文献类型：科技成果

中文题名：人工神经网络在非线性预测中的应用研究

登记号：9412010J1072

完成人：景丽[1];李淑红[1];景玲[1];陈莉[1];张巧荣[1];胡慧敏[1];赖锴[1];

第一作者：景丽

完成机构：[1]河南财经学院;

第一机构：河南财经政法大学

年份：2010

语种：中文

中文关键词：人工神经网络利用;预测模型建模方法;神经网络学习算法

摘要：该项目利用前馈神经网络研究了非线性预测模型的建立过程，并进行了系列研究，取得了一些新成果。主要研究内容有：(1)研究了基于BP和RBF两种神经网络的预测模型建模方法，对预测中的常见预测形式如时序预测、回归预测，给出了建模方法；(2)分析BP神经网络隐层神经元对网络性能的影响，构造了新的误差函数，提高神经网络的训练速度；(3)研究了神经网络的理论和结构，利用改进遗传算法对前馈神经网络的参数进行优化，提高神经网络的训练速度和泛化能力；(4)结合回归树方法和RBF神经网络提出了一种新的神经网络学习算法。该项目的主要研究成果如下：1.建立了基于前馈神经网络通用预测模型。人工神经网络因其具有自组织、自学习、自适应等特性，在预测领域引起极大关注，成为解决非线性系统建模问题一个重要研究内容。该项目对预测中常见的具体情况如时序预测、回归预测等，给出了如何建立神经网络预测模型，包括模型的建立、网络参数的确定以及输入数据的选择等问题。2.针对预测应用，对BP神经网络进行了理论分析，提出了改进算法。前馈神经网络的一些缺陷影响了预测的准确性和实用性，一是收敛速度慢，二是易陷入局部极小，三是网络的泛化能力差。对此该项目对BP神经网络的理论和结构进行了分析研究，提出了如下改进方法：(1)通过分析隐层神经元饱和度对网络性能的影响，构造了新的误差函数，得到一种新改进的BP学习算法，提高了神经网络的训练速度；(2)将改进的自适应遗传算法用于神经网络的优化设计中，增强了对非线性问题的识别与模拟能力，有效地提高了BP神经网络结构和参数的优化效率。3.结合回归树方法和RBF神经网络提出了一种新的神经网络学习算法。回归树可以实现自适应学习，但不能预先确定哪些知识是冗余的，哪些知识是有用的；神经网络方法可以描述知识表达中不同属性的重要性，简化知识表达空间，二者之间有较强的相似性和互补性。该项目结合回归树和RBF两种方法，应用回归树分类算法对RBF神经网络的隐层节点进行选择。为了避免出现过拟合的情况，对生成的回归树进行剪枝，以保证该回归树为最优树。仿真实验显示该算法在时间复杂度和预测精度等方面优于其它算法。