遗传神经网络在电信业务收入预测中的应用研究论文

《遗传神经网络在电信业务收入预测中的应用研究论文》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、遗传神经网络在电信业务收入预测中的应用研究论文摘要误差反向传播神经网络（BPNN）由于优越的非线性数据处理性能以及较强的学习能力而被广泛地运用于电信业务的预测当中。然而，神经网络常常存在着收敛于局部最优解、学习时间长等缺陷而影响其预测效果，而遗传算法(GA)是一种全局寻优搜索算法，能够有效克服上述缺陷。本文针对影响电信业务收入的主要因素，将BP神经网络与遗传算法有机结合起来，建立了相应的遗传神经网络模型用于电信业务收入预测，并利用实际数据进行效果验证。实验表明，该预测模型具有很强的学习能力和自适应性.freel个节点；第三层为输出层

2、，有一个节点。网络的目标函数为，式中y为实际输出，Y为期望输出，Ep为平方误差函数。2.遗传神经网络模型的算法在本模型算法当中，一种改进的遗传算法，被提出来优化模型结构的权值系数。该算法首先利用遗传算法善于发现最优解区域的特点同时，找出网络参数的最优初始值，然后再利用BP算法的寻优能力来搜索模型参数的最优解空间。算法具体步骤如下：步骤1：初始化用遗传算法来优化神经网络，主要是优化神经网络中神经元之间的连接权，初始化种群P(t)。由于网络的连接权是实数，因此本算法采用实数编码方案，避免权重步进变化。网络隐含层转移函数为Sigmoid函

3、数。在编码过程中，以神经网络的所有权值和阈值作为染色体的基因，各个基因组成染色体向量V=v1,…vk,…vL,vK为染色体中的第k个基因。步骤2：适应度计算及评价根据适应度函数值对个体进行评价,对每个个体进行解码得到一个BP神经网络输入样本,计算出神经网络的输出误差值E，选择适应度函数式中，Ymk,Ymk分别为第m个训练样本的第k个输入节点的期望输出和实际输出。适应度f越高，表明误差平方和越小，就越接近性能要求。步骤3：遗传操作(1)选择与复制保留群体中适应度最高的个体，它不参与交叉和变异运算,而直接将其复制到下一代。群体中的其他个

4、体，采用轮盘赌选择法进行选择，这样适应度小的个体也有机会进入被保留。因此保证了群体中个体的多样性，防止算法落入局部最优。如果M个个体中的第i个个体的适应度为fi，则其被选中的概率为：（2)交叉由于权重系数采用实数编码，故本文采用算术交叉方式，以Pc的概率对选择后的个体进行交叉。设在个体XA和个体XB之间进行交叉,交叉算子为式中:，为父代个体基因；,为子代个体基因，a为区间0,1上的随机数。两个个体在交叉点后的基因进行交换，从而产生两个新个体。（3)变异变异是对按变异概率Pm(这里取0.05）选取的个体进行变异,.freel=20个，

5、输出量n为1个即电信业务收入，由经验公式:k=(m+n)+c结合试错法，可得隐含层节点数s1=14，输出层数s2=1。因此建立的网络基本参数为:拓扑结构20－14－1；3.遗传神经网络训练:应用遗传操作（选择、交叉、变异）训练神经网络,产生新一代个体，淘汰父代个体，直至达到最大进化代数或者产生最优解。给定精度（εGA=0.005），经遗传优化训练后得到最终的初始权值和阈值。用遗传算法训练得到的初始权值和阈值建立BP网络模型，并训练网络直至达到指定精度。4.结果检验用训练好的权值和阈值的遗传神经网络对2004年和2005年的电信业务进

6、行预测,并将预测结果与一般BP神经网络预测结果进行比较（见表2）：从表2的结果可以看出，在建模样本相同下，基于遗传算法的BP网络模型对两年独立样本的预报精度明显优于BP网络模型,而且预报结果稳定，收敛速度快、精度高，并且克服了以往凭经验确定网络的拓扑结构的缺陷，提高了网络的精确性和泛化能力。四、结论本文为克服BP神经网络模型所存在易于陷入局部最优解等缺陷而提出了结合遗传算法和神经网络的一种混合模型——遗传神经网络模型，并利用所设计的遗传神经网络模型，选择我国某地市的电信公司数据作为数据样本，对该公司的业务收入进行预测，并对比BP神经

7、网络模型，实证结果表明，遗传神经网络模型，相对BP神经网络而言，其预测效率和准确率大大得到提高，在电信业务收入预测方面具有较好的应用前景。