- 相關推薦
基于廣義回歸神經(jīng)網(wǎng)絡的經(jīng)濟預測模型研究
[摘 要] 本文利用廣義回歸神經(jīng)網(wǎng)絡的自學習、自適應和非線性的特點，建立了經(jīng)濟系統(tǒng)的評價指標體系，將經(jīng)濟變量數(shù)據(jù)歸一化處理，然后送入廣義回歸神經(jīng)網(wǎng)絡(GRNN)中訓練，得出相應參數(shù)，再對相關經(jīng)濟變量進行預測，經(jīng)過檢驗得出了令人滿意的結(jié)果�！ 關鍵詞] 廣義回歸神經(jīng)網(wǎng)絡 經(jīng)濟預測 評價指標體系一般常用的預測方法包括時間序列方法（移動平滑法、指數(shù)平滑法、隨機時間序列方法），相關(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系回歸模型和時間序列模型的分析，建立的模型不能全面和本質(zhì)的反映所預測的動態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復雜特性。人工神經(jīng)網(wǎng)絡是有大量簡單的處理單元組成的非線形、自適應、自組織系統(tǒng)，它的重要特點是通過網(wǎng)絡學習達到其輸出與期望輸出相符的結(jié)果，具有很強的自學自適應、魯棒性、容錯性、存儲記憶的能力，人工神經(jīng)網(wǎng)絡具有傳統(tǒng)建模方法所不具備的很多優(yōu)點，有很好的非線形映射能力，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被建模對象的結(jié)構(gòu)、參數(shù)和動態(tài)特性等方面的知識。只需要給出對象的輸入和輸出數(shù)據(jù)，通過網(wǎng)絡本身的學習功能就可以達到輸入和輸出的映射關系。相對于傳統(tǒng)的根據(jù)數(shù)據(jù)分析預測方法，它更適合處理模糊、非線形的和模式特征不明確的問題。人工神經(jīng)網(wǎng)絡中有各種模型，其中廣義回歸神經(jīng)網(wǎng)絡（Generalized Regression Neural Network, GRNN）是Donald F.Specht提出的一種新型神經(jīng)網(wǎng)絡，本文將探討該神經(jīng)網(wǎng)絡模型在經(jīng)濟預測中的應用。
一、廣義回歸神經(jīng)網(wǎng)絡
廣義回歸神經(jīng)網(wǎng)絡（GRNN）是徑向基函數(shù)神經(jīng)網(wǎng)絡的一種，有三層組織結(jié)構(gòu)。第一層為輸入層，有信號源結(jié)點組成。第二層為徑向基隱含層，神經(jīng)元個數(shù)等于訓練樣本數(shù)，由所描述問題而定，第三層為線性輸出層，其權(quán)函數(shù)為規(guī)范化點積權(quán)函數(shù)，計算網(wǎng)絡的輸出。
GRNN網(wǎng)絡連接權(quán)值的學習修正使用BP算法，由于網(wǎng)絡隱含層結(jié)點中的作用函數(shù)采用高斯函數(shù)，從而具有局部逼近能力，此為該網(wǎng)絡之所以學習速度快的原因，此外，由于GRNN中人為調(diào)節(jié)參數(shù)很少，只有一個閾值，網(wǎng)絡的學習全部依耐數(shù)據(jù)樣本，這個特點決定網(wǎng)絡得以最大可能地避免人為主觀假定對預測結(jié)果的影響。
二、GRNN在經(jīng)濟預測中的應用
本文根據(jù)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(shù)量、能源生產(chǎn)總量、財政支出、貨運量、人均收入、進出口量，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)絡的輸出。由此來構(gòu)建廣義回歸神經(jīng)網(wǎng)絡。
【基于廣義回歸神經(jīng)網(wǎng)絡的經(jīng)濟預測模型研究】相關文章：
基于廣義回歸神經(jīng)網(wǎng)絡的黃金價格預測研究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)絡建立的搜索信息模型03-11
基于RBF神經(jīng)網(wǎng)絡的水體富營養(yǎng)化預測03-07
基于改進BP的神經(jīng)網(wǎng)絡模型參考自適應控制03-21
法經(jīng)濟學研究方法的新思路-基于結(jié)構(gòu)方程模型的簡介03-21
基于戰(zhàn)略系統(tǒng)的審計風險模型研究03-04
基于活動的日活動計劃模型研究11-22