- 相關(guān)推薦
基于廣義回歸神經(jīng)網(wǎng)絡(luò )的經(jīng)濟預測模型研究
[摘 要] 本文利用廣義回歸神經(jīng)網(wǎng)絡(luò )的自學(xué)習、自適應和非線(xiàn)性的特點(diǎn)，建立了經(jīng)濟系統的評價(jià)指標體系，將經(jīng)濟變量數據歸一化處理，然后送入廣義回歸神經(jīng)網(wǎng)絡(luò )(GRNN)中訓練，得出相應參數，再對相關(guān)經(jīng)濟變量進(jìn)行預測，經(jīng)過(guò)檢驗得出了令人滿(mǎn)意的結果�！ 關(guān)鍵詞] 廣義回歸神經(jīng)網(wǎng)絡(luò ) 經(jīng)濟預測 評價(jià)指標體系一般常用的預測方法包括時(shí)間序列方法（移動(dòng)平滑法、指數平滑法、隨機時(shí)間序列方法），相關(guān)(回歸)分析法，灰色預測方法等。這些方法大都集中于對因果關(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)的反映所預測的動(dòng)態(tài)數據的內在結構和復雜特性。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(xiàn)形、自適應、自組織系統，它的重要特點(diǎn)是通過(guò)網(wǎng)絡(luò )學(xué)習達到其輸出與期望輸出相符的結果，具有很強的自學(xué)自適應、魯棒性、容錯性、存儲記憶的能力，人工神經(jīng)網(wǎng)絡(luò )具有傳統建模方法所不具備的很多優(yōu)點(diǎn)，有很好的非線(xiàn)形映射能力，對被建模對象的經(jīng)驗知識要求不多，一般不必事先知道有關(guān)被建模對象的結構、參數和動(dòng)態(tài)特性等方面的知識。只需要給出對象的輸入和輸出數據，通過(guò)網(wǎng)絡(luò )本身的學(xué)習功能就可以達到輸入和輸出的映射關(guān)系。相對于傳統的根據數據分析預測方法，它更適合處理模糊、非線(xiàn)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)濟預測中的應用。
一、廣義回歸神經(jīng)網(wǎng)絡(luò )
廣義回歸神經(jīng)網(wǎng)絡(luò )（GRNN）是徑向基函數神經(jīng)網(wǎng)絡(luò )的一種，有三層組織結構。第一層為輸入層，有信號源結點(diǎn)組成。第二層為徑向基隱含層，神經(jīng)元個(gè)數等于訓練樣本數，由所描述問(wèn)題而定，第三層為線(xiàn)性輸出層，其權函數為規范化點(diǎn)積權函數，計算網(wǎng)絡(luò )的輸出。
GRNN網(wǎng)絡(luò )連接權值的學(xué)習修正使用BP算法，由于網(wǎng)絡(luò )隱含層結點(diǎn)中的作用函數采用高斯函數，從而具有局部逼近能力，此為該網(wǎng)絡(luò )之所以學(xué)習速度快的原因，此外，由于GRNN中人為調節參數很少，只有一個(gè)閾值，網(wǎng)絡(luò )的學(xué)習全部依耐數據樣本，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(guān)假定對預測結果的影響。
二、GRNN在經(jīng)濟預測中的應用
本文根據對GDP影響因素的分析，這里分別取固定資產(chǎn)投資、從業(yè)人員數量、能源生產(chǎn)總量、財政支出、貨運量、人均收入、進(jìn)出口量，貨幣供應量等8項指標作為GDP預測的影響因子，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)構建廣義回歸神經(jīng)網(wǎng)絡(luò )。
【基于廣義回歸神經(jīng)網(wǎng)絡(luò )的經(jīng)濟預測模型研究】相關(guān)文章：
基于廣義回歸神經(jīng)網(wǎng)絡(luò )的黃金價(jià)格預測研究03-23
基于灰色—回歸預測模型的鐵路客運量研究03-07
基于組合模型的防城港貨物吞吐量預測研究03-07
基于自編碼神經(jīng)網(wǎng)絡(luò )建立的搜索信息模型03-11
基于RBF神經(jīng)網(wǎng)絡(luò )的水體富營(yíng)養化預測03-07
基于改進(jìn)BP的神經(jīng)網(wǎng)絡(luò )模型參考自適應控制03-21
經(jīng)濟增長(cháng)理論與模型的發(fā)展研究12-05