过程神经网络在GDP预测中的应用研究

论文摘要

国内生产总值(GDP)作为衡量一个国家经济发展状况的重要指标,综合反映了一个国家经济增长速度、发展规模和经济走势等情况,是影响经济生活乃至社会生活的最重要的经济指标,更是国家制定经济发展战略目标和宏观经济政策的重要依据。因此,对GDP比较准确的预测,具有重要的理论和实际意义。但是,传统的经济预测方法,如时间序列方法和多元回归方法,无法描述GDP与其影响因素之间复杂的非线性关系,预测精度较低。传统神经网络方法虽然具有良好的非线性特征,较之以上方法而言,具有较好的预测精度,但却难以表达GDP预测问题中实际存在的时间累积效应,使得预测效果受到影响。针对传统预测方法中存在的问题,将过程神经网络应用于GDP预测中。过程神经网络是传统神经网络在时间域上的扩展,其不但具有传统神经网络的非线性特点,而且由于其增加的时间聚合运算功能,可以将GDP时间序列中时间累积效应充分的考虑到预测中,能很好的解决传统预测方法中存在的问题。在应用过程神经网络进行预测过程中,主要完成了以下三个方面的工作：首先在研究过程神经网络相关理论的基础上,针对过程神经网络基本BP算法中存在的收敛速度慢、易陷入局部极小的问题,通过引入惩罚因子和动量因子对算法进行了改进。同时,为减少网络在训练过程中的振荡,在算法中采用了自适应学习速率对其进行进一步改进。其次,以黑龙江省为例,运用黑龙江省1981年至2009年GDP相关数据,在改进的过程神经网络算法基础上,结合过程神经网络的相关理论,建立了基于过程神经网络的GDP预测模型；并借助于MATLAB 7.0工具完成网络的训练和测试,对GDP进行了预测。最后,选择传统神经网络中应用最为广泛的BP神经网络,应用相同的训练样本和测试样本,建立了基于BP神经网络的GDP预测模型,对GDP进行了预测。为验证过程神经网络GDP预测模型的优势,将过程神经网络模型和BP神经网络模型的预测结果从不同方面进行了对比分析。结果表明,将过程神经网络应用于GDP预测问题中,可以得到更高的预测精度,网络预测效果更好。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.2.1 GDP预测的研究现状
• 1.2.2 神经网络发展现状
• 1.3 课题研究的意义
• 1.4 课题的创新点和主要研究内容
• 1.5 论文的结构安排
• 2 过程神经网络GDP预测的理论基础
• 2.1 GDP概述
• 2.2 传统神经网络理论
• 2.2.1 传统神经元模型
• 2.2.2 传统神经网络模型
• 2.2.3 传统神经网络学习方法
• 2.3 过程神经网络理论
• 2.3.1 过程神经元模型
• 2.3.2 过程神经网络模型
• 2.3.3 过程神经网络的一般学习算法
• 2.4 本章小结
• 3 基于过程神经网络的GDP预测
• 3.1 过程神经网络学习算法的改进
• 3.1.1 过程神经网络的基本BP算法
• 3.1.2 改进的过程神经网络BP算法
• 3.2 过程神经网络GDP预测模型的构建
• 3.2.1 影响因子的确定
• 3.2.2 模型拓扑结构的设计
• 3.2.3 激励函数的选择
• 3.2.4 正交基函数的选择
• 3.2.5 模型训练参数
• 3.3 过程神经网络GDP预测模型的实现
• 3.3.1 数据的预处理
• 3.3.2 模型拓扑结构的确定
• 3.3.3 网络训练结果
• 3.4 过程神经网络模型预测结果
• 3.5 本章小结
• 4 GDP预测模型对比分析
• 4.1 基于传统神经网络的GDP预测
• 4.1.1 BP神经网络GDP预测模型的设计
• 4.1.2 BP神经网络GDP预测模型的实现
• 4.1.3 BP神经网络模型预测结果
• 4.2 GDP预测模型性能对比分析
• 4.3 本章小结
• 结论
• 参考文献
• 附录
• 攻读学位期间发表的学术论文
• 致谢