基于神經(jīng)網(wǎng)絡(luò)的智能預(yù)測系統(tǒng)研究與開發(fā).pdf

1、人工神經(jīng)網(wǎng)絡(luò)是人們對生物神經(jīng)系統(tǒng)的模擬，是由大量的處理單元(神經(jīng)元)互相連接而成的網(wǎng)絡(luò)，人工神經(jīng)網(wǎng)絡(luò)雖然并沒有完全真實地反映大腦的功能，但它能夠?qū)ι锷窠?jīng)網(wǎng)絡(luò)進行某種抽象、簡化和模擬，在經(jīng)濟系統(tǒng)預(yù)測方面具有較大的優(yōu)勢。誤差反向傳播網(wǎng)絡(luò)(BP網(wǎng)絡(luò))是人工神經(jīng)網(wǎng)絡(luò)模型的一種，它被大量運用在經(jīng)濟學的預(yù)測問題上，并已取得了輝煌的成果。但是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本身存在一些問題，目前在預(yù)測方面的應(yīng)用也有一定的局限性，本文主要基于BP神經(jīng)網(wǎng)絡(luò)原理，針

2、對其缺陷提出一些改進措施，在此基礎(chǔ)上設(shè)計開發(fā)一個基于Web方式的、具有一定通用性質(zhì)的智能預(yù)測系統(tǒng)。 在理論研究上，本文主要針對傳統(tǒng)BP網(wǎng)絡(luò)存在的一些缺陷，分別采用Levenberg-Marquardt算法優(yōu)化權(quán)值和閾值的修正公式，提高BP網(wǎng)絡(luò)的學習速度和避免局部收斂；采用隱層刪減算法尋找最優(yōu)的隱層神經(jīng)元數(shù)目；采用主成分分析算法和置信度區(qū)間算法對BP網(wǎng)絡(luò)結(jié)構(gòu)進行全后處理，優(yōu)化學習樣本數(shù)據(jù)和簡化網(wǎng)絡(luò)結(jié)構(gòu)，同時提高預(yù)測結(jié)果的準確度和神

3、經(jīng)網(wǎng)絡(luò)的泛化能力。在此基礎(chǔ)上，設(shè)計一種綜合改進的BP神經(jīng)網(wǎng)絡(luò)算法，應(yīng)用于神經(jīng)網(wǎng)絡(luò)預(yù)測。 在應(yīng)用系統(tǒng)設(shè)計與實現(xiàn)上，采用Matlab語言實現(xiàn)系統(tǒng)神經(jīng)網(wǎng)絡(luò)算法，保證神經(jīng)網(wǎng)絡(luò)計算的效率；采用Asp.net高級語言開發(fā)Web應(yīng)用系統(tǒng)，提高應(yīng)用系統(tǒng)的易用性；采用COM技術(shù)實現(xiàn)Matlab語言與Asp.net語言之間的數(shù)據(jù)通信，同時采用WebServices技術(shù)將神經(jīng)網(wǎng)絡(luò)計算抽象為一個Web服務(wù)，實現(xiàn)了系統(tǒng)邏輯事務(wù)處理與神經(jīng)網(wǎng)絡(luò)運算在Inte

4、rnet上的整合，提高系統(tǒng)的整體性能；在數(shù)據(jù)管理方面，采用XML技術(shù)實現(xiàn)對樣本數(shù)據(jù)、預(yù)測模型、用戶等信息的存儲與管理，進一步提高系統(tǒng)運行效率和穩(wěn)定性。經(jīng)過實踐證明，綜合以上技術(shù)實現(xiàn)的應(yīng)用系統(tǒng)不僅可行，且具有較好的可擴充性。 在系統(tǒng)應(yīng)用上，本文以“中國可持續(xù)發(fā)展能力預(yù)測分析”為例，通過實際的樣本數(shù)據(jù)對系統(tǒng)在樣本管理、預(yù)測模型的建立與管理、神經(jīng)網(wǎng)絡(luò)預(yù)測及預(yù)測結(jié)果分析等功能進行檢驗；同時采用復(fù)雜函數(shù)擬合的方式，從多個角度以對神經(jīng)網(wǎng)絡(luò)的