基于遗传算法的bp神经网络的gdp预测

《基于遗传算法的bp神经网络的gdp预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于遗传算法的BP神经网络的GDP预测摘要：：GDP是衡量一个国家或地区综合实力的一个重要指标.在经济预测的各种方法中，BP神经网络方法是一种常用的方法.为克服各改进BP神经网络的不足，本文采有遗传算法来优化神经网络.关键词：BP神经M络；遗传算法；GDP预测GDP是衡量一个国家或地区宏观经济状况的综合表现的-个重要指标。我们常常要对未来经济的走势进行预测，从而制定相应的宏观调控手段，如财政政策，货政策、财政政策等。在现有的预测方法中，吋间序列预测和回归预测是两种最常用的统计方法。而宏观经济系统

2、实质上是一个非线性系统，使得利用传统的预测方法对GDP进行预测变得十分困难。影响GDP的因素有很对，这些因素对GDP的作用也不一样。权重过去往往带有较浓厚的人为主观色彩，因此，为避免此类现象，BP神经网络是较好的方法.但BP神经网络存在一些缺陷，我们用遗传算法来改进它.一基于遗传算法的BP神经网络（1）BP神经网络人工神经网络，也称神经网络，是由大量的处理单元（神经元）广泛互连而成的网络，是对人脑的抽象、简化和模拟，反映人脑的基本特性。20世纪80年代中期,以Rumelhart和McClella

3、nd为首,提出了多层前馈网络的反向传播学习算法，它是有导师的学习，是梯度下降法在多层前馈网络屮的应用。BP网络是应用得最为广泛，最为重要的一种神经网络.它一般都有多层，分为输入层,输出层和隐含层.BPM络的激发函数一般采用S型函数，如对于一个祌经元，输入与输出有如下关系：—沒），其中％=为输入向量，y为输出向量，汐为阀值.下阁是典型的4层BP神经网络的结构阁，其屮包含一个输入层、两个隐含层、一个输出层，各层之间实现全连接，而同层间无连接。笫I隐含S渝入G-笫二嗓，：//输11:3BP神经网络结构

4、图(2)遗传算法遗传算法是一种基于自然群体遗传演化机制的高效探索算法,它摒弃Y传统的搜索方式，模拟自然界生物进化过程，采用人工进化的方式对目标空间进行随机化搜索。它将W题域中的可能解看作是群体的一个个体或染色体，并将每一个体编码成符号串形式，模拟达尔文的遗传选择和自然淘汰的生物进化过程，对群体反复进行基于遗传学的操作(遗传，交叉和变异)，根据预定的目标适应度函数对每个个体进行评价，依据适者生存，优胜劣汰的进化规则，不断得到更优的群体，同时以全局并行搜索方式來搜索优化群体中的最优个体，求得满足要求

5、的最优解。遗传算法的一般步骤是：(2)利川遗传算法优化神经网络的权值和阀值BP神经网络从本质上讲属于梯度下降算法，因而不可避免的具有一些缺陷，如易陷入局部极小点，训练速度慢，全局搜索能力弱，还有初始随机加权的大小，会对局部最小部分产生很大的影响.在遗传算法，0标函数既不要求连续，也不要求可微，仅要求该问题可计算，而且搜索始终遍及整个空间，因此容易得到全局最优解.针对BP神经网络的缺陷和遗传优点，我们用遗传算法来优化神经M络的权值和阀值.步骤如下：步骤1:设定参数.设种群大小为pop,交叉率为Pc

6、,变异率为Pm.步骤2:初始化.个体为祌经网络所有权值和阀值按一定顺序排列组成.随机产生的初始种群为尸={，又2,…采用实数编码.步骤3:汁算适应度值.用训练样本对种群的每一个体进行训练，比较输入数据和输出数据.记E=H（ypi•-〜）2,其中k为训练样本的大小，n为输出层的神经元数，｝P=1/=1为第P个训练样本时第Z*个节点的输出值，期望输出值.设适应度函数为F=%.误差越小的样本，适应度值越大.步骤4:选择.采用正比选择.对于个体/，适应度值为f，选择概率为Pt=F/popsi,e，累积

7、概率为=令采用旋轮法，在［0，1］中产生随/E“//=!机数巧，当时，则选择个体z‘.总共转轮pop_size次.步骤5:交叉.由于交叉率为Pc,故有Pc.pop个染色体进行交叉.采用如下方法选择交叉的父代：在［0，1］屮产生随机数/;•（i=l，hoP」ize），若e

8、.25,1.25］上均匀随机产生.交叉后，新的染色体为：=^1,-+汉u.（X2z•—Xl｛）,X2=X2i+汉2/-（X2/.-X1Z）.步骤6:变异.采用步骤5的方法产生个要变异的染色体.设为要变异的染色体.先在上随机产生一整数./，在卜仏4（6Z为一定值）产生随机数/?,则变异后，新的染色体为<=（，％/2,…，+/?，•••步骤7:遗传算法结束.若群体屮最优适应度值的学习误差小于指定误差，则停止进化.否则，转回步骤3.二，GDP预测模型的建立（1）模型变量的选择影响GDP的因素比较多