基于竞争神经网络的宏观经济预警指标选取研究

《基于竞争神经网络的宏观经济预警指标选取研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于竞争神经网络的宏观经济预警指标选取研究圃发展战略·现代管理科学.2009年第1期墓于竞争神经网络的宏观经济预警指标选取研究.冯润民韩冬梅顾宝炎捕事:文章提出了采用自组织竞争神经网络选取宏观经济预警指标的方法，并设计了自组织竞争神经网络的模型和自学习算法.利用1997卑1月五2008年3月的国家宏观经济指标数据进行实证分析，将自组织竞争神经网络方法与传统的K-L信息量方法进行了对比.从实验结果来看，自组织竞争神经网络方法相对于ιL信息量方法，选取的指标更加全面，且抗震性与稳定性均有较大优势.关键词:宏观经济预警指标

2、体系;自组织竞争神经网络;K-L信息量方法一、前窝值所对应的神绞兀作为胜者，将其输出状态最为1，而其他根据文献研究，目前对宏观烧济预瞥研究常用的指标所有神经元的输出状态置为0，即选取方法有K…L信息量、时差相关分析、马场方法簿，这些鸣叫，岛坤i(i泸j)传统的统计方法无法应对经济指标的不断变化，并且由于q啡，i;éj(3)统计谋藩的存在，使这略方法难以胜任。因此，本文提出浩如果出现写出Si的现象，则按统一约定取左边的神经元用自组织竞争神经网络对预警指标进行选取，其自学习与为蔽胜神经元。模式分类自适应的特性以及容铺能力

3、克服了上述统计方法的周限竞争段性，是一种更好的选择。工基于自组织竞争柿组网络的指标选取1.网络模型设计。利用自组织竟争神经网络进行指输入居标选取的基本照理是:将待i在取的指标进行归一化处理，作为自组织竞争神经网络的输入;对于相同的输入模式，输入模式网络的输出值也相间，这样就可将指标正确区分为:超前朋1自组织竞争神经网络结构指标组、一致指标绵及滞后指标姐。(5)与班胜神经元相班的各连接仪按照下式进行修自组织竞争神经网络由输入层和竞争应组成，输入应正，而其他所有连接权保持不变。有N个神经元，竞争层有M个神经元，其网络站构

4、阁如图w;-=w汁Aω，1所示。L1W??叫(号咐，)，i=1，2，;'，N(O叫<1)(4)其中输入屁与竞争}J!;之间的连接权为(W}，í=1，2，…，jjN;j址，2，…，M，约束条件为其中η为学习迷惑，m为第k个学习模式中先素为l的个数。LW俨(1)(6)选取另一个学习模式，退回步骤。)T个学在竟争层中神经元之间相互竞争，最终只有一个或者习模式全部提供给闷络。几个神经元按脏，以适应当前的输入样本。竞争胜利的神(7)返回步蝶(2)，直至各连接权的调整量变得很小为止经元就代表着当前输入样本的分类模

5、式。网络的?个输入学习模式为:凡叫p飞，p飞，….P'N)，与其通过以上的学习步骤可知:对应的竞争殷输出模式为:Ak=(的，吨，…，的f),k=1,2,,(1)式(4)巾的学习速率η反映了学习过程中连接权T调猿蜜的大小，η的典型值一般为0.01....(l.03oo2.学习算法。自组织竟争神经网络的学习步骤为:(2)由式(4)可知，当民为l时，竞争居获胜神经元j(1)初始化。按照式(1)的约束条件赋予(W)为[0，1]区ij与输入神经元i之间的连接权问j在满足式(1)的约束条件间内的随机值，i=I，2，…，

6、N;j=I，2γ..,Mo下有Wij<1，所以其调鹏最为正，即连接权向增大的方向变(2)任i在T个学习模式中的一个模式凡提供给网络的化;当P为O时，调攘攘为负，即连接机向减小的方向变ì输入腥。化。所有的连接权始终在(0，1)之间变化。(3)按照下式计算竞争居各神经亢的输入值Sj(3)当同一个学习模式反复提供给网络时，则这→模式前次所对脏的竞争屁在胜神经兀的输入值乌合逐渐增Sj;;;;LWvl.(2),j=I,2,,M大，继续保持其胜者的地位。当与这一学习模式非常相近的模式提供给网络时，也将促使同一神经元在竞争中

7、挟(4)按照;胜者为王;的原则，以Sj(j=1，2，…，M)中最大时76?????????????????????????????????????焽????????亣??????椽?????????????????卪?????????????????????????????????????㊣???????????????????????????????????????????????????????????????????????????????????ィ坯??????????????????????????????

8、??????????????????????????????????????垣???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????捪??