基于神经网络的智能预测系统及应用

《基于神经网络的智能预测系统及应用》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、摘唾摘要(神经网络自J-l：'90以来一直深受各困专家学者的重视，同渐成为一种重要的处理}F线性问题的工具，被广泛应用于各种领域并取得了辉煌的成就。预测是神经网络n勺义一个匡要应用领域。经典的预测方法用于非线性系统预测有一定困难。而神经网络艮有优良的．1E线性特性，特别适用于高度非线性系统的处理。因此基于神经网络的智能预测是解决非线性预测问题的有效方法，为预测理论丌辟了新的发展空问。0水文就神经网络在预测研究特别是在失业预测中的应用做了以下工作：U体解决了神经网络智能预测系统设计中的一些问题，包括数据处理、主成分分析

2、和结构设计等。“F数掘处理中，针对实际数据指标之『日J数量级差别较大的情况应用了数据标准化方法，针对实际数据时阳J点分御不均的问题采用了数据插值方法。为后来的预测{；址fJt了数掘基础。剥于多搬标小样本预测问题，文中利用主成分分析法对原有指标体系进行处理，提取t成分构成新的指标作为神经网络的输入。在保证少量信息丢失的前提下大大减少了问题的指标数量，减少了神经网络的输入结点数，从而大大简化了神经网络的结构。为小样本情况下的神经网络泛化能力的提高提供了有效的保证。任结构设计中主要讨论了用遗传算法来进行神经网络的结构优化。

3、、)本文设计了一个基于神经网络的智能预测系统，并将之用于我国失业问题的预、、——-—～测。／针对我国失业问题建立了三个基于神经网络的失业预测模型：基于递阶对角神经网络的失jlk预测模型，基于对角Ehnan神经网络的失业预测模型和主成分分析简化的神经网络失业预测模型。、l木文设汁了一个基于神经网络的智能预测系统，并将之用于我国的失业预测研究，实现了适用于我国失业预测的智能失业预测软件。对我国失业问题进行了预测．Jj二取得了较好的结果。关键词：神经网络j神经网络结构优化，遗传算法，小样本训练，主成分分析j递i阶对角神经网

4、络jE1maJl神经网络?失业预测?智能预测：摘嘤一———————————————————————————————_——-—————————————————————————’————————————————————————————————一AbstractArtificalNueralNetwork(ANN)hasbeencatchingtheworld’SattentionsinceitCameintobeinginthefortiesofthetwentiethcentury．Nowithasbeendevelo

5、pedtobeauseftllnon—linearprocessingtool，andisusedwithgreatSuccessinmanyfields．PredictionisoneofimportantapplicationfieldsofANN．Sincemostofthegeneralpredictingmethodsarebasedonlinearanalysis，whenitcomestonon—linearcasestheymetmanydifficulties、whileANNiscompetent

6、fornon—linearproceedingforitsexcellentnon—linearcharacterPredictingmethodsbasedonANNextendthespaceofpredictingresearch．Thefollowingarewhatthispaperhasdoneinthefieldofpredictionespeciallyunemploymentprediction．ThispapersolvedsomeproblemsindesigningtheNeural·-Net

7、work—-BasedIntelligentPredictiveSystemincludingdatapretreatment，primaryfactorsanalysis，andANN’Sstructuredesign．BeforeusingANNtopredict，thedatahavetobepretreated．Insomecases，onevariableofsampleisgreatdifferenttoothersinscale，SOtheyhavetobestandardizedinthesamesc

8、ale．Andwhenthecaseisthatsamplesdonotdistributeinthesameinterval，somesamplesneedtobeinsertedinto”blankpoint”．Thepretreatmentprovidesthefoundationforthefollowingprediction．Whe