logo资料库

基于BP神经网络的CPI物价指数预测模型.doc

发布时间：2022-06-08 发布人：admin 分类：说明书 资料大小：0.77M 资料格式：doc 举报 版权申诉
第1页 / 共34页
第2页 / 共34页
第3页 / 共34页
第4页 / 共34页
第5页 / 共34页
第6页 / 共34页
第7页 / 共34页
第8页 / 共34页
资料共34页，剩余部分请下载后查看
    基于 BP 神经网络的 CPI 物价指数预测模型 目录 摘要…………………………………………………………………3 背景及引言…………………………………………………………4 1. 人 工 神 经 网 络 及 其 基 本 网 络 模 型……………………………….6 1.1 人工神经网络来源——人体神经结 构……………...............6 1.2 人工神经网络………………………………………………6 1.3 反向传播网络（BP 网络）………………………………...14 2. CPI 物 价 指 数 预 测 实 例 分 析………………………………...........22 2.1 数据统计……………………………………………………… 22 25 30 31 2.2 预测模型……………………………………………………… 2.3 结论…………………………………………………………… 2.4 模型的评价…………………………………………………… 1
    3. 结束语……………………………………………………………… 32 参 考 文 献…………………………………………………………….....33 摘要：CPI 是经济消费研究中重要依据，所以进行 CPI 的预测对国家经济的 研究和国家宏观调控的决策有着重要的意义和影响，由于传统线性回归方法在预 测中有建模复杂的缺陷，针对 CPI 预测过程的复杂性，本文采用归一化数据处理 方法，选择神经网络的训练样本，利用神经网络的结构特性及 Matlab 的人工神 经网络工具箱，建立基于 BP 神经网络的 CPI 预测系统的数学模型。利用该模型 对 2008 年山东省居民消费价格指数进行预测，通过前四个月份的数据，结果表 明模型的预测值与实测值的误差仅为 0.91%。可见这种方法预测精度高，具有一 定的实际应用价值。 关键字：CPI BP 神经网络 预测 Abstract: CPI economy is an important basis for consumer research, the CPI forecast for the country's economic research and state macro-control policy is of important significance and impact of the traditional linear 2
    regression model in the prediction of a complex defects, CPI forecast for the complexity of the process, the normalization of this paper, data-processing methods, the choice of neural network training samples, using neural networks and the structure of the artificial neural network Matlab toolbox, the establishment of the neural network-based BP CPI forecast the mathematical Model. Use the model of Shandong Province in 2008 the consumer price index forecast, the results show that the model predicted and measured the error was only 0.91 percent. This shows that this method of prediction accuracy, has a practical application. Key words: CPI BP neural network Forecast 背景及引言： 消费者物价指数 CPI(Consumer Price Index)是根据与居民生活密切相关的 商品和劳务价格统计出来的物价变动指标，是反映宏观经济走势和衡量社会通涨 或通缩水平的重要指标。世界上许多国家和政府都很关注这一指标，CPI 涨幅理 所当然的成为管理者制定宏观经济政策、进行经济调控和央行公开市场操作的重 要参考依据，所以研究和预测 CPI 对于宏观经济分析有着重要的意义。 据国家统计局分析，自 2007 年 4 月份以来，我国居民消费价格总水平(CPI) 逐月攀高，且 08 年几个月超过国际公认的轻微通货膨胀底线(物价上涨 3.0%)， 说明我国已经出现了轻微通货膨胀。在宏观调控效应不断显现、“翘尾”影响逐 渐减弱以及主要食品价格下降等因素共同作用下，今年 5 月份全省市场价格总水 平首次出现同比涨幅回落、环比价格再次下降的良好局面。1-5 月全省居民消费 价格累计上涨 7.0%，与前 4 个月涨幅持平;其中 5 月份上涨 6.7%，同比涨幅较上 月回落 0.8 个百分点，为今年以来出现的首次回落。其中，5 月份食品价格上涨 18.3%，同比涨幅较上月回落 3.3 个百分点，影响价格总水平回落 0.9 个百分点。 3
    消费价格结构性上涨特征依然明显，食品类价格累计上涨 20.5%，拉动消费价格 总水平上涨 5.8 个百分点，对消费价格总水平的影响程度达 82.9%。环比看，5 月份居民消费价格比 4 月份下降 0.4%，这是自上年 5 月份开始的物价持续上涨 以来出现的第二次月环比下降。食品环比价格在 3 月份下降 0.9%、4 月份下降 0.7%的基础上，5 月份再降 2.1%。 基于 CPI 价格指数对经济宏观调控的重要性，对 CPI 价格指数的预测显得尤 为重要， 而传统的 IS-LM-BP 曲线理论分析法、传统的时间序列分析法和非线性 系统分析法，在理论研究和实际应用方面，都存在极大的困难。相比之下，BP 神经网络可以在不了解输入或输出变量间关系的前提下完成非线性建模。神经 元、神经网络都有非线性、非局域性、非定常性、非凸性和混沌等特性，与各种 预测方法有机结合具有很好的发展前景，也给预测系统带来了新的方向与突破。 建模算法和预测系统的稳定性、动态性等研究成为当今热点问题。目前在系统建 模与预测中，应用最多的是静态的多层前向神经网络，这主要是因为这种网络具 有通过学习逼近任意非线性映射的能力。利用静态的多层前向神经网络建立系统 的输入/输出模型，本质上就是基于网络逼近能力，通过学习获知系统差分方程 中的非线性函数。但在实际应用中，需要建模和预测的多为非线性动态系统，利 用静态的多层前向神经网络必须事先给定模型的阶次，即预先确定系统的模型， 这一点非常难做到。近来，有关基于动态网络的建模和预测的研究，代表了神经 网络建模和预测新的发展方向。 4
    1. 人工神经网络及其基本网络模型 1.1.人工神经网络来源----人体神经结构 人工神经网络系统源于人脑神经网络。了解人脑神经网络的组成和原理，有 助于对人工神经网络的理解。人脑是认识客观世界的器官。研究表明，人的意识、 思维、行为等脑的高级功能都与客观世界密切相关。每个神经元包含了以下几个 结构特性：细胞体(Cell Body 由细胞核，细胞质和细胞膜组成），铀突(Axon 细胞的输出）和树突(细胞的输入) 突触（Synaptic)，是神经元之间连接的接口。 整个脑内突触的数目大约在 1014 一 1015 之间，通过突触互连，连接方式不同， 其生理作用也不同。突触的信息传递特性可变，因此细胞之间的连接强度可变， 这是一种柔性连接，也称为神经元结构的可塑性。 另外，研究表明，神经元细 胞膜内外之间存在电位差，称为膜电位。膜外为正，膜内为负。膜电压接受神经 其它神经元的输入后，电位上升或下降，当转入冲动的时空整合结果，使膜电位 上升，而且当超过叫做动作电位的团值时，细胞进入兴奋状态，产生神经冲动， 5
    由轴突输出，这个过程称为兴奋。动作阂值电位约为 40 微伏 13 传入的冲动时空 整合结果使膜电压下降并低于动作电压的闻值时，细胞进入抑制状态，无神经冲 动输出。 1.2.人工神经网络 1.2.1. 概述 人工神经网络（Artificial Neural Network，ANN）是由大量的简单基本 元件——神经元相互联接而成的自适应非线性动态系统。人工神经网络反映了 人脑功能的若干基本特性，是对人脑的抽象、简化和模拟，反映人脑的基本特 性。人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟 人脑信息处理的功能，它是根植于神经科学、数学、统计学、物理学、计算机 科学及工程等科学的一种技术。已成功应用于预测、图像、数据分类、股价分 析等多领域，准确预测已成为市场竞争的必备条件， 神经网络是单个并行处理元素的集合，我们从生物学神经系统得到启发。 在自然界，网络功能主要由神经节决定，我们可以通过改变连接点的权重来训 练神经网络完成特定的功能。一般的神经网络都是可调节的，或者说可训练的， 这样一个特定的输入便可得到要求的输出。如下图所示。这里，网络根据输出 和目标的比较而调整，直到网络输出和目标匹配。作为典型，许多输入/目标对 应的方法已被用在有监督模式中来训练神经网络。 6
    目标 比 较 输入 神经网络 输出 调整权重 人工神经网络在 80 年代中期得到了飞速的发展。1982 年美国加州州立理 工学院物理学家 Hopfield 教授提出了 Hopfield 人工神经网络模型，他将能 量函数的概念引入人工神经网络，并给出了稳定性的判据，开拓了人工神经 网络用于联想记忆和优化计算的新途径。人工神经网络模拟人类部分形象思 维的能力，是模拟人工智能的一条途径。特别是可以利用人工神经网络解决 人工智能研究中所遇到的一些难题。人工神经网络理论的应用已经渗透到多 个领域，在计算机视觉、模式识别、智能控制、非线性优化、自适应滤波相 信息处理、机器人等方面取得了可喜的进展。 1.2.2. 人工神经网络系统的基础功能 学习能力：通过实践进行学习； 自适应能力：系统能适应外界的变化保持良好的性能； 自组织能力：依据外部环境的变化进行自组织，自适应是通过自组织实现的； 容错与自修复能力：对不完整的信息给出正确的解答，或者系统内部发生某 些故障时仍能达到良好的状态； 输入输出能力； 知识表示能力； 模式存储、检索能力。 7
    1.2.3. 单神经元模型——单层感知器 为了大家较好的学习单神经元模型，下面是一个神经网络的简单应用— —单层感知器网络模型。通过这个例子相信大家对人工神经网络会有一个最 基本的了解。 1x 2x ix nx 1w nw 2w iw  f y 单层感知器模型图 1.2.3.1. 基本思想： 感知器的学习是有导师学习，基本思想是逐步地将样本集中的样本输入到网 络中,根据输出结果和理想输出之间的差别来调整网络中的权矩阵。若以 t 表示 目标输出，a 表示实际输出。则 e=t-a，网络的训练目标就是要使t a ，即 0 e  。 由于感知器的学习是有导师的学习，训练时需要提供训练样本，每个训练样本由 输入向量和输出向量构成。即输入向量为 X  ( {(X，Y)|Y 为输入向量 X 对应的输出}。 X X , 1 ,..., X )n 2 时，训练样本集为 1.2.3.2. 训练算法： 第一步 初始化权向量 W；此时 W W W 2  ( , 1 ,..., W )n 8
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料