应用神经网络进行经济预测方法的改进

2013-08-15廖育梅新余学院

商场现代化 2013年34期

■廖育梅新余学院

神经网络作为新时代发展最快的人工智能领域研究成果之一,在科学计算、自动控制等方面得到了成功的运用。近年来，我国学者们将神经网络运用于经济预测领域，并且不断地改进应用方法，使基于神经网络的经济预测系统更具效益。本文在此背景下,对神经网络经济预测的应用进行了研究，围绕经济预测的方法应用提出相应的改进建议，从而丰富了经济增长预测理论与实践。

一、神经网络经济预测的方法的概述

1.概念

神经网络,是对人脑或自然神经网络若干基本特征的抽象和模拟。从解剖学和生理学的角度来看,人脑是一个复杂的并行系统,他是由大量的细胞组合而成,这些细胞相互连接。神经细胞与人体中的其他细胞的关键区别在于,神经细胞具有产生、处理和传递信号的能力。在人工神经网络的发展过程中,对生物神经系统进行了不同模拟,提出了各种各样的神经网络模型,其中具有代表的网络模型有感知器神经网络、线性神经网络、BP网络、径向基函数网络、自组织网络。

2.特征

神经网络经济预测的方法不同传统的预测方法，它对经济系统里的多种因素进行分析，进行有效地多输入、多输出的经济预测数据。可以说神经网络经济预测的方法具有以下几种特征：其一，由于神经网络是由复杂的因素构成的，它的输入向量维数比较多。其二，经济系统数据具有很强的非线性，使得输入的向量各分量之间存在着复杂的耦合关系。其三，经济系统处在一个“黑箱”模型下，导致数据之间的相互影响不存在明确表达式的关系。神经网络也会随着时间的增长，数据呈现出增长的趋势。

3.优势

用神经网络进行经济预测相对来说比较准确。因为这种神经网络在计算量允许的范围内，可以很好地拟合任意多对多的映射关系，数据拟合的结果表明，系统拟合相对误差在0%—0.75%，比采取回归分析逼近效果好。此外，神经网络各层节点之间的联结权数及阈值恰好可以表达经济系统中各个因素之间相互交织、相互影响的强耦合关系.而采取多元回归模型。

往往只能引入少量耦合项以避免模型过于复杂而无法求解.因此,神经网络比传统的多元回归预测方法有更好的拟合能力和准确度。神经网络的方法是比较适合对经济预测的，因为它只需要少量训练样本就可以确定网络的权值和阈值从而预测出宏观经济发展趋势，计算简单、快捷、可靠。总而言之，神经网络经济预测方法具有显著的优势，是比较适合经济预测的应用过程的。

二、神经网络经济预测方法应用的改进

由于商业、政府和工业所产生的预测间题,其复杂程度越来越高,以致于现有的预测系统难于解决，这就要求我们的预测系统能够处理复杂度增加的问题,进一步扩展传统神经网络预测方法的能力,使得神经网络系统理论的不断发展和完善、新的神经网络预测方法的不断产生，使得神经网络预测模型更加实用化、现代化，会给商贸和工农业生产带来巨大的经济效益。以下是本人对神经网络经济预测方法应用改进的建议：

首先，我们要改进神经网络经济预测的过程。确定预测的目的,制定预测的计划。经济预测首先要确定预测的目的,从决策和管理的需求出发,紧密联系实际需要与可能,确定预测要解决的问题。预测计划是根据预测目的而制定的预测方案,包括预测的内容、项目,预测所需要的资料,准备选用的预测方法,预测的进程和完成的时间以及预测的预算、组织实施等。只有目的明确、计划科学的预测,才可保证预测的顺利进行。

其次，建立新的神经网络经济预测模型。经过求增长率再进行归一化的处理,在给出的以往的数据的增长率范围内,网络就可能不再陷入训练“盲区”。.当采用了足够年限的已知数据并将其增长率归一化以后,“被预测年”数据的增长率可能不再会大于那些“已知年”数据的增长率.则外延问题可以得到基本解决。

最后，对神经网络经济预测结果进行检验，减小误差。经济预测是立足于过去及现在的已知推测未来的未知,而过去和现在终归不是未来,预测结果和未来实际值不可能绝对相符,存在的差异就是预测误差。为了使预测误差最小化，检验结果通过试探性的反复试验来确定，预测准确度应尽可能进行外推检验。