX模型的應(yīng)用[J].統(tǒng)計(jì)與決策，2007（18）：132-135.

篇7

Abstract: Tourist quantity prediction has an important role in development of tourist industry, so it is benefit to make development planning and policy of tourist site. Aiming at the defects of BP artificial neural network, combined with Differential Evolution Algorithm, the paper proposes a tourist quantity prediction model based on DE-BP neural network. We analyse and forecast the data change trend of China's inbound tourists, and get satisfactory results.

關(guān)鍵詞：差異演化算法；神經(jīng)網(wǎng)絡(luò)；入境游客；預(yù)測(cè)

Key words: Differential Evolution（DE）；neural network；inbound tourist；prediction

中圖分類號(hào)：F59 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-4311（2010）34-0155-01

0引言

在現(xiàn)代旅游管理的研究中，隨著旅游經(jīng)濟(jì)量化水平的不斷提高，使得眾多學(xué)者開(kāi)始利用數(shù)學(xué)模型對(duì)旅游行業(yè)的發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)，客源預(yù)測(cè)就是其中一個(gè)重要的方面。本文在BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[1]中引入差異演化算法[2,3]，構(gòu)造出基于DE-BP神經(jīng)網(wǎng)絡(luò)的旅游客源預(yù)測(cè)模型，為旅游客源預(yù)測(cè)提供一種新的求解途徑。

1BP神經(jīng)網(wǎng)絡(luò)模型和DE算法

BP算法，也稱為反向傳播算法。它是一種具有三層或者三層以上的階層型前向神經(jīng)網(wǎng)絡(luò)（輸入層、中間層、輸出層），其主要思想是從后向前（反向）逐層傳播輸出層的誤差，以間接算出隱層誤差。算法分為兩個(gè)階段：第一階段（正向過(guò)程）輸入信息從輸入層經(jīng)隱層逐層計(jì)算各單元的輸出值；第二階段（反向傳播過(guò)程）輸出誤差逐層向前算出隱層各單元的誤差，并用此誤差修正前層權(quán)值，本文采用三層結(jié)構(gòu)網(wǎng)絡(luò)。

DE算法是基于實(shí)數(shù)編碼的演化算法，它的整體結(jié)構(gòu)類似于遺傳算法（GA），與遺傳算法的主要區(qū)別在于變異操作上，DE的變異操作是基于染色體的差異向量講行的，其余操作和遺傳算法類似，也包括生成初始種群、變異操作、交叉操作和選擇操作。運(yùn)用DE對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值講行優(yōu)化，較GA能有效地跳出局部最優(yōu)值，克服GA的早熟現(xiàn)象。

2DE-BP神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用

將DE和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，主要思想是運(yùn)用DE操作保證搜索是在整個(gè)解空間進(jìn)行的，同時(shí)尋優(yōu)討程不依賴于種群初始值的選擇，將權(quán)值和閾值精確到一個(gè)很小的范圍，然后用BP操作保證得到精確的網(wǎng)絡(luò)權(quán)值。

針對(duì)我國(guó)入境游人數(shù)進(jìn)行預(yù)測(cè)，采用1995年-2004年的數(shù)據(jù)[4]作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。首先對(duì)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，預(yù)測(cè)2005年的入境游人數(shù)，然后將訓(xùn)練樣本向前推進(jìn)一個(gè)，用1996年-2005年的數(shù)據(jù)進(jìn)行學(xué)習(xí)，對(duì)2006年的數(shù)據(jù)進(jìn)行預(yù)測(cè)；依次直至預(yù)測(cè)到2012年為止。

DE-BP神經(jīng)網(wǎng)絡(luò)參數(shù)取值為：神經(jīng)網(wǎng)絡(luò)輸入結(jié)點(diǎn)數(shù)8；中間層結(jié)點(diǎn)數(shù)6；輸出層結(jié)點(diǎn)1；種群大小50；交叉概率0.7；變異概率0.02；最大進(jìn)化代數(shù)100。

采用DE-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)、一元多項(xiàng)式回歸法預(yù)測(cè)結(jié)果對(duì)比，如表1所示。

同時(shí)，我們采用平均絕對(duì)誤差（MAE）、平方差（SSE）、均方差（MSE）和預(yù)測(cè)精度（PA）等四個(gè)指標(biāo)對(duì)不同方法得到的預(yù)測(cè)數(shù)據(jù)進(jìn)行評(píng)價(jià)，如表2所示。

3結(jié)論

在BP人工神經(jīng)網(wǎng)絡(luò)和差異演化算法的基礎(chǔ)上，構(gòu)造了DE-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并采用該算法對(duì)旅游客源講行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)以及一元多項(xiàng)式回歸模型預(yù)測(cè)結(jié)果講行對(duì)比，表明該算法在預(yù)測(cè)精度上較其他兩種算法有明顯的提高。本文所提出的DE-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型不僅可以預(yù)測(cè)旅游客源，還可以對(duì)旅游業(yè)中其它指標(biāo)進(jìn)行預(yù)測(cè)，同時(shí)對(duì)于其它行業(yè)類似問(wèn)題也有一定的借鑒意義。

參考文獻(xiàn)：

[1]孫燕平，張琳，呂仁義.旅游客源預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)方法[J].人文地理，2002，17（6）：50-52.

[2]張文修.遺傳算法的數(shù)學(xué)基礎(chǔ)[M].西安：西安交通大學(xué)出版社，2003.

篇8

本文主要介紹了人工神經(jīng)網(wǎng)絡(luò)的概念，并對(duì)幾種具體的神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹，從它們的提出時(shí)間、網(wǎng)絡(luò)結(jié)構(gòu)和適用范圍幾個(gè)方面來(lái)深入講解。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 感知器網(wǎng)絡(luò) 徑向基網(wǎng)絡(luò) 反饋神經(jīng)網(wǎng)絡(luò)

1 引言

人工神經(jīng)網(wǎng)絡(luò)是基于對(duì)人腦組織結(jié)構(gòu)、活動(dòng)機(jī)制的初步認(rèn)識(shí)提出的一種新型信息處理體系。它實(shí)際上是一個(gè)由大量簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)，通過(guò)模仿腦神經(jīng)系統(tǒng)的組織結(jié)構(gòu)以及某些活動(dòng)機(jī)理，人工神經(jīng)網(wǎng)絡(luò)可呈現(xiàn)出人腦的許多特征，并具有人腦的一些基本功能，利用這一特性，可以設(shè)計(jì)處具有類似大腦某些功能的智能系統(tǒng)來(lái)處理各種信息，解決不同問(wèn)題。下面對(duì)幾種具體的神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹。

2 感知器網(wǎng)絡(luò)

感知器是由美國(guó)學(xué)者Rosenblatt在1957年首次提出的，感知器可謂是最早的人工神經(jīng)網(wǎng)絡(luò)。感知器具有分層結(jié)構(gòu)，信息從輸入層進(jìn)入網(wǎng)絡(luò)，逐層向前傳遞到輸出層。感知器是神經(jīng)網(wǎng)絡(luò)用來(lái)進(jìn)行模式識(shí)別的一種最簡(jiǎn)單模型，屬于前向神經(jīng)網(wǎng)絡(luò)類型。

2.1 單層感知器

單層感知器是指只有一層處理單元的感知器，它的結(jié)構(gòu)與功能都非常簡(jiǎn)單，通過(guò)讀網(wǎng)絡(luò)權(quán)值的訓(xùn)練，可以使感知器對(duì)一組輸入矢量的響應(yīng)達(dá)到元素為0或1的目標(biāo)輸出，從而實(shí)現(xiàn)對(duì)輸入矢量分類的目的，目前在解決實(shí)際問(wèn)題時(shí)很少被采用，但由于它在神經(jīng)網(wǎng)絡(luò)研究中具有重要意義，是研究其他網(wǎng)絡(luò)的基礎(chǔ)，而且較易學(xué)習(xí)和理解，適合于作為學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的起點(diǎn)。

2.2 多層感知器

多層感知器是對(duì)單層感知器的推廣，它能夠成功解決單層感知器所不能解決的非線性可分問(wèn)題，在輸入層與輸出層之間引入隱層作為輸入模式的“內(nèi)部表示”，即可將單層感知器變成多層感知器。

3 線性神經(jīng)網(wǎng)絡(luò)

線性神經(jīng)網(wǎng)絡(luò)類似于感知器，但是線性

神經(jīng)網(wǎng)絡(luò)的激活函數(shù)是線性的，而不是硬限轉(zhuǎn)移函數(shù)。因此線性神經(jīng)網(wǎng)絡(luò)的輸出可以使任意值，而感知器的輸出不是0就是1。線性神經(jīng)網(wǎng)絡(luò)最早的典型代表就是在1963年由美國(guó)斯坦福大學(xué)教授Berhard Windrow提出的自適應(yīng)線性元件網(wǎng)絡(luò)，它是一個(gè)由輸入層和輸出層構(gòu)成的單層前饋性網(wǎng)絡(luò)。自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法比感知器的學(xué)習(xí)算法的收斂速度和精度都有較大的提高，自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)主要用于函數(shù)逼近、信號(hào)預(yù)測(cè)、系統(tǒng)辨識(shí)、模式識(shí)別和控制等領(lǐng)域。

4 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年由以Rumelhart和McCelland為首的科學(xué)家小組提出的，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型采用BP網(wǎng)絡(luò)或者它的變化形式，它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分，BP神經(jīng)網(wǎng)絡(luò)由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)過(guò)一步處理后完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

BP網(wǎng)絡(luò)主要應(yīng)用于以下方面：

（1）函數(shù)逼近：用輸入矢量和相應(yīng)的輸出矢量訓(xùn)練一個(gè)網(wǎng)絡(luò)逼近一個(gè)函數(shù)。

（2）模式識(shí)別：用一個(gè)特定的輸出矢量將它與輸入矢量聯(lián)系起來(lái)。

（3）分類：對(duì)輸入矢量以所定義的合適方式進(jìn)行分類。

（4）數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸或存儲(chǔ)。

5 反饋神經(jīng)網(wǎng)絡(luò)

美國(guó)加州理工學(xué)院物理學(xué)家J.J.Hopfield教授于1982年發(fā)表了對(duì)神經(jīng)網(wǎng)絡(luò)發(fā)展頗具影響的論文，提出一種單層反饋神經(jīng)網(wǎng)絡(luò)，后來(lái)人們將這種反饋網(wǎng)絡(luò)稱作Hopfield網(wǎng)。在多輸入/多輸出的動(dòng)態(tài)系統(tǒng)中，控制對(duì)象特性復(fù)雜，傳統(tǒng)方法難以描述復(fù)雜的系統(tǒng)。為控制對(duì)象建立模型可以減少直接進(jìn)行實(shí)驗(yàn)帶來(lái)的負(fù)面影響，所以模型顯得尤為重要。但是，前饋神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上說(shuō)屬于一種靜態(tài)網(wǎng)絡(luò)，其輸入、輸出向量之間是簡(jiǎn)單的非線性函數(shù)映射關(guān)系。實(shí)際應(yīng)用中系統(tǒng)過(guò)程大多是動(dòng)態(tài)的，前饋神經(jīng)網(wǎng)絡(luò)辨識(shí)就暴露出明顯的不足，用前饋神經(jīng)網(wǎng)絡(luò)只是非線性對(duì)應(yīng)網(wǎng)絡(luò)，無(wú)反饋記憶環(huán)節(jié)，因此，利用反饋神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)特性就可以克服前饋神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，使神經(jīng)網(wǎng)絡(luò)更加接近系統(tǒng)的實(shí)際過(guò)程。

Hopfield神經(jīng)網(wǎng)絡(luò)的應(yīng)用：

（1）在數(shù)字識(shí)別方面。

（2）高?？蒲心芰υu(píng)價(jià)。

（3）應(yīng)用于聯(lián)想記憶的MATLAB程序。

6 徑向基神經(jīng)網(wǎng)絡(luò)

徑向基RBF網(wǎng)絡(luò)是一個(gè)3層的網(wǎng)絡(luò)，除了輸入、輸出層之間外僅有一個(gè)隱層。隱層中的轉(zhuǎn)換函數(shù)是局部響應(yīng)的高斯函數(shù)，而其他前向網(wǎng)絡(luò)，轉(zhuǎn)換函數(shù)一般都是全局響應(yīng)函數(shù)。由于這樣的差異，要實(shí)現(xiàn)同樣的功能，RBF需要更多的神經(jīng)元，這就是RBF網(wǎng)絡(luò)不能取代標(biāo)準(zhǔn)前向型絡(luò)的原因。但是RBF網(wǎng)絡(luò)的訓(xùn)練時(shí)間更短，它對(duì)函數(shù)的逼近時(shí)最優(yōu)的，可以以任意精度逼近任意連續(xù)函數(shù)。隱層中的神經(jīng)元越多，逼近越精確。

徑向基網(wǎng)絡(luò)的應(yīng)用：

（1）用于曲線擬合的RBF網(wǎng)絡(luò)。

（2）徑向基網(wǎng)絡(luò)實(shí)現(xiàn)非線性函數(shù)回歸。

7 自組織神經(jīng)網(wǎng)絡(luò)

自組織競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)是一種無(wú)教師監(jiān)督學(xué)習(xí)，具有自組織功能的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)通過(guò)自身的訓(xùn)練。能自動(dòng)對(duì)輸入模式進(jìn)行分類，一般由輸入層和競(jìng)爭(zhēng)層夠曾。兩層之間各神經(jīng)元實(shí)現(xiàn)雙向連接，而且網(wǎng)絡(luò)沒(méi)有隱含層。有時(shí)競(jìng)爭(zhēng)層之間還存在著橫向連接。

常用自組織網(wǎng)絡(luò)有一下幾種：

（1）自組織特征映射網(wǎng)絡(luò)。

（2）學(xué)習(xí)矢量量化網(wǎng)絡(luò)。

（3）自適應(yīng)共振理論模型。

（4）對(duì)偶傳播網(wǎng)絡(luò)。

參考文獻(xiàn)

[1]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[2]周品.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M].北京：清華大學(xué)出版社，2013.

作者簡(jiǎn)介

孔令文（1989-），男，黑龍江省齊齊哈爾市人?，F(xiàn)為西南林業(yè)大學(xué)機(jī)械與交通學(xué)院在讀研究生。研究方向?yàn)橛?jì)算機(jī)仿真。

篇9

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；混凝土；彈性模量；預(yù)測(cè)

中圖分類號(hào)：TP18文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)08-1855-02

1 緒論

在高速公路建設(shè)過(guò)程中，混凝土的早期（28天齡期以前）強(qiáng)度和彈性模量極大的影響著施工期結(jié)構(gòu)安全，常成為建設(shè)期工程進(jìn)度的控制因素和結(jié)構(gòu)安全的決定因素。水、膠凝材料和骨料（粗、細(xì)）通過(guò)一定比例配合，然后拌合，最后經(jīng)一定時(shí)間硬化而成的人工合成的混合材料就是混凝土，水灰比、水泥的標(biāo)號(hào)、齡期、砂率、級(jí)配、外加劑的性能等眾多因素影響著它強(qiáng)度性能。其強(qiáng)度隨時(shí)間的變化有一個(gè)發(fā)展過(guò)程，這使得混凝土的性質(zhì)在建設(shè)期更加難以控制。目前的專家、學(xué)者和業(yè)界工程人員多在研究28天齡期以后的混凝土強(qiáng)度和彈性模量，很少研究28天齡期以前的混凝土強(qiáng)度和彈性模量。而時(shí)間是影響28天以前的混凝土強(qiáng)度的主要因素，其28天以前的強(qiáng)度和彈性模量根據(jù)時(shí)間的增長(zhǎng)而不斷增大。目前對(duì)混凝土早期強(qiáng)度的研究多用早期強(qiáng)度的推算和強(qiáng)度增長(zhǎng)曲線的擬合方法，對(duì)于混凝土早期彈性模量的研究尚不多。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射功能，本文利用神經(jīng)網(wǎng)絡(luò)理論建立預(yù)測(cè)數(shù)學(xué)模型，通過(guò)對(duì)混凝土的早期彈性模量進(jìn)行預(yù)測(cè)，為解決混凝土的早期彈性模量不易測(cè)定的問(wèn)題提供了有意義的參考價(jià)值。

2 BP神經(jīng)網(wǎng)絡(luò)

由Rumelhart和McClelland提出的BP神經(jīng)網(wǎng)絡(luò)模型是目前應(yīng)用最廣泛的模型之一[1]，BP訓(xùn)練方法是通過(guò)反向誤差傳播原理不斷調(diào)整網(wǎng)絡(luò)權(quán)值使得實(shí)際輸出與期望輸出之間的誤差平方和達(dá)到最小或小于某個(gè)閾值。當(dāng)H未知時(shí)，通常采用梯度下降法迭代調(diào)整W：

，其中η代表學(xué)習(xí)速率。

本文介紹BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及算法是以單隱層為例，在解決實(shí)際工程問(wèn)題過(guò)程中，輸入層與輸出層的單元數(shù)的判定是由實(shí)際工程問(wèn)題決定，隱層層數(shù)與單元數(shù)的判定是由試算來(lái)確定。如圖1所示。

3 BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用實(shí)例

1）BP神經(jīng)網(wǎng)絡(luò)模型

為了提高預(yù)測(cè)混凝土彈性模量模型的收斂速度和計(jì)算精度，本文采用雙隱層的前饋BP神經(jīng)網(wǎng)絡(luò)來(lái)建立預(yù)測(cè)混凝土彈性模量模型。預(yù)測(cè)模型結(jié)構(gòu)如圖2所示，一個(gè)輸入層、兩個(gè)隱層，一個(gè)輸出層共同組成了預(yù)測(cè)混凝土彈性模量的BP神經(jīng)網(wǎng)絡(luò)模型。本文以混凝土的早期強(qiáng)度和混凝土的齡期作為輸入單元；以最終誤差最小及收斂速度快的原則調(diào)整隱層節(jié)點(diǎn)數(shù)；采用一個(gè)神經(jīng)元作為預(yù)測(cè)混凝土彈性模量的BP神經(jīng)網(wǎng)絡(luò)模型輸出。表1基本參數(shù)取值范圍表明確了基本數(shù)據(jù)中所有參數(shù)的取值范圍，并標(biāo)準(zhǔn)化處理了輸入數(shù)據(jù)中的齡期（天）、混凝土的早期強(qiáng)度（MPa）和混凝土的早期彈性模量（GPa），使原始數(shù)據(jù)進(jìn)入(0，1)范圍內(nèi)。

2）BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

本文的試驗(yàn)樣本數(shù)據(jù)共52組，來(lái)自于文獻(xiàn)[2]中的實(shí)驗(yàn)數(shù)據(jù)。本文仿真試驗(yàn)的訓(xùn)練集是選擇其中的40組數(shù)據(jù)，測(cè)試集是剩余的12組數(shù)據(jù)。中間隱層通過(guò)試算選用兩層，第一層、二層分別為12個(gè)和10個(gè)單元。經(jīng)過(guò)試算，可以達(dá)到較好的收斂速度和輸出精度。

本文的試驗(yàn)環(huán)境是選擇Matlab6.0開(kāi)發(fā)程序，訓(xùn)練集合是用表2原始訓(xùn)練數(shù)據(jù)表中的數(shù)據(jù)。測(cè)試集合是用表3 測(cè)試樣本、網(wǎng)絡(luò)輸出及誤差表中的原始數(shù)據(jù)，通過(guò)訓(xùn)練網(wǎng)絡(luò)仿真試驗(yàn)，得到計(jì)算結(jié)果顯示在表3 測(cè)試樣本、網(wǎng)絡(luò)輸出及誤差表中。在學(xué)習(xí)中，本文采用了帶動(dòng)量項(xiàng)的網(wǎng)絡(luò)修正方法，使網(wǎng)絡(luò)收斂速度快且系統(tǒng)誤差較小，與之對(duì)應(yīng)的α（動(dòng)量系數(shù)） = 0.90，epochs（迭代次數(shù)） = 1000，lr（學(xué)習(xí)速率）=0.0010，err（訓(xùn)練誤差） = 0.06，run_time（訓(xùn)練時(shí)間） = 25.765(s)。網(wǎng)絡(luò)訓(xùn)練誤差及迭代收斂曲線見(jiàn)圖3網(wǎng)絡(luò)仿真誤差、訓(xùn)練次數(shù)及學(xué)習(xí)率。

3）網(wǎng)絡(luò)性能的評(píng)定

觀測(cè)上述預(yù)測(cè)混凝土彈性模量的BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和學(xué)習(xí)的參數(shù)以及表3 測(cè)試樣本、網(wǎng)絡(luò)輸出及誤差表中列出的計(jì)算結(jié)果，與文獻(xiàn)[3]中的期望結(jié)果(表3 測(cè)試樣本、網(wǎng)絡(luò)輸出及誤差表)進(jìn)行比對(duì)，結(jié)果顯示預(yù)測(cè)混凝土彈性模量的BP神經(jīng)網(wǎng)絡(luò)模型輸出的彈性模量同實(shí)際回歸公式計(jì)算的彈性模量結(jié)果較為接近，最大誤差為4.2%，平均誤差為2.3%，滿足誤差精度，能夠很好地滿足高速公路建設(shè)施工的工程要求。

4 結(jié)論

本文采用BP神經(jīng)網(wǎng)絡(luò)模型方法，在混凝土的齡期參數(shù)、早期強(qiáng)度、早期彈性模量三者之間建立關(guān)聯(lián)關(guān)系模型，通過(guò)上述仿真試驗(yàn)計(jì)算表明：BP神經(jīng)網(wǎng)絡(luò)模型能夠有效地預(yù)測(cè)混凝土的早期彈性模量，相對(duì)誤差小，可以認(rèn)定為是一種實(shí)用的求混凝土早期彈性模量的方法。

參考文獻(xiàn)：

[1]Haykin S.Neural networks A comprehensive foundation[M].New Jersey:Prentice Hall,1999.

篇10

關(guān)鍵詞：上市公司；財(cái)務(wù)預(yù)警；Logistic模型；BP神經(jīng)網(wǎng)絡(luò)；組合預(yù)測(cè)

建立上市公司財(cái)務(wù)預(yù)警系統(tǒng)，能對(duì)公司的財(cái)務(wù)風(fēng)險(xiǎn)起到未雨綢繆的作用，它能以財(cái)務(wù)指標(biāo)數(shù)據(jù)形式將公司面臨的潛在危險(xiǎn)預(yù)先告知經(jīng)營(yíng)者，促使管理層通過(guò)全面分析公司內(nèi)部經(jīng)營(yíng)、外部環(huán)境的各種資料，尋找財(cái)務(wù)危機(jī)發(fā)生的原因和公司財(cái)務(wù)管理體系中隱藏的問(wèn)題，并制定解決問(wèn)題的有效措施，以避免或降低公司的財(cái)務(wù)危機(jī)。同時(shí)，建立上市公司財(cái)務(wù)預(yù)警系統(tǒng)還有利于投資者的決策和證券市場(chǎng)的規(guī)范。

一、組合預(yù)測(cè)的優(yōu)勢(shì)及應(yīng)用思路

現(xiàn)有的上市公司財(cái)務(wù)預(yù)警方法可大致分為定性預(yù)警分析和定量預(yù)警模式兩類。定性預(yù)警方法主要包括：災(zāi)害理論、專家調(diào)查法、“四階段癥狀”分析法等。定量預(yù)警方法主要包括：?jiǎn)巫兞颗卸Ｐ?、多變量線性判定模型、多元邏輯(Logistic)模型、多元概率比(Probit)回歸模型、神經(jīng)網(wǎng)絡(luò)(NN)分析模型、支持向量機(jī)(SVM)等。然而，單一預(yù)測(cè)方法所用到的信息是有限的，對(duì)同一問(wèn)題只采用一種方法進(jìn)行預(yù)測(cè)。其預(yù)測(cè)精度往往不高，預(yù)測(cè)風(fēng)險(xiǎn)較大。由于不同的預(yù)測(cè)方法所用到的信息是不相同的，因此，可以將各種單一的預(yù)測(cè)結(jié)果進(jìn)行組合得到一種組合預(yù)測(cè)結(jié)果，以達(dá)到改善預(yù)測(cè)效果的目的。自Bates J.M和GrangerC.W.J(1969)首次提出組合預(yù)測(cè)方法以來(lái)，由于組合預(yù)測(cè)方法利用了更多的信息，其精度要比單一的某種預(yù)測(cè)方法得到的結(jié)果好，因而受到國(guó)內(nèi)外預(yù)測(cè)工作者的重視。Clemen R.T(1989)曾指出，組合預(yù)測(cè)將成為預(yù)測(cè)研究的主流之一。目前，組臺(tái)預(yù)測(cè)研究正從定權(quán)向變權(quán)、線性組合向非線性組臺(tái)的方向發(fā)展。近年來(lái)，組臺(tái)預(yù)測(cè)技術(shù)已被成功引入到信用風(fēng)險(xiǎn)評(píng)估中，并取得了較好的預(yù)測(cè)精度。有鑒于此，本文嘗試將組合預(yù)測(cè)應(yīng)用于上市公司財(cái)務(wù)預(yù)警。

神經(jīng)網(wǎng)絡(luò)是20世紀(jì)40年展起來(lái)的一種預(yù)決策技術(shù)，神經(jīng)網(wǎng)絡(luò)模型除了具備自組織與自適應(yīng)能力外還能有效地對(duì)非線性問(wèn)題進(jìn)行處理，分類能力較高，因而被廣泛應(yīng)用于企業(yè)信用評(píng)估、財(cái)務(wù)預(yù)警等問(wèn)題的研究中。組合預(yù)測(cè)的核心問(wèn)題是組合機(jī)理和權(quán)值的確定，在對(duì)各類參數(shù)方法的組臺(tái)中，困難之一就是在將各種不同預(yù)測(cè)的結(jié)果加權(quán)重組時(shí)權(quán)值的確定問(wèn)題。而神經(jīng)網(wǎng)絡(luò)是一種非參數(shù)的方法，所以避免了傳統(tǒng)組合預(yù)測(cè)技術(shù)對(duì)權(quán)值設(shè)定的困難。Logistic模型無(wú)需假定任何概率分布，也不要求等協(xié)方差性，因而在企業(yè)財(cái)務(wù)預(yù)警中得到了廣泛應(yīng)用?；诖耍疚慕梃b文獻(xiàn)的研究思路，在Logistic模型和BP神經(jīng)網(wǎng)絡(luò)兩種單一預(yù)測(cè)模型的基礎(chǔ)上，將Logistic模型輸出的違約概率引入到BP神經(jīng)網(wǎng)絡(luò)中，從而構(gòu)建一種非線性組合預(yù)測(cè)模型，并將其應(yīng)用于上市公司財(cái)務(wù)預(yù)警。實(shí)證結(jié)果表明，該組合預(yù)測(cè)模型的預(yù)測(cè)精度高于任何一種單一預(yù)測(cè)模型，具有良好的應(yīng)用前景。

二、實(shí)證分析

(一)指標(biāo)體系與樣本數(shù)據(jù)

企業(yè)財(cái)務(wù)危機(jī)的跡象通常都將直接或間接地在一些敏感性財(cái)務(wù)指標(biāo)的變化上反映出來(lái)，本文參考國(guó)內(nèi)外有關(guān)文獻(xiàn)提出的企業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系，遵循指標(biāo)選取的系統(tǒng)性、科學(xué)性、客觀性、可操作性及敏感-性等原則，從償債能力、營(yíng)運(yùn)能力和盈利能力等三個(gè)方面，選取流動(dòng)比率、速動(dòng)比率、資產(chǎn)負(fù)債率、利息保障倍數(shù)、應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)報(bào)酬率、總資產(chǎn)報(bào)酬率、銷(xiāo)售凈利率、股本報(bào)酬率等12項(xiàng)財(cái)務(wù)比率指標(biāo)建立上市公司財(cái)務(wù)預(yù)警初始指標(biāo)體系。

本文選取滬、深股市中的信息產(chǎn)業(yè)上市公司(包括涉足信息產(chǎn)業(yè)的上市公司)作為研究對(duì)象，數(shù)據(jù)來(lái)源于國(guó)泰安數(shù)據(jù)庫(kù)和CCER數(shù)據(jù)庫(kù)。將上市公司因財(cái)務(wù)狀況出現(xiàn)異常而被特別處理(ST)作為企業(yè)財(cái)務(wù)預(yù)警的標(biāo)志，定義ST企業(yè)為財(cái)務(wù)危機(jī)公司，非ST企業(yè)為財(cái)務(wù)健康公司。樣本區(qū)間選定為2006-2008年，其中，ST企業(yè)采用被ST前兩年的年報(bào)數(shù)據(jù)進(jìn)行試驗(yàn)，最終取得的樣本總數(shù)為104個(gè)。將實(shí)驗(yàn)樣本集分為訓(xùn)練樣本和測(cè)試樣本。采用分層抽樣方法，從104個(gè)樣本中，分別對(duì)非ST企業(yè)和ST企業(yè)，隨機(jī)抽取70％(共72個(gè)樣本)作為訓(xùn)練樣本建立模型(其中：非ST企業(yè)36家，ST企業(yè)36家)；剩余的30％(共32個(gè)樣本)作為測(cè)試樣本檢驗(yàn)?zāi)Ｐ?其中：非ST企業(yè)16家，ST企業(yè)16家)。

考慮到上市公司財(cái)務(wù)預(yù)警初始指標(biāo)體系中可能存在冗余指標(biāo)，本文還借助ROSEtTA分析軟件，運(yùn)用粗糙集屬性約簡(jiǎn)遺傳算法對(duì)初始指標(biāo)進(jìn)行約簡(jiǎn)，從12個(gè)初始指標(biāo)中剔除了6個(gè)冗余指標(biāo)。由此得到流動(dòng)比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)報(bào)酬率、總資產(chǎn)報(bào)酬率等6個(gè)對(duì)信息產(chǎn)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別具有重要影響的指標(biāo)。

(二)Logistic模型

鑒于企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)可歸于二值響應(yīng)變量(正常和危機(jī))預(yù)測(cè)問(wèn)題，根據(jù)國(guó)內(nèi)外相關(guān)研究的使用頻率和效果，本文以上述6個(gè)指標(biāo)為自變量，二元變量0和1為因變量，運(yùn)用Logistic二元回歸模型構(gòu)建信息產(chǎn)業(yè)上市公司財(cái)務(wù)預(yù)警模型。利用SPSS16.0軟件對(duì)訓(xùn)練樣本進(jìn)行Loglstic回歸分析，分類臨界值設(shè)置為0.5，即預(yù)測(cè)值(可近似看成違約概率)大于0.5的取1，預(yù)測(cè)值小于0.5的取0。采用訓(xùn)練樣本對(duì)模型進(jìn)行內(nèi)部檢驗(yàn)，同時(shí)，采用測(cè)試樣本對(duì)模型進(jìn)行外部檢驗(yàn)。LogiStic模型預(yù)測(cè)結(jié)果見(jiàn)表1。其中，第一類錯(cuò)誤是指將ST企業(yè)誤判為非ST企業(yè)，第二類錯(cuò)誤是指將非ST企業(yè)誤判為ST企業(yè)。

(三)BP神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)的輸八層節(jié)點(diǎn)數(shù)對(duì)應(yīng)于財(cái)務(wù)預(yù)警的指標(biāo)數(shù)，即輸入層節(jié)點(diǎn)數(shù)n＝6。神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)取決于財(cái)務(wù)預(yù)警等級(jí)的評(píng)價(jià)結(jié)構(gòu)，本文將樣本公司分為兩個(gè)等級(jí)：財(cái)務(wù)危機(jī)和財(cái)務(wù)健康，因此，輸出層節(jié)點(diǎn)數(shù)m＝2，對(duì)應(yīng)輸出值為(1，0)和(0，1)。在三層BP神經(jīng)網(wǎng)絡(luò)中，隱含層節(jié)點(diǎn)數(shù)不是固定不變的。經(jīng)驗(yàn)公式顯示：隱含層神經(jīng)元數(shù)等于輸入層神經(jīng)元數(shù)乘以二再加上一。以經(jīng)驗(yàn)公式為參考，經(jīng)多次試算，根據(jù)誤差最小化原則，最終確定隱含層節(jié)點(diǎn)數(shù)為15。BP神經(jīng)網(wǎng)絡(luò)采用有一定閾值特性且連續(xù)可微的sigmoid函數(shù)作為神經(jīng)元的激發(fā)函數(shù)。目標(biāo)值為1.00E-06，學(xué)習(xí)率為0.91，最大學(xué)習(xí)次數(shù)為3000，系統(tǒng)每10步顯示一次訓(xùn)練誤差的變化曲線。經(jīng)過(guò)100次訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，逼近誤差為18774E-05，總體誤差達(dá)到要求。BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果見(jiàn)表1。

(四)組合預(yù)測(cè)模型

組合預(yù)測(cè)模型將Logistic模型輸出的違約概率引入到BP神經(jīng)網(wǎng)絡(luò)中，這樣網(wǎng)絡(luò)的輸入就包括初始的6個(gè)財(cái)務(wù)指標(biāo)和1個(gè)表示上市公司違約概率的變量，共7個(gè)輸入。該模型采用與上述BP神經(jīng)網(wǎng)絡(luò)模型相同的算法，所不同的只是網(wǎng)絡(luò)的結(jié)構(gòu)

和學(xué)習(xí)的參數(shù)。經(jīng)100坎訓(xùn)練之后得到一個(gè)具有7個(gè)輸入層節(jié)點(diǎn)、18個(gè)隱合層節(jié)點(diǎn)和2個(gè)輸出層節(jié)點(diǎn)的網(wǎng)絡(luò)，其中。目標(biāo)值為100E-06。學(xué)習(xí)率為0.86，逼近誤差為2.8869E-06。組合預(yù)測(cè)模型預(yù)測(cè)結(jié)果見(jiàn)表1。

表1顯示，組合預(yù)測(cè)模型在訓(xùn)練樣本集中的預(yù)測(cè)準(zhǔn)確率達(dá)到89.34％，高于其余兩種模型，其中，第一類錯(cuò)誤率略高于BP神經(jīng)網(wǎng)絡(luò)，但遠(yuǎn)低于Logistic模型，第二類錯(cuò)誤率均低于其余兩種模型；在測(cè)試樣本集中的預(yù)測(cè)準(zhǔn)確率達(dá)到87.80％，高于其余兩種模型，其中，第一類錯(cuò)誤率略高于BP神經(jīng)網(wǎng)絡(luò)，但遠(yuǎn)低于Logistic模型，第二類錯(cuò)誤率均低于其余兩種模型。由此可見(jiàn)，組合預(yù)測(cè)模型的預(yù)測(cè)精度總體上較優(yōu)。此外，本文還考察了三種模型的魯棒性，比較測(cè)試樣本集與訓(xùn)練樣本集的預(yù)測(cè)準(zhǔn)確率。BP神經(jīng)網(wǎng)絡(luò)模型下降了0.98％，組臺(tái)預(yù)測(cè)模型下降了1.72％，Logistic模型下降了7.61％，顯然，組合預(yù)測(cè)模型的魯棒性較好，能夠滿足實(shí)際應(yīng)用的需要。

三、結(jié)　語(yǔ)

在Logistic模型和BP神經(jīng)網(wǎng)絡(luò)兩種單一預(yù)測(cè)模型的基礎(chǔ)上，將Logistic模型輸出的違約概率引入到BP神經(jīng)網(wǎng)絡(luò)中，從而構(gòu)建一種非線性組合預(yù)測(cè)模型，并將其應(yīng)用于上市公司財(cái)務(wù)預(yù)警。由于組合預(yù)測(cè)模型利用了更多的信息。因而其預(yù)測(cè)精度總體上較優(yōu)，魯棒性較好，具有良好的應(yīng)用前景。神經(jīng)網(wǎng)絡(luò)雖然對(duì)樣本數(shù)據(jù)的分布沒(méi)有嚴(yán)格要求。且具有處理非線性問(wèn)題的能力，但其缺點(diǎn)也較為明顯，主要表現(xiàn)在：一是存在“黑箱性”問(wèn)題，無(wú)法獲知其運(yùn)行方式，不具備解釋性，缺乏堅(jiān)實(shí)的統(tǒng)計(jì)理論和基礎(chǔ)；二是算法容易形成局部極小，而得不到全局最優(yōu)；三是算法迭代次數(shù)多，且收斂速度緩慢。因此，選擇更為完備的非參數(shù)方法進(jìn)行組合預(yù)測(cè)有待于進(jìn)一步研究。

參考文獻(xiàn)：

[1]王平心，楊冬花，基于熵值法的我國(guó)上市公司財(cái)務(wù)預(yù)警系統(tǒng)研究，商業(yè)研究，2005(15)：86-88

[2]李志強(qiáng)，上市公司財(cái)務(wù)預(yù)警研究述評(píng)[J]金融理論與實(shí)踐

[3]王春峰，萬(wàn)海暉，張維，組合預(yù)測(cè)在商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用，管理工程學(xué)報(bào)，1999，13(1)：5-8

[4]韓平，席酉民，基于模糊神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)組合預(yù)測(cè)，數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2001(5)：107-110

[5]姜明輝，袁緒川，基于GP的個(gè)人信用評(píng)估非線性組合預(yù)測(cè)模型，電子科技大學(xué)學(xué)報(bào)(社科版)，2008，10(1)：1-5