人工神經(jīng)網(wǎng)絡算法改進及其在經(jīng)濟分析中的應用.pdf

1、人工神經(jīng)網(wǎng)絡(ArtificialNeuralNetworks)模型是基于生物學中的神經(jīng)網(wǎng)絡的基本原理而建立的一種智能算法理論.它具有大規(guī)模并行處理、分布式信息存儲、容錯性、自組織性和自適應性等特點，有很強的非線性逼近能力和分類識別能力.對突破現(xiàn)有科學技術的瓶頸，更深入探索非線性復雜問題起到了重要作用，提供了一種新的方法.人工神經(jīng)網(wǎng)絡算法已被成功地應用在圖像識別、經(jīng)濟預測、數(shù)據(jù)分類等很多工程技術領域，取得了令人滿意的結果. 近年

2、來對神經(jīng)網(wǎng)絡算法的研究方興未艾，特別是對如何提高人工神經(jīng)網(wǎng)絡算法的收斂速度，避免局部極小值等問題國內外專家學者提出了很多有效的方法.神經(jīng)網(wǎng)絡拓撲結構確定的研究也是一個熱點問題，專家、學者提出了眾多方法，但一直以來都沒有能得到大家公認的，科學、合理的標準.針對于次，本文對神經(jīng)網(wǎng)絡結構的確定進行了初步的探討，首先利用主成分分析、因子分析對網(wǎng)絡輸入層結點進行了簡化；再利用遺傳算法、結點關聯(lián)度和分散度等方法，對網(wǎng)絡的隱層結點數(shù)進行了優(yōu)化；然后又

3、針對網(wǎng)絡收斂問題，推廣了一種新的反向結構調整算法；最后將優(yōu)化網(wǎng)絡及新算法應用到相關經(jīng)濟問題的分析之中，具體內容安排如下： 第一章介紹了人工神經(jīng)網(wǎng)絡的發(fā)展情況，簡單介紹了傳統(tǒng)BP(Backpropagation)網(wǎng)絡的基本算法，特別介紹了在網(wǎng)絡結構構造方面常用的幾種方法：試湊法、增長法、修剪法、進化法等等.提出了目前研究中存在的一些問題，即如何合理選擇輸入結點數(shù)和隱層結點數(shù)，以及如何提高訓練收斂速度. 目前對神經(jīng)網(wǎng)絡輸入層

4、優(yōu)化進行討論的文章還不多，本文第二章主要介紹了利用主成分分析和因子分析進行網(wǎng)絡輸入層簡化的方法.主成分分析方法是一種在統(tǒng)計中常用的數(shù)據(jù)降維方法，它通過一組變量的線性組合來解釋這組變量的方差和協(xié)方差結構，以達到數(shù)據(jù)壓縮和數(shù)據(jù)解釋的目的.因子分析是對主成分分析的推廣，它也是一種從研究相關矩陣內部的依賴關系出發(fā)，把一些具有錯綜復雜關系的變量歸結為少數(shù)幾個綜合因子的多變量統(tǒng)計分析方法.針對由于具體問題影響因素過多，造成神經(jīng)網(wǎng)絡輸入結點過多，進而

5、使得網(wǎng)絡結構過于復雜的問題，利用主成分分析和因子分析的方法來簡化網(wǎng)絡的輸入，既減少了輸入項，又包含了原有數(shù)據(jù)的大部分信息. 構建結構合理的網(wǎng)絡是建立神經(jīng)網(wǎng)絡模型的首要任務.太大的網(wǎng)絡結構能很好的學習訓練樣本，輸出誤差小，但訓練時效率不高，而且還會由于過擬合，造成網(wǎng)絡的性能脆弱，容錯性能下降，不能實現(xiàn)很好的模擬預測，從而泛化能力較差；而太小的網(wǎng)絡結構可能根本就不收斂，輸出誤差較大，很難完成對訓練樣本的學習.針對于此本文在第三章首先

6、提出對網(wǎng)絡的連接情況進行編碼，利用遺傳算法優(yōu)化網(wǎng)絡層與層之間連接的方法，然后又利用隱層結點的分散度以及各不同結點之間的關聯(lián)度來刪除、合并結點.通過這兩方面的工作就可以實現(xiàn)對網(wǎng)絡隱層結構的合理優(yōu)化. 第四章首先介紹了三層神經(jīng)網(wǎng)絡的反向調整輸入算法.由于該算法是對輸入項進行調整，需調整的變量數(shù)目(輸入結點數(shù))與原有算法中需調整的權重數(shù)目相比，減少了很多，所以可以提高學習、訓練速率.針對三層網(wǎng)絡算法的局限性，本文對其進行了擴充，將該算