《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計應(yīng)用 > 基于遺傳BP神經(jīng)網(wǎng)絡(luò)的工業(yè)經(jīng)濟運行指標預測
基于遺傳BP神經(jīng)網(wǎng)絡(luò)的工業(yè)經(jīng)濟運行指標預測
2016年微型機與應(yīng)用第07期
徐華1 ,趙軍2
(1.寧夏大學 數(shù)學與計算機學院,,寧夏 銀川 750000,; 2.寧夏大學 經(jīng)濟與管理學院,寧夏 銀川 750000)
摘要: 提出了一種基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)工業(yè)經(jīng)濟運行指標的預測方法,,用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)各連接層的權(quán)值和閾值,,用訓練好的BP神經(jīng)網(wǎng)絡(luò)模型來預測工業(yè)經(jīng)濟運行指標以求得最優(yōu)解,。以工業(yè)經(jīng)濟運行指標工業(yè)總產(chǎn)值為例,將該遺傳BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到工業(yè)總產(chǎn)值和工業(yè)用電量的預測中,,并與BP神經(jīng)網(wǎng)絡(luò)預測模型進行了對比,。由結(jié)果可知,該模型對工業(yè)經(jīng)濟運行指標趨勢的判斷和預測更加準確,,可為宏觀決策提供可靠的依據(jù),,促進工業(yè)經(jīng)濟能夠健康可持續(xù)發(fā)展。
Abstract:
Key words :

  徐華1 ,,趙軍2

 ?。?.寧夏大學 數(shù)學與計算機學院,寧夏 銀川 750000,;2.寧夏大學 經(jīng)濟與管理學院,,寧夏 銀川 750000)

       摘要:提出了一種基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)工業(yè)經(jīng)濟運行指標的預測方法,用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)各連接層的權(quán)值和閾值,,用訓練好的BP神經(jīng)網(wǎng)絡(luò)模型來預測工業(yè)經(jīng)濟運行指標以求得最優(yōu)解,。以工業(yè)經(jīng)濟運行指標工業(yè)總產(chǎn)值為例,將該遺傳BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到工業(yè)總產(chǎn)值和工業(yè)用電量的預測中,,并與BP神經(jīng)網(wǎng)絡(luò)預測模型進行了對比,。由結(jié)果可知,該模型對工業(yè)經(jīng)濟運行指標趨勢的判斷和預測更加準確,,可為宏觀決策提供可靠的依據(jù),,促進工業(yè)經(jīng)濟能夠健康可持續(xù)發(fā)展。

  關(guān)鍵詞:工業(yè)經(jīng)濟,;運行指標,;遺傳算法;BP神經(jīng)網(wǎng)絡(luò)

0引言

  近年來,,寧夏工業(yè)經(jīng)濟運行情況不斷下滑,,同時節(jié)能減排的任務(wù)壓力增加。為保持工業(yè)經(jīng)濟能夠平穩(wěn)增長,,同時把控工業(yè)經(jīng)濟運行的情況,,就需要分析和預測全區(qū)工業(yè)經(jīng)濟運行趨勢,為此需要對核心經(jīng)濟指標做出科學,、準確的預測,,從而可以反映出經(jīng)濟發(fā)展的走勢,為分析判斷,、制定計劃提供參考,。目前,對工業(yè)經(jīng)濟指標的預測主要有定性分析、數(shù)量經(jīng)濟學和神經(jīng)網(wǎng)絡(luò)等研究方法[12],。在這些預測模型中,,定性分析主要依靠經(jīng)濟研究者的經(jīng)驗積累;數(shù)量經(jīng)濟學研究方法主要是建立數(shù)學預測模型,,有諸多的限制和假設(shè),。目前,BP神經(jīng)網(wǎng)絡(luò)預測模型是預測效果相對較好的一種,。但該模型有兩個明顯的不足:一是容易陷入局部極小值,;二是收斂速度慢[3]。為避免上述問題,,本文利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(遺傳BP神經(jīng)網(wǎng)絡(luò))預測模型對工業(yè)經(jīng)濟運行指標做出預測,。

  遺傳算法(Genetic Algorithm,GA)由美國Michigan大學的J.Holland教授首先提出,。遺傳算法通過模擬自然界中的繁殖,、交叉和突變現(xiàn)象,按照某一適應(yīng)度函數(shù)從每一代種群中選擇一組候選染色體,,讓其進行交叉和變異以產(chǎn)生新一代種群,,反復迭代,在此過程中個體的適應(yīng)度不斷提高,,直到滿足一定的條件[4],,是一種針對生物進化過程提出的算法,此算法不僅適應(yīng)性強而且魯棒性高,。其特點主要表現(xiàn)在:(1)演化是概率性的,,因此,搜索過程很難達到局部最優(yōu),;(2)采用自然進化機制,充分利用適用度函數(shù)提供的信息,;(3)易于和局部搜索算法相結(jié)合,,進而構(gòu)造更加高效的混合策略搜索算法;(4)演化計算具有并行性 [5],。另外,,演化計算具有自適應(yīng)性,能夠自發(fā)學習環(huán)境特性與規(guī)律,?;谶z傳算法的特點和BP神經(jīng)網(wǎng)絡(luò)的不足,本文提出了遺傳BP神經(jīng)網(wǎng)絡(luò)預測模型對工業(yè)經(jīng)濟運行指標進行預測,。該模型首先根據(jù)工業(yè)經(jīng)濟運行指標預測時輸入輸出的參數(shù)個數(shù)來確定BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu),,然后用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)各層連接的權(quán)值和閾值進行優(yōu)化,將利用遺傳算法得到的最優(yōu)個體的值作為BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的初始值,用此初始值初始化BP神經(jīng)網(wǎng)絡(luò)模型,,之后訓練,,以得到最優(yōu)解。用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型能有效地解決BP 神經(jīng)網(wǎng)絡(luò)易陷入局部極小值,、收斂速度慢的問題,。

1BP神經(jīng)網(wǎng)絡(luò)預測模型

  經(jīng)濟分析預測是一門藝術(shù),要準確地判斷經(jīng)濟運行中的各種指標未來的發(fā)展趨勢,,才能有效地預測經(jīng)濟的發(fā)展,。許多學者對預測模型進行了研究,在目前諸多預測模型中,,BP神經(jīng)網(wǎng)絡(luò)模型是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[6],。它根據(jù)實際的輸入與輸出數(shù)據(jù)來計算模型的參數(shù),通過誤差反傳算法[7]來持續(xù)調(diào)整BP網(wǎng)絡(luò)各層的權(quán)值和閾值,,使模型的誤差平方和達到最小,。3層BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖1所示,由輸入層,、隱含層和輸出層組成,,每個層中包含多個神經(jīng)元。

001.jpg

  圖13層BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)在該BP神經(jīng)網(wǎng)絡(luò)模型中,,設(shè)輸入層的節(jié)點數(shù)為n,,隱含層的節(jié)點數(shù)為p,輸出層的節(jié)點數(shù)為m,。在本文對工業(yè)經(jīng)濟運行指標的預測中取輸出層節(jié)點數(shù)m=1,,則BP神經(jīng)網(wǎng)絡(luò)完成映射f:Rn→R1,其隱含層各節(jié)點的輸入為:Rj= f1(∑ni = 1wkixi-θj)(j=1,2,…,p),,其中wki是輸入層到隱含層的權(quán)值,;θj為隱含層節(jié)點的閾值。輸出層節(jié)點的輸入為:C=∑pk=1vjkzj-γ,,其中vjk為隱含層到輸出層的權(quán)值,;γ為輸出層的閾值。BP神經(jīng)網(wǎng)絡(luò)采用Sigmoid轉(zhuǎn)移函數(shù)f(x)=1/(1+e-x),則隱含層節(jié)點的輸出為:Oi=11+exp(-∑ni=1wkixi+θj)(j=1,2,…,p),,同理,,輸出層節(jié)點的輸出為:

  1.png

  BP 神經(jīng)網(wǎng)絡(luò)的連接權(quán)值 wki、vjk和閾值θj,、γ可由BP神經(jīng)網(wǎng)絡(luò)訓練求得,,式(1)即為BP神經(jīng)網(wǎng)絡(luò)的預測模型。BP神經(jīng)網(wǎng)絡(luò)先將各層的權(quán)值和閾值隨機賦值為[0,,1]之間的任意值,,然后進行訓練,。這樣會使BP神經(jīng)網(wǎng)絡(luò)在訓練過程中出現(xiàn)收斂速度慢、很難達到最優(yōu)解的問題,。由遺傳算法的特點可知,,若采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值以及閾值分布進行優(yōu)化,可提高BP神經(jīng)網(wǎng)絡(luò)模型的預測精度,。

2遺傳BP(GA-BP)神經(jīng)網(wǎng)絡(luò)預測模型

  工業(yè)經(jīng)濟運行指標BP神經(jīng)網(wǎng)絡(luò)預測模型通過神經(jīng)元之間的信息傳遞和誤差逆?zhèn)鞑韺崿F(xiàn)經(jīng)濟指標的預測,。BP神經(jīng)網(wǎng)絡(luò)采用誤差反傳算法,這種算法實質(zhì)上是一個無約束,、非線性和最優(yōu)化的計算過程,。當有較大的網(wǎng)絡(luò)結(jié)構(gòu)時,這種算法計算時間長,,很容易收斂于局部極小值點,,從而無法達到最優(yōu)解,影響了BP神經(jīng)網(wǎng)絡(luò)解決問題的能力,。遺傳算法具有全局搜索能力,,能有效地解決局部極小值的問題。于是提出遺傳BP神經(jīng)網(wǎng)絡(luò)預測模型,,它以歷史數(shù)據(jù)為網(wǎng)絡(luò)訓練樣本,,最終得到的輸出為綜合預測狀態(tài)值。用遺傳BP神經(jīng)網(wǎng)絡(luò)建立寧夏工業(yè)經(jīng)濟運行指標預測模型,,可提高在工業(yè)經(jīng)濟運行中經(jīng)濟指標的預測精度,,根據(jù)預測的走勢更好地制定相應(yīng)的法規(guī)和政策以對經(jīng)濟實體進行宏觀調(diào)控。

  遺傳算法不依賴于問題的具體領(lǐng)域,,直接在解空間進行搜索以求得最優(yōu)解,,具有很強的魯棒性。通過遺傳算法能使BP神經(jīng)網(wǎng)絡(luò)各連接層的權(quán)值,、閾值在預定的進化次數(shù)內(nèi)得到最優(yōu)解,,從而提高BP神經(jīng)網(wǎng)絡(luò)處理問題的能力。遺傳BP神經(jīng)網(wǎng)絡(luò)預測模型的流程圖如圖2所示,,其主要步驟有:

  

002.jpg

 ?。?)選擇編碼方式。在這里編碼的對象是權(quán)值和閾值,。因權(quán)值和閾值都是實數(shù),為避免編碼過長和解碼頻繁,,故選擇實數(shù)編碼[8],。編碼的長度由圖1中的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)決定,編碼串的順序也按照圖1中從輸入到輸出的順序排列,。

 ?。?)選擇操作,。采用賭輪法選擇算子,即個體被選中的概率與適應(yīng)度函數(shù)成正比,。選擇的概率為[9]:pi=fi∑pi=1fi (fi=1fit,i=1,2,…,p),,式中,p為種群的規(guī)模,。

 ?。?)交叉操作。由于用實數(shù)編碼方法對對象編碼,,所以這里交叉操作的方法也應(yīng)用實數(shù)交叉法,。第 m個基因 φm和第n個基因 φn在 k位的交叉操作為:

  φmk=φmk(1-θ)+φnjθ

  φnk=φnk(1-θ)+φmkθ

  式中,θ是[0,1]間的隨機數(shù),。

 ?。?)變異操作。選取第i個個體的第l個基因進行變異,,則:

  {3F}}X9TBRU)WIS6Y[AY$E6.png

  式中,,φmax為基因φil取值的上界,φmin為基因φil取值的下界,;r 為[0,,1]間的隨機數(shù);r2為一個隨機數(shù),;g為當前迭代次數(shù),;Gmax為最大進化代數(shù)。

 ?。?)計算適應(yīng)度,。設(shè)網(wǎng)絡(luò)訓練輸出值為i,以訓練誤差的平方和作為個體的適應(yīng)度,,則每個個體ti的適應(yīng)度定義為:fit=∑(i-oi)2(i=1,2,…,p),,平均適應(yīng)度定義為:=∑pi=1fitiP,式中,,i為訓練輸出值,,oi為訓練輸出期望值,P為種群規(guī)模,。

 ?。?)利用遺傳算法優(yōu)化的權(quán)值和閾值對BP神經(jīng)網(wǎng)絡(luò)預測模型進行訓練,得到所求預測問題的最優(yōu)解,。

3實驗

  根據(jù)經(jīng)濟指標的選取原則即經(jīng)濟指標應(yīng)具有重要性,、靈敏性、及時性和可操作性等[10],,以及寧夏自治區(qū)經(jīng)信委提供的寧夏工業(yè)經(jīng)濟運行情況,,以工業(yè)經(jīng)濟指標工業(yè)總產(chǎn)值和工業(yè)用電量為例,,應(yīng)用遺傳BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)預測模型對其預測。通過提供基于數(shù)據(jù)的預測模型來輔助決策,,可以提高寧夏地方政府工業(yè)經(jīng)濟運行分析能力,,為寧夏地方政府工業(yè)經(jīng)濟運行的科學預測提供輔助決策。表1是寧夏2001~2014年的工業(yè)總產(chǎn)值,。

005.jpg

  選取2001~2010年工業(yè)總產(chǎn)值的發(fā)展狀況作為訓練樣本,,2011~2014年工業(yè)總產(chǎn)值的發(fā)展狀況作為檢驗樣本。分別用BP神經(jīng)網(wǎng)絡(luò)預測模型與遺傳BP神經(jīng)網(wǎng)絡(luò)預測模型對工業(yè)經(jīng)濟運行指標工業(yè)總產(chǎn)值進行預測,,結(jié)果如表2所示,。BP和遺傳BP(GABP)神經(jīng)網(wǎng)絡(luò)模型的工業(yè)總產(chǎn)值預測如圖3所示。從表2和圖3可以看到,,遺傳BP神經(jīng)網(wǎng)絡(luò)模型預測結(jié)果更接近于實際值,。

006.jpg

  

003.jpg

  表3為寧夏2005~2014年的工業(yè)用電量。選取2005~2011年工業(yè)用電量的發(fā)展狀況作為訓練樣本,,2012~2014年工業(yè)用電量的發(fā)展狀況作為檢驗樣本,。分別用BP神經(jīng)網(wǎng)絡(luò)預測模型與遺傳BP神經(jīng)網(wǎng)絡(luò)預測模型對工業(yè)經(jīng)濟運行指標工業(yè)用電量進行預測,結(jié)果如表4所示,。BP和遺傳BP(GABP)神經(jīng)網(wǎng)絡(luò)模型的工業(yè)用電量預測如圖4所示,。從圖中可以直觀地看到,遺傳BP神經(jīng)網(wǎng)絡(luò)模型預測結(jié)果更接近于實際值,。 

007.jpg

  

004.jpg

4結(jié)論

  本文針對在工業(yè)經(jīng)濟運行指標預測中BP神經(jīng)網(wǎng)絡(luò)模型存在易陷入局部極小值,、收斂速度慢等問題,提出了遺傳BP神經(jīng)網(wǎng)絡(luò)預測模型,,并與BP神經(jīng)網(wǎng)絡(luò)預測模型進行了比較,。實驗結(jié)果表明,遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型的預測結(jié)果更接近于實際值,,提高了預測的準確度,。實際上工業(yè)經(jīng)濟運行指標是一個非常復雜的問題,很難對其進行準確預測,。在寧夏工業(yè)運行數(shù)據(jù)基礎(chǔ)上運用遺傳BP神經(jīng)網(wǎng)絡(luò)建立模型,,通過持續(xù)學習,提高了寧夏工業(yè)經(jīng)濟運行的預測準確度,,有一定的適用性,,但仍需根據(jù)實際運行狀況來進行驗證。

  參考文獻

 ?。?] 趙春標. 工業(yè)經(jīng)濟監(jiān)測預測模型的研究與應(yīng)用[D]. 合肥:合肥工業(yè)大學,,2012.

  [2] 朱蓉華. 工業(yè)經(jīng)濟運行監(jiān)測系統(tǒng)的建設(shè)研究[J]. 電子政務(wù),,2011(4):2125.

 ?。?] 賀國光,李宇,,馬壽峰. 基于數(shù)學模型的短時交通流預測方法探討[J]. 系統(tǒng)工程理論與實踐,,2000,20(12):110112.

 ?。?] 唐明. 短時交通流特性及其預測方法研究[D]. 長沙:長沙理工大學,,2004.

  [5] TANG H,,WU E X. MRI brain image segmentation by multiresolution edge detection and region selection[J]. Computerized Medical Imaging and Graphics,,2000,24(9):349357.

 ?。?] CHEN H,,GRANT MULLER S. Use of sequential learning for shortterm traffic flow forecasting[J].Transportation Research,2001,,9(5):319336.

 ?。?] 李松,羅勇,,張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時間序列預測[J]. 計算機工程與應(yīng)用,,2011,47(29):5255.

 ?。?] MONTANA D J, DAVIS L. Training feed forward neural networks using neural networks and genetic algorithm[C]. Proc. of International Conference on Computing, Communications and Control Technologies, Austin, USA,, 1989: 762767.

  [9] 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.

 ?。?0] 王敏,周博,李陽. 北京工業(yè)經(jīng)濟運行監(jiān)測預警指標體系的構(gòu)建[C]. 北京市統(tǒng)計學會:北京市第十五次統(tǒng)計科學討論會獲獎?wù)撐募?009:189190.


此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。