導(dǎo)語：如何才能寫好一篇神經(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，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

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

中圖分類號：TP311 文獻標識碼：A 文章編號：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，都存在大量需要進行分析與處理的數(shù)據(jù)信息，在對這些數(shù)據(jù)信息進行挖掘分析的過程中，為了能提高分析效能與提高分析性能，在進行數(shù)據(jù)分析初期階段需要對原始數(shù)據(jù)進行預(yù)處理，將原始數(shù)據(jù)值通過某種算法轉(zhuǎn)化為所需分布范圍數(shù)據(jù)，即數(shù)據(jù)標準化處理。

利用神經(jīng)網(wǎng)絡(luò)模型來進時間序列數(shù)據(jù)趨勢預(yù)測是一個已經(jīng)開展了很長時間研究的熱門話題，這方面也有了許多研究成果。Connor[1]等運用非線性自回歸平均移動預(yù)測模型來進行時間序列問題魯棒預(yù)測，cheung[2]等運用神經(jīng)網(wǎng)絡(luò)模型對未來的金融數(shù)據(jù)進行預(yù)測，Wang[3]等設(shè)計出一種基于回歸神經(jīng)網(wǎng)絡(luò)的多維并行預(yù)測模型，文獻[4] 采用基于自回歸神經(jīng)網(wǎng)絡(luò)進行多維動態(tài)預(yù)測。在運用神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行趨勢預(yù)測時，需要對時間序列數(shù)據(jù)進行缺失值及數(shù)據(jù)標準化處理，下文運用多維動態(tài)預(yù)測模型對幾種常見的數(shù)據(jù)歸一化方法進行分析。

1 回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型

圖一為基于回歸神經(jīng)網(wǎng)絡(luò)的多維動態(tài)預(yù)測模型[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，用的較多的有線性歸一化與非線性歸一化兩種方法。線性歸一化方法主要運用極值或則均值通過線性運算公式對原始數(shù)據(jù)進行運算，將數(shù)據(jù)轉(zhuǎn)換為[-1，1]區(qū)間內(nèi)的數(shù)值；非線性歸一化方法主要運用一些非線性行數(shù)對原始數(shù)據(jù)進行運算，將數(shù)據(jù)轉(zhuǎn)換為一定分布范圍數(shù)據(jù)。

從實驗結(jié)果來看，初始數(shù)據(jù)的歸一化處理方法對自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測性能有明顯的影響，線性歸一化方法中最大值運算法要優(yōu)于最大最小值法；非線性歸一化方法中，對數(shù)運算法優(yōu)于反正切運算法，總體來看，運用最大值運算法對初始數(shù)據(jù)進行歸一化標準化處理適合于自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

4 結(jié)論

通過運用基于自回歸神經(jīng)網(wǎng)絡(luò)的動態(tài)預(yù)測模型來分析幾種常見數(shù)據(jù)歸一化方法對模型預(yù)測性能的影響，結(jié)果表明，數(shù)據(jù)歸一化方法的選擇會對自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型性能有明顯影響；對于自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型，運用最大值運算法來進行數(shù)據(jù)歸一化處理要優(yōu)于其它幾種常見方法。

參考文獻：

[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)計算及其應(yīng)用已經(jīng)滲透到多個學(xué)科，并在信號處理、智能控制、模式識別、機器視覺、非線性優(yōu)化、自動目標識別、知識處理、遙感技術(shù)等領(lǐng)域取得了豐碩的成果。神經(jīng)計算不僅是科學(xué)家的興趣所在，還受到了各國政府和軍隊等權(quán)力部門的密切關(guān)注，世界上許多國家和地區(qū)的政府及工業(yè)界都十分關(guān)注并積極投資神經(jīng)計算技術(shù)的研究，其進展不僅將促進科學(xué)和技術(shù)的進步，還會對各國的國力產(chǎn)生一定的影響。

本文針對神經(jīng)計算中亟需解決的5個問題進行了研究，包括加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度、增強神經(jīng)網(wǎng)絡(luò)的可理解性、設(shè)計出易于使用的工程化神經(jīng)計算方法、更好地模擬生物神經(jīng)系統(tǒng)以及將神經(jīng)計算與傳統(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)提出了一個快速神經(jīng)分類器FAC和一個快速神經(jīng)回歸估計器FANRE，實驗結(jié)果表明，這兩個算法學(xué)習(xí)速度快、歸納能力強，在性能上明顯優(yōu)于目前常用的一些神經(jīng)網(wǎng)絡(luò)分類學(xué)習(xí)算法和回歸估計算法。在此基礎(chǔ)上，成功地將FAC應(yīng)用于石油勘探巖性識別領(lǐng)域。

(2)提出了一個神經(jīng)網(wǎng)絡(luò)規(guī)則抽取算法STARE，實驗結(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、簡潔的符號規(guī)則，從而較好地增強神經(jīng)網(wǎng)絡(luò)的可理解性。在此基礎(chǔ)上，提出了一個基于神經(jīng)計算的分類規(guī)則挖掘框架NEUCRUM，并成功地將其應(yīng)用于臺風預(yù)報領(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，實驗結(jié)果表明，GASEN的性能優(yōu)于目前常用的一些方法。設(shè)計了一種多視角神經(jīng)網(wǎng)絡(luò)集成方法VS，將神經(jīng)網(wǎng)絡(luò)集成應(yīng)用于多視角人臉識別，不需進行偏轉(zhuǎn)角度預(yù)估計就能取得很高的識別精度。設(shè)計了一種新型結(jié)論組合方法和一種二級集成結(jié)構(gòu)，將神經(jīng)網(wǎng)絡(luò)集成應(yīng)用于肺癌細胞識別，并嵌入到肺癌早期診斷系統(tǒng)LCDS中，大大降低了肺癌細胞的漏識率。

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

(5)提出了一種結(jié)合決策樹與前饋神經(jīng)網(wǎng)絡(luò)的混合決策樹方法HDT，描述了樹的生長算法和神經(jīng)處理機制。對增量學(xué)習(xí)和構(gòu)造性歸納進行了研究，界定了三種不同的增量學(xué)習(xí)問題的概念，并給出了HDT的增量學(xué)習(xí)和構(gòu)造性歸納算法。實驗結(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)用于情報軟件故障診斷。

關(guān)鍵詞：神經(jīng)計算，神經(jīng)網(wǎng)絡(luò)，機器學(xué)習(xí)，快速學(xué)習(xí)，規(guī)則抽取，集成，容錯神經(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，知識獲取，數(shù)據(jù)挖掘，遺傳算法，進化計算，斷路故障，人臉識別，計算機輔助醫(yī)療診斷，巖性識別，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： 電力負荷；Elman網(wǎng)絡(luò)；BP網(wǎng)絡(luò)；預(yù)測

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2013）16-3871-04

電力系統(tǒng)時序負荷的準確預(yù)測是實現(xiàn)現(xiàn)代控制的前提之一，也是電力系統(tǒng)規(guī)劃和運行研究的重要內(nèi)容。負荷預(yù)測是從已知的用電需求出發(fā)，考慮政治、經(jīng)濟、氣候等相關(guān)因素，對未來的用電需求作出的預(yù)測[1]。電力系統(tǒng)負荷預(yù)測也是電力生產(chǎn)部門的重要工作之一，通過準確的負荷預(yù)測，可以經(jīng)濟合理地安排機組啟停，減少旋轉(zhuǎn)備用容量，合理安排檢修計劃，降低發(fā)電成本，提高經(jīng)濟效益。此外，它也是電力市場中電價制定的基礎(chǔ)。

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

近年來，人工神經(jīng)網(wǎng)絡(luò)越來越引起控制理論工作者的極大興趣。人工神經(jīng)網(wǎng)絡(luò)是一個能夠?qū)W習(xí)，能夠總結(jié)歸納的系統(tǒng)，也就是說它能夠通過已知數(shù)據(jù)的實驗運用來學(xué)習(xí)和歸納總結(jié)。人工神經(jīng)網(wǎng)絡(luò)通過對局部情況的對照比較（而這些比較是基于不同情況下的自動學(xué)習(xí)和要實際解決問題的復(fù)雜性所決定的），它能夠推理產(chǎn)生一個可以自動識別的系統(tǒng)。與之不同的基于符號系統(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，也就是說它們之所以能夠推理，基礎(chǔ)是需要有一個推理演算法則的集合。神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于它具有模擬多變量而不需要對輸入變量做復(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)性和較強的非線性映射能力進行負荷預(yù)測。采用自適應(yīng)學(xué)習(xí)速率動量梯度下降反向傳播算法進行網(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)元之間還存在一個反饋連接通道，這種反饋連接在神經(jīng)網(wǎng)絡(luò)術(shù)語中稱為回歸（recurrent）連接。這種回歸連接使得Elman網(wǎng)絡(luò)具有檢測和產(chǎn)生時變模式的能力。

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)測精度的關(guān)鍵所在。電力系統(tǒng)負荷的波動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，對預(yù)報模型簡單化，輸入變量的選取僅來自于某年歐洲競賽中電力負荷的歷史數(shù)據(jù)。

2.2結(jié)構(gòu)分析

2.3輸入和輸出參數(shù)的標準化

3 仿真分析

神經(jīng)網(wǎng)絡(luò)中單個神經(jīng)元具有簡單的能夠反映非線性本質(zhì)特征的能力，這些基本的單元經(jīng)過自組織復(fù)合，使神經(jīng)網(wǎng)絡(luò)可以逼近任意非線性函數(shù)。通過學(xué)習(xí)，從樣本中抽取并存儲其內(nèi)在規(guī)律，從而可以對序列的變化進行預(yù)測。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、較強的抗干擾能力，易于給出工程上容易實現(xiàn)的算法。在進行神經(jīng)網(wǎng)絡(luò)預(yù)測時，首先是要確定輸入、輸出節(jié)點。

在訓(xùn)練和預(yù)測的過程中，在MATLAB語言環(huán)境下，使用其特有的神經(jīng)網(wǎng)絡(luò)工具箱，對改進的BP算法建立負荷預(yù)測模型，實現(xiàn)短期負荷預(yù)測。對比兩種網(wǎng)絡(luò)預(yù)測圖像和數(shù)據(jù)，可以清楚地看出，Elman網(wǎng)絡(luò)的訓(xùn)練速度及預(yù)測精度都有較大的改善。比較圖4、圖5及預(yù)測技術(shù)指標可以看到，訓(xùn)練Elman網(wǎng)絡(luò)時間短，平均預(yù)測精度高，最大預(yù)測精度也優(yōu)于BP網(wǎng)絡(luò)。

對于電力預(yù)測來說，只考慮歷史數(shù)據(jù)是不夠的，還受許多隨機因素的影響，由于工作日和節(jié)假日的負荷不同，還要考慮時間特征值[8]。為避免預(yù)測時出現(xiàn)較大的誤差，可以通過適當增加樣本容量。

4 結(jié)論

到目前為止，電力系統(tǒng)的負荷預(yù)測一直都是一個難點，這主要是因為電力系統(tǒng)結(jié)構(gòu)越來越復(fù)雜。該文采用Elman網(wǎng)絡(luò)建立短期負荷的預(yù)測模型，克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的一些缺陷。通過仿真計算，證明了Elman神經(jīng)網(wǎng)絡(luò)具有動態(tài)特性好、網(wǎng)絡(luò)訓(xùn)練速度快、精度高等特點，同時表明該方法是可行且有效的，并且在電網(wǎng)電力負荷預(yù)測領(lǐng)域具有廣闊的應(yīng)用前景。

參考文獻：

[1] 汪峰，于爾鏗，周京陽.能量管理系統(tǒng)（EMS） [J]. 電力系統(tǒng)自動化，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)負荷預(yù)測模型[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)負荷預(yù)報[J]. 武漢水利電力大學(xué)學(xué)報，2000，22（4）：303-307.

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

[5] 陳玉彬.礦井雙風機自動的簡易實現(xiàn)[J].礦山機械， 2009（18）：84.

[6] 王關(guān)平. 基于人工神經(jīng)網(wǎng)絡(luò)的無刷直流電動機控制研究[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

中圖分類號:TM855文獻標識碼:A

文章編號: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)村電力短期負荷預(yù)測研究對農(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?；诙唐谪摵深A(yù)測研究理論和方法已做了大量預(yù)測研究,提出了很多方法,大致可以分為兩類:一類是以時間序列法為代表的傳統(tǒng)方法,如時間序列法等,這些方法算法簡單,速度快,應(yīng)用廣泛,但由于其本質(zhì)上都是線性模型方法,因此存在著很多缺點和局限性,無法真實地反映農(nóng)村電力系統(tǒng)不同負荷模型的非線性特性;另一類是以人工神經(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)村電力短期負荷的各種變化趨勢。BP網(wǎng)絡(luò)需要大量歷史數(shù)據(jù)進行訓(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題。實踐證明,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,克服各自的不足是一種有效的方法。

1農(nóng)村電力短期負荷預(yù)測研究算法

基于負荷預(yù)測方法主要有回歸分析法、時間序列法、指數(shù)平滑法、灰色模型法、專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、小波分析預(yù)測技術(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,自變量是隨機變量,因變量是非隨機變量,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)和一些影響負荷變化的因素變量來推斷將來時刻的負荷值。回歸分析法的特點是:原理、結(jié)構(gòu)簡單,預(yù)測速度快,外推特性好,對于歷史上未出現(xiàn)過的情況有較好的預(yù)測值。

1.2灰色模型法

灰色系統(tǒng)理論將一切隨機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)的方法將雜亂無章的原始數(shù)據(jù)整理成規(guī)律性較強的生成數(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(如負荷)的預(yù)測時,求解微分方程的時間響應(yīng)函數(shù)表達式即為所求的灰色預(yù)測模型,對模型的精度和可信度進行校驗并修正后即可據(jù)此模型預(yù)測未來的負荷。

1.3專家系統(tǒng)法

專家系統(tǒng)是依據(jù)專門從事短期負荷預(yù)測的技術(shù)人員提供的經(jīng)驗,總結(jié)出一系列的規(guī)則,并建立相應(yīng)的歷史負荷和天氣的數(shù)據(jù)庫,利用if-then規(guī)則對待預(yù)測日的負荷進行估計。由于專家系統(tǒng)將天氣條件作為一個重要因素引入預(yù)測模型,因而預(yù)測的結(jié)果更為令人滿意。專家系統(tǒng)預(yù)測的優(yōu)點在于較好的解決了天氣等因素對負荷的影響,有力的克服了時間序列法不能處理數(shù)據(jù)序列中出現(xiàn)大擾動的情況。但是這種方法過分依賴規(guī)則,如果沒有一系列成熟的規(guī)則負荷預(yù)測就無法進行,而規(guī)則本身不具有普遍適應(yīng)性,預(yù)測模型不能推廣到所有的系統(tǒng),這正是專家系統(tǒng)存在的弱點。

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年代以來發(fā)展起來的新方法,用人工神經(jīng)網(wǎng)絡(luò)進行負荷預(yù)測是農(nóng)村電力系統(tǒng)負荷預(yù)測的一個新發(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),選取過去一段時間的負荷作為訓(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)練算法對網(wǎng)絡(luò)進行訓(xùn)練,使其滿足精度要求之后,用ANN作負荷預(yù)測。一般而言,ANN應(yīng)用于短期負荷預(yù)測要比應(yīng)用于中長期負荷預(yù)測更為適宜,因為短期負荷變化可以認為是一個平穩(wěn)隨機過程,而長期負荷預(yù)測與國家或地區(qū)的政治、經(jīng)濟政策等因素密切相關(guān),通常會有些大的波動,而并非是一個平穩(wěn)隨機過程。目前用人工神經(jīng)網(wǎng)絡(luò)進行負荷預(yù)測還存在一些問題,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)時間較長等問題。但它仍具有許多其他方法所不能比擬的優(yōu)點,例如:良好的函數(shù)逼近能力,通過對樣本的學(xué)習(xí),能夠很好的反映對象的輸入/輸出之間復(fù)雜的非線性關(guān)系。因此人工神經(jīng)網(wǎng)絡(luò)受到許多學(xué)者的高度評價。

1.5小波分析預(yù)測技術(shù)

小波分析是Fourie分析深入發(fā)展過程中的一個新的里程碑,是本世紀數(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。一方面,小波分析發(fā)揚了Foufie分析的優(yōu)點,克服了Fourie分析的某些缺點;另一方面,小波分析現(xiàn)在已經(jīng)被廣泛應(yīng)用于信號處理、圖像處理、量子場論、語言識別與合成、地震預(yù)報、機器視覺、機械故障診斷與監(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取代,而且其應(yīng)用結(jié)果會得到深化和發(fā)展,因此小波分析作為一種多方面運用的數(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)中曰負荷曲線具有特殊的周期性,負荷以天、周、年為周期發(fā)生波動,大周期中嵌套小周期。而小波分析是一種時域或頻域分析方法,它在時域和頻域上同時具有良好的局部化性質(zhì),并且能根據(jù)信號頻率高低自動調(diào)節(jié)采樣的疏密,容易捕捉和分析微弱信號以及信號、圖像精細的采樣步長,從而可以聚焦到信號的任意細節(jié),尤其是對奇異信號很敏感,能很好的處理微弱或突變的信號,其目標是將一個信號的信息轉(zhuǎn)化成小波系數(shù),可以方便的處理、存儲、傳遞、分析或被用于重建原始信號,這些優(yōu)點決定了小波分析可以有效地應(yīng)用于負荷預(yù)測問題的研究。

1.6模糊預(yù)測法(FUZZY)

FUZZY預(yù)測,是近幾年來在農(nóng)村電力系統(tǒng)負荷預(yù)測中不斷出現(xiàn)的一種預(yù)測方法,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,如負荷預(yù)測中的關(guān)鍵因素氣象狀況的評判、負荷的日期類型的劃分等信息,都是模糊的。常規(guī)方法就是采用統(tǒng)計和經(jīng)驗相結(jié)合的方法予以處理,這給負荷預(yù)測引入了不科學(xué)因素,并且與自動化要求相矛盾,而FUZZY方法正是破解這些模糊信息的鑰匙。從實際應(yīng)用來看,單純的FUZZY方法對于負荷預(yù)測的精度往往是不盡人意的,主要因為FUZZY預(yù)測沒有學(xué)習(xí)能力,這一點對于不斷變化的農(nóng)村電力系統(tǒng)而言,是極為不利的。

2農(nóng)村電力短期負荷預(yù)測研究與實現(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“采用物理可實現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細胞的結(jié)構(gòu)和功能的系統(tǒng)。”人工神經(jīng)網(wǎng)絡(luò)是最近發(fā)展起來的十分熱門的交叉學(xué)科,它涉及生物、電子、計算機、數(shù)學(xué)和物理學(xué)科,有著非常廣泛的應(yīng)用背景,這門學(xué)科的發(fā)展對日前和末來的科學(xué)技術(shù)的發(fā)展有重要的影響。二維的簡單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓撲結(jié)構(gòu)可分為兩類:前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。反饋型網(wǎng)絡(luò)模型是一種反饋動力學(xué)系統(tǒng),它具有極復(fù)雜的動力學(xué)特性。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無向圖表示,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)模型有很強的計算能力。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――負梯度方向。

xk+1=xk-akgk (1)

其中xk是當前的權(quán)值和閾值矩陣,gk是當前表現(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,隱層節(jié)點,輸出節(jié)點。輸入節(jié)點與隱層節(jié)點間的網(wǎng)絡(luò)權(quán)值為,隱層節(jié)點與輸出節(jié)點間的網(wǎng)絡(luò)權(quán)值為。當輸出節(jié)點的期望值為時,模型的計算公式如下:

隱層節(jié)點的輸出:

yj=f(wjixi-θj )=f (netj) (2)

其中netj=wjixi-θj (3)

輸出節(jié)點的計算輸出:

zl=f(vljyj-θl)=f (netl) (4)

其中netl=vlj yj-θl (5)

輸出節(jié)點的誤差:

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)對輸出節(jié)點求導(dǎo)

=?=? (7)

E是多個zk的函數(shù)。但有一個zk與vlj有關(guān),各zk間相互獨立,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)點誤差為δl=(tl-zl)?f '(netl) (11)

則=-δl?yj (12)

2.4誤差函數(shù)對隱層節(jié)點求導(dǎo)

=?? (13)

E是多個zl的函數(shù),針對某一個wji,對應(yīng)一個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)點誤差δj′中的δlvlj表示輸出節(jié)點的zl的誤差δl通過權(quán)值vlj向節(jié)點yj反向傳播成為隱層節(jié)點的誤差。

2.5 閾值θ也是變化值,在修正權(quán)值的同時也需要修正,原理同權(quán)值修正一樣誤差函數(shù)對輸出節(jié)點閾值求導(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)對隱層節(jié)點閾值求導(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)

對輸出節(jié)點zl=f (netj) (41)

f ' (netj)=zl?(1-zl) (42)

對輸出節(jié)點yj= f (netj) (43)

f ' (netj)=yj?(1-yj) (44)

3結(jié)語

基于一種新的基于人工神經(jīng)網(wǎng)絡(luò)在農(nóng)村電力短期負荷預(yù)測研究。針對BP算法中存在的收斂速度慢、易陷入局部最小值的問題,可采用附加動量法和自適應(yīng)學(xué)習(xí)速率法在一定程度上解決這些問題。附加動量法是在BP算法的基礎(chǔ)上,在每個權(quán)值變化上加上一項正比于上一次權(quán)值變化量的值,并根據(jù)BP算法來產(chǎn)生新的權(quán)值變化,利用附加動量法可能會避開某些局部最小值。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)時間。

參考文獻

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

篇5

【關(guān)鍵詞】營銷網(wǎng)格；神經(jīng)網(wǎng)絡(luò)；營銷資源

1.序言

隨著時間的推移，企業(yè)積累了大量的各個網(wǎng)格客戶的信息以及各個網(wǎng)格內(nèi)客戶對于營銷資源的需求信息。這時企業(yè)可以采用數(shù)據(jù)挖掘的方法，利用歷史數(shù)據(jù)預(yù)測各個網(wǎng)格客戶群對于營銷資源的需求。

傳統(tǒng)的預(yù)測方法有：線性回歸法、狀態(tài)空間法和指數(shù)平滑法等，這些預(yù)測方法需要大量的數(shù)據(jù)和參數(shù)作為預(yù)測依據(jù)，只能用來預(yù)測短時間內(nèi)物流量變化的大致趨勢。近年來應(yīng)用廣泛的預(yù)測方法有：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)測問題；灰色系統(tǒng)預(yù)測要求原始時間序列是非負單調(diào)的，在實際需求量預(yù)測中這個條件不一定能完全滿足[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)的非線性動力系統(tǒng)，通過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性關(guān)系。相對于傳統(tǒng)的預(yù)測方法，BP神經(jīng)網(wǎng)絡(luò)對處理這方面問題有著獨特優(yōu)勢[2]，表現(xiàn)在：

（1）容錯能力強。由于網(wǎng)絡(luò)的知識信息采用分布式存儲，個別單元的損壞不會引起輸出錯誤，這就使得預(yù)測過程的容錯能力強，可靠性高。

（2）預(yù)測速度快。訓(xùn)練好的網(wǎng)絡(luò)在對未知樣本進行預(yù)測運算時僅需少量加法和乘法，使得其運算速度明顯快于其他方法。

（3）避開了特征因素與判別目標的復(fù)雜關(guān)系描述，特別是公式的表達，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。上下層之間實現(xiàn)全連接，每層神經(jīng)元之間無連接。當一對學(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)，然后按照減少實際輸出與目標輸出之間誤差的方向，從輸出層反向經(jīng)過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行，網(wǎng)絡(luò)對輸入模式響應(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，將對應(yīng)網(wǎng)格的營銷資源需求數(shù)據(jù)作為輸出，然后對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，直至達到設(shè)定的均方誤差MSE后停止訓(xùn)練。最后以目標網(wǎng)格客戶群屬性數(shù)據(jù)作為輸入，利用已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對該網(wǎng)格營銷資源需求進行預(yù)測。

3.營銷網(wǎng)格資源需求預(yù)測模型的構(gòu)建

營銷資源需求按照投入的方式不同可以劃分為人力資源需求、物力資源需求和財力資源需求。人力資源需求是指企業(yè)在一定時期內(nèi)進行必需的營銷活動而投人的各類營銷人員，包括銷售人員、售后服務(wù)人員日常業(yè)務(wù)人員及各級營銷管理人員。物力資源需求是指為完成銷售目的而必須投人的各種物力消耗，包括運輸車輛、裝卸工具、低值易耗品、辦公用品等。財力資源需求是指各項營銷費用支出，如營銷人員工資、差旅費、運輸費、三包費、廣告費、服務(wù)費等等。本文以某企業(yè)為例，利用以往幾年的各項營銷費用來預(yù)測未來一年的各項費用需求。

2010年共發(fā)生營銷類費用25468742.61元，其中支付營銷人員工資3466765元；服務(wù)費：7940507.68元；辦公用品：7846.3元；郵電費：146465.32元；運輸費：71390.54元；差旅費：482331.82元；會議費600000元；廣告費157721元；商品資料費101709.35元；倉庫租用費：453600元；市場開拓費：11867800元；業(yè)務(wù)招待費：171157.6元；人員培訓(xùn)費：1448元。07、08和09年各項資源需求費用見表1。

4.總結(jié)

運用人工神經(jīng)網(wǎng)絡(luò)算法，從定量角度構(gòu)建企業(yè)營銷資源與網(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)格客戶作為輸入變量，將其對應(yīng)的資源需求進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)對以構(gòu)建好的神經(jīng)網(wǎng)絡(luò)進行反復(fù)訓(xùn)練，直至得到理想結(jié)果為止，這樣就構(gòu)成了營銷網(wǎng)格資源需求預(yù)測模型。需求量的準確預(yù)測可以幫助企業(yè)更好地控制自身的財務(wù)狀況，更有效地分配有限的資源。

參考文獻：

[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[J].武漢理工大學(xué)學(xué)報（信管版），2009（10）：773-776.

[2]葛哲學(xué)，孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實現(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)測研究與仿真分析[J].計算機工程與設(shè)計，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)在機場物流預(yù)測中的應(yīng)用研究[J].蘭州交通大學(xué)學(xué)報，2004，23（3）：39-43.

篇6

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

一、引言

出口貿(mào)易受到一國(或地區(qū))的經(jīng)濟條件、自然條件、貿(mào)易政策等國內(nèi)因素的影響，還受到國際市場需求變動、全球經(jīng)濟增長等國際因素的影響，且各影響因素以及相互之間存在非線性關(guān)系，因此，出口貿(mào)易是一個復(fù)雜時變的非線性系統(tǒng)。而傳統(tǒng)的時間序列、線性回歸等線性預(yù)測方法雖然具有簡單、直觀且解釋性強的優(yōu)點，但難以解決非線性的預(yù)測問題，因此非線性的預(yù)測方法越來越受到出口貿(mào)易預(yù)測研究者的重視。在其研究中表明中國外貿(mào)環(huán)境發(fā)生了較大變化，導(dǎo)致建立在原來數(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性化。

而神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用得非常廣泛的非線性預(yù)測方法，它具有強大非線性映射功能，具有很強的魯棒性(robust)和容錯性，適合于解決動態(tài)非線性出口貿(mào)易系統(tǒng)的預(yù)測決策問題。且神經(jīng)網(wǎng)絡(luò)的算法和模型較為成熟，預(yù)測結(jié)果可靠，在股市預(yù)測、證券預(yù)測、外匯預(yù)測、GDP預(yù)測、庫存需求預(yù)測、產(chǎn)品成本定價、風險預(yù)測、財務(wù)報警等經(jīng)濟領(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，建立起預(yù)測模型并進行實證預(yù)測，預(yù)測的結(jié)果可以作為相關(guān)部門制定重慶市出口貿(mào)易發(fā)展目標的決策參考依據(jù)。

二、預(yù)測模型結(jié)構(gòu)設(shè)計

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對學(xué)習(xí)樣本，第p個樣本的網(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是誤差對權(quán)值導(dǎo)數(shù)的雅可比矩陣:μ是一個能夠自適應(yīng)調(diào)整的非負標量;是單位矩陣;θ項保證可逆，否則JTJ可能不可逆;e是誤差。

2.具體算法設(shè)計

(1)對數(shù)據(jù)進行預(yù)處理。。本文選用常用的線性函數(shù)對原始數(shù)據(jù)進行標準化的預(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)各項參數(shù)。BP網(wǎng)絡(luò)的各項參數(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)證明任意一個連續(xù)函數(shù)都能與含有一個S型隱含層和線性輸出層的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)過多，又可能將噪聲等樣本中非規(guī)律性的信息學(xué)會并存儲，從而出現(xiàn)“過度擬合”(Overfitting)的問題。因此在滿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)來訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加隱含層神經(jīng)元數(shù)，當隱含層神經(jīng)元數(shù)增加而網(wǎng)絡(luò)誤差沒有明顯改善時，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對學(xué)習(xí)樣本對網(wǎng)絡(luò)進行訓(xùn)練，判斷網(wǎng)絡(luò)誤差是否滿足精度要求，如果滿足精度要求，則結(jié)束訓(xùn)練，存儲權(quán)值和閥值。如果不滿足精度要求，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，進入下一輪學(xué)習(xí)訓(xùn)練，當訓(xùn)練次數(shù)大于給定的最大訓(xùn)練次數(shù)仍不滿足精度要求時，退出訓(xùn)練過程，調(diào)整網(wǎng)絡(luò)參數(shù)并重新訓(xùn)練，即從2）開始重新調(diào)試。

三、實證預(yù)測

本文用于模型實證預(yù)測的時序數(shù)據(jù)為1987年到2005年重慶市出口貿(mào)易額歷史數(shù)據(jù)，見表1。

表11987年～2005年重慶市歷年出口貿(mào)易額 單位萬美元

資料來源：1987年～2004年數(shù)據(jù)來源于《重慶統(tǒng)計年鑒――2005》，2005年數(shù)據(jù)來源于“重慶市對外貿(mào)易網(wǎng)”公布的數(shù)據(jù)。

通過反復(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2005年和2006年重慶市出口貿(mào)易額數(shù)據(jù)進行預(yù)測，預(yù)測結(jié)果分別為257374萬美元和275869萬美元，而傳統(tǒng)的指數(shù)平滑、移動平均和自回歸的預(yù)測結(jié)果見表2，預(yù)測曲線見圖2。

從表2預(yù)測結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測的誤差在3%以內(nèi)，具有較高的預(yù)測精度；而指數(shù)平滑、移動平均和自回歸預(yù)測的最大誤差分別為26.57%、27.07%、10.91%，誤差遠大于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差。再從圖2的預(yù)測曲線來看，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測曲線緊貼著實際數(shù)據(jù)變動，數(shù)據(jù)擬合效果好；而指數(shù)平滑、移動平均和自回歸預(yù)測的預(yù)測曲線在實際數(shù)據(jù)出現(xiàn)明顯波動時開始明顯偏離實際數(shù)據(jù)，即這三種傳統(tǒng)的預(yù)測方法不適合于非線性問題的預(yù)測。

表2不同預(yù)測方法的預(yù)測結(jié)果單位萬美元

圖2不同預(yù)測方法的預(yù)測曲線

篇7

一、模糊化遺傳BPN演算方法的提出

盡管通過已有的研究以及一些簡單的模型可以初步判定企業(yè)財務(wù)業(yè)績是否出現(xiàn)衰退跡象，但由于財務(wù)報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、識別的特征指標不易設(shè)定、甄別技術(shù)的選擇及智能設(shè)計較難掌握等，因此甄別虛假財務(wù)報告一直是困擾會計界的重大難題。

(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)庫技術(shù)來存儲管理數(shù)據(jù)，利用機器學(xué)習(xí)的方法來分析數(shù)據(jù)，從而挖掘出大量的隱藏在數(shù)據(jù)背后的知識)已深受人們關(guān)注。會計本身就可以定義為一個信息系統(tǒng)，將數(shù)據(jù)挖掘技術(shù)應(yīng)用于財務(wù)報告舞弊的甄別必將是一個趨勢，并且已有學(xué)者對該種方法的可行性進行初步探討。隨著數(shù)據(jù)挖掘技術(shù)的改進及發(fā)展，發(fā)掘?qū)嵱酶咝У臄?shù)據(jù)挖掘算法，構(gòu)建舞弊識別系統(tǒng)，并真正實現(xiàn)舞弊識別才是亟待解決的問題。因此，本文通過比較各種數(shù)據(jù)挖掘算法的優(yōu)缺點，綜合考慮提出用于會計舞弊識別的模糊化遺傳BPN系統(tǒng)，并對該系統(tǒng)所涵蓋的具體算法、該系統(tǒng)的技術(shù)優(yōu)勢以及甄別系統(tǒng)的構(gòu)建進行逐步研究，力求設(shè)計出更加行之有效的財務(wù)報告舞弊甄別技術(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：探索型數(shù)據(jù)挖掘和預(yù)測型數(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)測型挖掘包括一系列在數(shù)據(jù)中查找特定變量(稱為“目標變量”)與其他變量之間關(guān)系的技術(shù)。預(yù)測型挖掘常用的有分類和聚類、數(shù)值預(yù)測技術(shù)。數(shù)據(jù)挖掘使用的算法很多，主要包括統(tǒng)計分析、機器學(xué)習(xí)、決策樹、粗糙集、人工神經(jīng)網(wǎng)絡(luò)和遺傳算法等。

舞弊性財務(wù)報告的識別過程本身可以認為是一個分類的過程，即分為舞弊及非舞弊的過程。對數(shù)據(jù)挖掘技術(shù)的各種分類算法的優(yōu)劣具體比較(見表1)。

基于此，綜合各種分類算法的優(yōu)勢，本文提出模糊化遺傳BPN財務(wù)報告舞弊識別系統(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單地說是人們對許多決策思維的自然語言描述，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)指標時也可以自然語言表示“偏高”、“適中”或“偏低”等。

(2)模糊推論(rule evaluation,fuzzy inference)：根據(jù)模糊輸入，依照口語化的規(guī)則(1inguistic rules)，產(chǎn)生模糊結(jié)果，如透過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：x is A’

結(jié)論：y is b’

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

(二)遺傳算法　遺傳算法是模擬生物進化過程的算法，由三個算子組成，即選擇、較差、突變。遺傳算法具有十分頑強的魯棒形，在解決大空間、多峰值、非線性、全局優(yōu)化等復(fù)雜度高的問題時具有獨特的優(yōu)勢。其可以單獨用于數(shù)據(jù)庫中關(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和優(yōu)點所決定的。(1)遺傳算法的處理對象不是參數(shù)本身，而是對參數(shù)集進行了編碼的個體，可以直接對集合、隊列、矩陣、圖表等結(jié)構(gòu)進行操作；(2)具有較好的全局搜索性能，減少了陷于局部最優(yōu)解的風險，同時，遺傳算法本身也易于并行化；(3)在標準的遺傳算法中，基本上不用搜索空間的知識或其他輔助信息，而僅用適應(yīng)度函數(shù)值來評估個體，并在此基礎(chǔ)上進行遺傳操作；(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，透過訓(xùn)練樣本輸入網(wǎng)絡(luò)時，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)，當學(xué)習(xí)完成后再利用測試樣本來進行模式的測試。由于BP神經(jīng)網(wǎng)絡(luò)具有高學(xué)習(xí)準確度、回想速度快以及能含雜訊資料處理等優(yōu)點，因此運用最為普遍。其基本原理是利用梯度下降法(the gradient steepest descent method)的觀念，通過學(xué)習(xí)過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，進而通過不斷學(xué)習(xí)求得最佳網(wǎng)絡(luò)模式已達到預(yù)測的目的。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。輸出層用來表示網(wǎng)絡(luò)的輸出變量，其處理單元數(shù)目依問題而定。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，也可以沒有隱藏層，至于其處理單元數(shù)目并無標準方法可決定。

三、模糊化遺傳BPN優(yōu)勢

現(xiàn)存的關(guān)于國內(nèi)外財務(wù)報告舞弊識別模型研究，大多設(shè)計為Logistic回歸模型及神經(jīng)網(wǎng)絡(luò)(ANN)模型。盡管神經(jīng)網(wǎng)絡(luò)對于財務(wù)報告舞弊的識別效果和準確性都比logistic回歸模型更好，但還是存在一些局限性。而模糊化遺傳BPN正是一種可以彌補單純神

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

(一)模糊邏輯與神經(jīng)網(wǎng)絡(luò)的結(jié)合優(yōu)勢　由于神經(jīng)網(wǎng)路工作方式是自組織式，即無教師學(xué)習(xí)網(wǎng)絡(luò)，模擬人類根據(jù)過去經(jīng)驗自動適應(yīng)無法預(yù)測的環(huán)境變化。由于沒有教師信號，這類網(wǎng)絡(luò)通常利用競爭的原則進行網(wǎng)絡(luò)的學(xué)習(xí)，對知識的獲取完全取決于感知。因此單純的神經(jīng)網(wǎng)絡(luò)對于處理數(shù)量龐大、種類繁多、而且信息復(fù)雜的財務(wù)報告而言，顯得有些吃力并且不一定十分精確。而模糊邏輯算法對知識的獲取則是由專家來控制，其對所提供信息的數(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)點就是可以把專家的策略通過IF-THEN、and、or的關(guān)系式輕而易舉的定義出來，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　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)相當于一個專家系統(tǒng)知識庫，能自動在海量數(shù)據(jù)中識別、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，將其與神經(jīng)網(wǎng)絡(luò)結(jié)合起來，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、網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)參數(shù)難以確定等缺點；同時還可以優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和連接權(quán)系數(shù)，這就滿足了求得最優(yōu)BPN的必要條件。另外，遺傳算法本身計算量較大，每次迭代過程需要大量運算，尤其是當遺傳算法收斂到一定程度后，整個解群的素質(zhì)和最優(yōu)解素質(zhì)的改善變得比較困難，導(dǎo)致搜索時間呈指數(shù)增長，此時用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)約大量時間。

四、模糊化遺傳BPN財務(wù)報告舞弊甄別系統(tǒng)的構(gòu)建

模糊化遺傳BPN財務(wù)報告舞弊甄別系統(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，首先需要進行的工作是選擇輸入變量，即構(gòu)建財務(wù)報告舞弊識別特征指標體系，通過顯著性檢驗篩選進入系統(tǒng)的變量。然后將其模糊化，通過IF-THEN語句建立模糊規(guī)則庫，再經(jīng)過反模糊化方法輸出模糊后的舞弊特征指標變量。

(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變量定義遺傳算法適應(yīng)值函數(shù)；同時，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)框架計算適應(yīng)值函數(shù)值，如果適合度滿足終止條件，將網(wǎng)絡(luò)結(jié)構(gòu)輸入給BP神經(jīng)網(wǎng)絡(luò)模塊，否則回到三個算子循環(huán)計算。

篇8

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

中圖分類號:F293.3文獻標識碼:A

新建住宅項目定價能否被消費者認同,對于項目投資者來說,能夠快速準確地了解項目定價的合理區(qū)間是非常重要的。目前,在實際操作中運用的市場比較法、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。隨著計算機技術(shù)的迅速發(fā)展,近些年來興起的人工神經(jīng)網(wǎng)絡(luò)模型的一個明顯特征就是具有通過學(xué)習(xí)最佳逼近非線性映射的能力。因此,項目特征到項目定價的非線性映射關(guān)系通過人工神經(jīng)網(wǎng)絡(luò)來進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)方法具有相對優(yōu)越性,它能從大量的離散實驗數(shù)據(jù)中經(jīng)過學(xué)習(xí)訓(xùn)練,建立起反映實際過程內(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。通過調(diào)整各個權(quán)值和閾值,直到達到期望的誤差即可。

(二)基于LM法的BP算法改進。由于標準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)練樣本時采用LM法。

二、住宅項目定價模型構(gòu)建

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

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

變量應(yīng)選取與項目整體相關(guān)的特征因素,對于特征的選取,采用專家評審法,邀請一家咨詢公司5位工作8年以上的項目策劃師,對住宅項目中影響定價的各種因素進行選取打分,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)點為7(對應(yīng)特征變量數(shù)),輸出節(jié)點為數(shù)為1(對應(yīng)項目均價),隱層節(jié)點數(shù)根據(jù)以下公式來確定:

s=+0.51(2)

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

將m=7,n=1帶入上式,通過計算s=5,即建立7*5*1的拓撲結(jié)構(gòu)。

三、應(yīng)用分析

(一)研究對象。選取2008年北京、天津、沈陽、上海、南京等20個城市的78個普通住宅項目為研究對象。在選取過程中盡量保證市場的同一性,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,這里只選取測試樣本數(shù)據(jù)做說明。參照表1進行量化,量化結(jié)果見表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個樣本數(shù)據(jù)代入神經(jīng)網(wǎng)絡(luò)模型中,采用LM改進算法進行訓(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)過所設(shè)定的220次訓(xùn)練后,網(wǎng)絡(luò)目標誤差達到精度要求,此時的誤差為:res=0.000991452。訓(xùn)練結(jié)束后,固定連接值和閾值并輸入測試數(shù)據(jù),測試數(shù)據(jù)的BP輸出結(jié)果見表3。(表3)

(四)結(jié)果分析。樣本項目的預(yù)測輸出和實際值的相對誤差值在0.6%～7.8%之間,平均誤差為0.3828。這說明,BP神經(jīng)網(wǎng)絡(luò)在項目定價預(yù)測中具有相對的穩(wěn)定性和優(yōu)越性。

四、結(jié)論

與傳統(tǒng)的住宅項目均價定價方法相比,利用BP神經(jīng)網(wǎng)絡(luò)確定新建項目均價一方面具有較高的精度;另一方面簡化了計算過程,減少資源的投入,是一種快速、便捷、有效的新方法。當然,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:

[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)實用教程[M].北京:機械工業(yè)出版社,2008.2.

篇9

關(guān)鍵詞：建筑成本 造價估算 工程造價

1. 前言

建筑工程造價估算是項目決策的重要組成部分，是項目建設(shè)前期編制可行性報告以及項目建議書的重要依據(jù)之一。由于建筑工程施工周期長、工藝較為復(fù)雜、涉及投資金額較大，項目造價估算是否準確，不僅影響項目建設(shè)資金的籌措，而且影響下一階段設(shè)計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。目前我國建筑工程造價管理正處于重要的改革階段，早期估算的準確性也越來越得到投資者的重視。加強對建筑項目早期估算的研究，無疑對改變?nèi)藗儗こ淘靸r的認識和工程造價管理改革都具有重要的意義。

2. 造價估算模型基本原理剖析

為了提高工程企業(yè)在造價估算電算方面的效率和精度，溫國鋒等[1] 在進行工程預(yù)算時引入了回歸分析、時間序列、自回歸預(yù)測等模型，但這些傳統(tǒng)的計算方法受限于確定性變化規(guī)律及線性關(guān)系。它基于一種簡單化和理想化的條件假設(shè)，在實際工程中受到許多不確定性因素如地理條件、社會以及經(jīng)濟因素等等的影響，工程估算問題呈現(xiàn)的是一種非線性關(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)是通過網(wǎng)絡(luò)函數(shù)逼近能力映射實際的復(fù)雜函數(shù)。工程造價的相關(guān)影響因素空間到工程造價資料空間的映射是工程造價估算的實質(zhì)?；谏窠?jīng)網(wǎng)絡(luò)的造價估算模型取神經(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)的輸出為項目工程主要材料用量、具體的工程造價，通過以往典型的工程特征、工料及造價作為訓(xùn)練樣本，對其進行訓(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。

基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立預(yù)測模型，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，將得到一個精確的預(yù)測結(jié)果和客觀的結(jié)局方法[3]。采用RBF解決非線性問題時，通常使用內(nèi)插觀點與函數(shù)逼近進行解釋，廣義的RBF網(wǎng)絡(luò)數(shù)據(jù)中心通常采用兩階段混合學(xué)習(xí)過程，第一階段為K-mean聚類算法，其主要任務(wù)是通過采用自組織聚類的方法，為隱層節(jié)點的徑向基函數(shù)確定合適的數(shù)據(jù)中心，因節(jié)點的擴展常數(shù)由各個數(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，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. 造價估算實例分析

本文采用某市普通商用土建單方造價作為估算的對象，樣本數(shù)據(jù)的主要來源是該年份的該市商業(yè)地產(chǎn)藍皮書、統(tǒng)計年鑒以及工程信息網(wǎng)發(fā)生在2006-2010年間的56個商業(yè)地產(chǎn)項目。為適應(yīng)其處理要求，矩陣標準化按照以下線性公式：標準化值=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)工程造價影響因素確定{基礎(chǔ)種類、結(jié)構(gòu)類型、樓面工程、抗震烈度、門窗形式、外墻裝飾、建筑層數(shù)、物價上漲指數(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)通過反復(fù)的訓(xùn)練形成，其中隱層節(jié)點為45，輸入層節(jié)點為8，輸出層節(jié)點為1。通過上述定義方法對工程標準化和定量化，輸入量為工程目標特征，輸出量為工程成本結(jié)果，非線性處理器為RBF，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及樣本測試通過采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進行，表1為樣本在不同網(wǎng)絡(luò)模擬結(jié)果對比。

表1 測試樣本不同網(wǎng)絡(luò)模型結(jié)果對比

表中結(jié)果顯示，實際值與輸出結(jié)果的相對誤差最小值為3.91%，最大值為6.32%，標注值為0.007，平均值為5.09%，說明采用基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的投資估算模型對測試樣本進行造價資料的模擬的預(yù)測精度符合實際工程的要求，運用在實際建筑工程成本投資估算過程中時可行的。同樣的樣本使用BP網(wǎng)絡(luò)進行測試和培訓(xùn)，測試結(jié)果與RBF相對比，結(jié)果如表2所示，BP神經(jīng)網(wǎng)絡(luò)其最大相對誤差達到18.57%，標注值為9.79，針對相同的樣本訓(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)元個數(shù)較少且所用時間也相對較短。表2為誤差指標為0.01時，通過不同的路徑逼近同一函數(shù)得到的性能對比結(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)通過實例進行分析，具有較強的自學(xué)習(xí)能力、自適應(yīng)性以及快捷、簡單的數(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)測中更具有優(yōu)勢。

4. 結(jié)論

建筑工程造價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，較好的估算工程項目的造價也成為了目前工程界重要的研究課題。本文通過對比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，模擬的預(yù)測精度符合實際工程的要求，運用在實際建筑工程成本投資估算過程中時可行。

參考文獻

[1]溫國鋒.建設(shè)項目投資估算模型分析[J].中國煤炭經(jīng)濟學(xué)院學(xué)報，2000.9（3）：19—22.

篇10

(湘潭大學(xué)商學(xué)院,湖南湘潭410600)

［摘要］文章對神經(jīng)網(wǎng)絡(luò)在非線性經(jīng)濟問題預(yù)測中的研究與現(xiàn)狀進行綜述,側(cè)重討論了國內(nèi)的研究近況,為國內(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)；非線性；經(jīng)濟預(yù)測

［DOI］10?13939/j?cnki?zgsc?2015?09?025

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANNs)也簡稱為神經(jīng)網(wǎng)絡(luò)(NNs),是一種模仿人腦神經(jīng)網(wǎng)絡(luò)特征,進行分布式并行信息處理的數(shù)學(xué)模型。NNs具有強大的非線性處理能力,為經(jīng)濟預(yù)測提供了更多的可能性。

1BP神經(jīng)網(wǎng)絡(luò)在經(jīng)濟預(yù)測中的應(yīng)用及改進

神經(jīng)網(wǎng)絡(luò)模型的類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、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,簡稱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)濟預(yù)測。Vaifis(1990)應(yīng)用神經(jīng)網(wǎng)絡(luò)解決經(jīng)濟時間序列數(shù)據(jù)的預(yù)測問題。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,國內(nèi)經(jīng)濟預(yù)測中有大量文獻涉及神經(jīng)網(wǎng)絡(luò)算法。周柳青等(2011)運用BP人工神經(jīng)網(wǎng)絡(luò)方法,對廣東省縣域經(jīng)濟發(fā)展差異進行綜合評估。認為BP神經(jīng)網(wǎng)絡(luò)的評價結(jié)果可以較好地模擬縣域經(jīng)濟發(fā)展差異,能有效避免主觀確定權(quán)重所確定帶來的誤差,提高測度的準確性。傅建華等(2012)構(gòu)建了企業(yè)綠色營銷績效評估的AHP-BP神經(jīng)網(wǎng)絡(luò)模型,模型以AHP評價結(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)對評價結(jié)果進行訓(xùn)練與檢驗,降低了人為主觀隨意性的缺陷,計算結(jié)果準確、方法可行、誤差可控,在企業(yè)綠色營銷績效評估領(lǐng)域具有推廣價值。

BP網(wǎng)絡(luò)能夠模仿非線性函數(shù)、分段函數(shù)等；能利用變量的屬性內(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,當變量之間的關(guān)系不適合假定的模型時,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)測的準確性受參數(shù)的選擇、神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)的優(yōu)劣等影響。運用神經(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)拓撲結(jié)構(gòu)的設(shè)計理論,且有時候會陷入局部極小值。針對這些問題,許多學(xué)者做了積極的改進。陳健等(2006)把對數(shù)據(jù)的歸一化變?yōu)閷?shù)據(jù)增長率的歸一化,因而只要預(yù)測的經(jīng)濟數(shù)據(jù)增長率不超過以往的經(jīng)濟數(shù)據(jù)增長率,則不再會發(fā)生外延問題。肖冬榮等(2007)通過綜合運用附加動量法、改變作用函數(shù)法以及把預(yù)測對象從生產(chǎn)總值調(diào)整為生產(chǎn)總值增長率等技巧,來改進預(yù)測精度、建模收斂速度、局部極小值等問題。吳俊利等(2012)引入Adaboost算法對BP神經(jīng)網(wǎng)絡(luò)算法進行改進,提出了基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)算法,并將該方法應(yīng)用于短期風速預(yù)測。劉向榮、孫紅英(2013)在對權(quán)值和閾值進行修改時加入了動量項α,改進了預(yù)測效果。

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)逼近時的負梯度下降法,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的非線性映射能力,在非線性經(jīng)濟預(yù)測方面具有很好的應(yīng)用前景。許增福等(2008)根據(jù)經(jīng)濟發(fā)展的實際指標數(shù)據(jù),構(gòu)造徑向基神經(jīng)網(wǎng)絡(luò)模型,設(shè)計了有監(jiān)督和無監(jiān)督兩段學(xué)習(xí)算法,并利用歷史經(jīng)濟數(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)測模型,有效解決經(jīng)濟投資預(yù)測中非線性預(yù)測問題。通過仿真實驗證明模型既真實地表達了投資要素之間的高度非線性關(guān)系,又考慮了分配結(jié)構(gòu)的優(yōu)化問題,具有很高的預(yù)測精度和較強的實際應(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)品價格非線性預(yù)測模型,并應(yīng)用某金屬的中長期價格進行仿真,結(jié)果表明該模型具有較好的可靠性和實用性。

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Michigan大學(xué)的Holland提出的模擬達爾文遺傳選擇和自然淘汰的生物進化論的計算模型——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的缺點,將它們應(yīng)用于經(jīng)濟預(yù)測可以得到較好的預(yù)測效果。陳朝陽等(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)濟的預(yù)測及組合預(yù)測中,得到了比常規(guī)經(jīng)濟學(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,同時結(jié)合企業(yè)態(tài)勢分析法(SWOT)選取各類指標形成完善的企業(yè)決策模型。張雙(2014)利用遺傳算法對權(quán)值和閾值的初始值進行優(yōu)化改進后的BP神經(jīng)網(wǎng)絡(luò)對預(yù)測殘差進行修正,建立灰色遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)模型,并利用加權(quán)法對多元回歸分析和灰色神經(jīng)網(wǎng)絡(luò)進行組合,更好地利用了不同單一模型的優(yōu)勢。通過實證分析證明這種組合預(yù)測模型較灰色預(yù)測模型誤差率可以減少40%～70%。

模糊模型因其善于處理分類邊界模糊的數(shù)據(jù)以及易于引入啟發(fā)性知識的能力而在自動控制、模式辨識等方面得到廣泛應(yīng)用。目前在把人工神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)結(jié)合起來形成模糊神經(jīng)系統(tǒng)方面已取得了很大進展。賀京同等(2000)運用模糊邏輯推理將經(jīng)濟專家經(jīng)驗引入到宏觀經(jīng)濟的預(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)濟非線性預(yù)警模型。張婕等(2010)運用模糊學(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,進行安全生產(chǎn)方案的決策選擇,認為該方法能夠達到提高安全生產(chǎn)能力、增強企業(yè)的經(jīng)濟效益與社會效益的目的。張廣平等(2012)借助廣義動態(tài)模糊神經(jīng)網(wǎng)絡(luò)(GD-FNN)設(shè)計了一種模糊神經(jīng)網(wǎng)絡(luò)模型并應(yīng)用于臺風災(zāi)害損失的預(yù)測預(yù)警中,定量地研究了臺風災(zāi)害致災(zāi)因子與災(zāi)情指標因子之間的規(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)濟貢獻度分析模型,用于度量教育對于我國經(jīng)濟的發(fā)展的作用。

綜上所述,神經(jīng)網(wǎng)絡(luò)在經(jīng)濟預(yù)測中的應(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)對經(jīng)濟數(shù)據(jù)進行建模分析,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,并通過實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、計算機視覺、模式識別、自動目標識別、連續(xù)語音識別、信號處理、自適應(yīng)濾波、非線性優(yōu)化、傳感技術(shù)與機器人、知識處理、生物醫(yī)學(xué)工程等領(lǐng)域,在經(jīng)濟預(yù)測對復(fù)雜經(jīng)濟變量的非線性關(guān)系預(yù)測上具有較高的精度。對于一些經(jīng)濟理論尚不明確的經(jīng)濟關(guān)系也能給出較為準確的預(yù)測。神經(jīng)網(wǎng)絡(luò)的進一步發(fā)展,也會帶給經(jīng)濟預(yù)測領(lǐng)域更新的方法。

參考文獻：

［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［J］?統(tǒng)計與決策,2014(17)：79-81?