基于改进海鸥算法与反向传播神经网络的预测方法和系统技术方案

本发明专利技术提供一种基于改进海鸥算法与反向传播神经网络的预测方法和系统，该方法包括：将包含多个宏观经济特征指标的测试数据输入到预训练完成的反向传播神经网络的输入层中；基于输入层的节点到隐含层的节点的权值和输入层的每个节点对应的宏观经济特征指标，得到隐含层的每个节点对应的中间特征指标，经过隐含层的第一激励函数的处理以得到隐含层的每个节点的输出；基于隐含层的节点到输出层的节点的权值和隐含层的每个节点的输出，得到输出层的唯一节点对应的中间特征指标，经过输出层的第二激励函数的处理以输出基于测试数据得到的GDP预测结果。本发明专利技术能够有效避免反向传播神经网络在迭代过程中陷入局部最优的问题。播神经网络在迭代过程中陷入局部最优的问题。播神经网络在迭代过程中陷入局部最优的问题。

【技术实现步骤摘要】
基于改进海鸥算法与反向传播神经网络的预测方法和系统


[0001]本专利技术涉及预测神经网络
，尤其涉及一种基于改进海鸥算法与反向传播神经网络的预测方法和系统。

技术介绍

[0002]国内生产总值（Gross Domestic Product,GDP）是衡量一个国家或地区经济规模和发展水平的最重要的指标之一。
[0003]一般而言，可以基于国家层面统计的与经济相关的特征变量（包含人均国内生产总值、劳动力参与率、失业率、通货膨胀率、出口总额等）来预测GDP，利用了经济学理论和统计学方法，由相关领域专家根据与经济相关的多个特征变量进行提前预测。
[0004]预测神经网络是用于预测未来结果的神经网络。它包含输入层、隐含层和输出层。输入层接收来自输入数据的输入，隐含层处理输入并生成中间输出，输出层生成预测结果。反向传播神经网络（Backpropagation Neural Network,简称BP神经网络）是预测神经网络的一种类型，它使用反向传播算法进行训练。反向传播算法是基于梯度下降法，它通过反向传播网络的误差来更新网络的权重。反向传播网络是一种非常有效的预测神经网络，它被广泛应用于图像识别、自然语言处理和机器翻译等领域。在反向传播网络中，权值和偏差是用于学习数据的参数，权值和偏差是神经网络学习和预测能力的关键。权值是连接神经元之间的连接强度，而偏差是神经元输出的偏移量，这两个参数共同决定了神经网络对输入数据的理解程度。在训练过程中，权值和偏差通常被初始化为随机值，并在训练过程中不断地调整，以使神经网络能够尽可能地准确地预测输出。最常见的调整方法是使用梯度下降算法，通过不断地迭代，以最小化损失函数为目标来调整权值和偏差。反向预测神经网络具有强大的学习能力，能够从历史数据中学习复杂的规律，因此它在预测GDP等复杂的经济指标方面具有优势。
[0005]但是，反向预测神经网络多采用梯度下降算法进行迭代以调整权值和偏差，在采用梯度下降算法迭代的过程中容易陷入局部最优，而无法找到全局最优，这是一个亟待解决的技术问题。

技术实现思路

[0006]鉴于此，本专利技术提供了一种基于改进海鸥算法与反向传播神经网络的预测方法和系统，以尽可能避免在反向预测神经网络的寻优过程中陷入局部最优，而无法找到全局最优的问题。
[0007]本专利技术的一方面提供了一种基于改进海鸥算法与反向传播神经网络的预测方法，反向传播神经网络包含输入层、隐含层和输出层，该方法包括以下步骤：将包含多个宏观经济特征指标的测试数据输入到预训练完成的反向传播神经网络的输入层中；其中，输入层的每个节点对应一个宏观经济特征指标，通过单峰映象和帐篷映射将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体进行迭代
优化，以完成对反向传播神经网络的预训练；基于输入层的节点到隐含层的节点的权值和输入层的每个节点对应的宏观经济特征指标，加权求和并减去输入层到隐含层的偏差以得到隐含层的每个节点对应的中间特征指标，隐含层的每个节点对应的中间特征指标经过隐含层的第一激励函数的处理以得到隐含层的每个节点的输出；基于隐含层的节点到输出层的节点的权值和隐含层的每个节点的输出，加权求和并减去隐含层到输出层的偏差以得到输出层的唯一节点对应的中间特征指标，输出层的唯一节点对应的中间特征指标经过输出层的第二激励函数的处理以输出基于测试数据得到的GDP预测结果。
[0008]在本专利技术的一些实施例中，该方法还包括：反向传播神经网络的输入层对测试数据包含的多个宏观经济特征指标进行归一化处理。
[0009]在本专利技术的一些实施例中，所述第一激励函数为逻辑S形函数，所述第二激励函数为线性传递函数。
[0010]在本专利技术的一些实施例中，改进海鸥算法模型中包含的个体数量称为种群大小，每一个体包含的维度数为反向传播神经网络包含的权值和偏差数量之和；所述通过单峰映象和帐篷映射将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体的步骤，包括：为改进海鸥算法模型中的每个维度分配上界和下界；随机生成一个用于单峰映象的随机初始值，使用单峰映象的映射方程基于所述随机初始值生成一个与种群大小相同的单峰映象值序列；利用帐篷映射基于所述单峰映象值序列生成一个与种群大小相同的混沌序列，所述混沌序列中的参数对应于改进海鸥算法模型中的个体；基于所述混沌序列以及改进海鸥算法模型中的每个维度的上界和下界，为种群中每个个体的每个维度分配初始值，从而将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体；其中，反向传播神经网络包含的每个权值或偏差分别对应一个维度。
[0011]在本专利技术的一些实施例中，改进海鸥算法模型中包含的个体数量称为种群大小，每一个体包含的维度数为反向传播神经网络包含的权值和偏差数量之和；该方法将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体的步骤中，还利用了猫映射，通过单峰映象、帐篷映射和猫映射将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体的步骤，包括：为改进海鸥算法模型中的每个维度分配上界和下界；随机生成一个用于单峰映象的随机初始值，使用单峰映象的映射方程基于所述随机初始值生成一个与种群大小相同的单峰映象值序列；利用帐篷映射基于所述单峰映象值序列生成一个与种群大小相同的第一混沌序列；利用猫映射基于所述第一混沌序列生成一个与种群大小相同的第二混沌序列，所述第二混沌序列中的参数对应于改进海鸥算法模型中的个体；基于所述第二混沌序列以及改进海鸥算法模型中的每个维度的上界和下界，为种
群中每个个体的每个维度分配初始值，从而将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体；其中，反向传播神经网络包含的每个权值或偏差分别对应一个维度。
[0012]在本专利技术的一些实施例中，对于单峰映象和帐篷映射到海鸥算法模型中的每个个体，所述单峰映象的映射方程为：其中，表示第个改进海鸥算法模型中的个体，表示第一混沌序列的第个参数，改进海鸥算法模型中的第一个个体大小为所述用于单峰映象的随机初始值；所述帐篷映射的映射方程为：其中，表示第二混沌序列的第个参数，为预设帐篷映射参数。
[0013]在本专利技术的一些实施例中，在所述改进海鸥算法模型进行迭代优化的过程中，使用防撞变量来更新每个个体的每个维度的参数值，所述防撞变量综合了余弦函数和β扰动两个因素，所述防撞变量的计算公式为：其中，为所述防撞变量，为改进海鸥算法模型的当前迭代次数，为改进海鸥算法模型的预设最大迭代次数，是为了控制防撞变量的线性下降频率的预设参数，所述betarand(p,q)表示随时生成p到q范围内的贝塔分布的随机数，β是为了控制β扰动的幅度的预设参数。
[0014]在本专利技术的一些实施例中，在所述改进海鸥算法模型进行迭代优化的过程中，每次迭代对全部个体的位置进行更新以进行全局探索与局部开发，使用随机因子来平衡全局探索与局部开发，在所述随机因子中引入惯性权重和自适应权重因子，在每次迭代结束后基于预设适应度函数计算改进海鸥算法模型中每一个体的适应度值，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进海鸥算法与反向传播神经网络的预测方法，反向传播神经网络包含输入层、隐含层和输出层，其特征在于，将包含多个宏观经济特征指标的测试数据输入到预训练完成的反向传播神经网络的输入层中；其中，输入层的每个节点对应一个宏观经济特征指标，通过单峰映象和帐篷映射将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体进行迭代优化，以完成对反向传播神经网络的预训练；基于输入层的节点到隐含层的节点的权值和输入层的每个节点对应的宏观经济特征指标，加权求和并减去输入层到隐含层的偏差以得到隐含层的每个节点对应的中间特征指标，隐含层的每个节点对应的中间特征指标经过隐含层的第一激励函数的处理以得到隐含层的每个节点的输出；基于隐含层的节点到输出层的节点的权值和隐含层的每个节点的输出，加权求和并减去隐含层到输出层的偏差以得到输出层的唯一节点对应的中间特征指标，输出层的唯一节点对应的中间特征指标经过输出层的第二激励函数的处理以输出基于测试数据得到的GDP预测结果。2.根据权利要求1所述的方法，其特征在于，该方法还包括：反向传播神经网络的输入层对测试数据包含的多个宏观经济特征指标进行归一化处理。3.根据权利要求1所述的方法，其特征在于，所述第一激励函数为逻辑S形函数，所述第二激励函数为线性传递函数。4.根据权利要求1所述的方法，其特征在于，改进海鸥算法模型中包含的个体数量称为种群大小，每一个体包含的维度数为反向传播神经网络包含的权值和偏差数量之和；所述通过单峰映象和帐篷映射将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体的步骤，包括：为改进海鸥算法模型中的每个维度分配上界和下界；随机生成一个用于单峰映象的随机初始值，使用单峰映象的映射方程基于所述随机初始值生成一个与种群大小相同的单峰映象值序列；利用帐篷映射基于所述单峰映象值序列生成一个与种群大小相同的混沌序列，所述混沌序列中的参数对应于改进海鸥算法模型中的个体；基于所述混沌序列以及改进海鸥算法模型中的每个维度的上界和下界，为种群中每个个体的每个维度分配初始值，从而将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体；其中，反向传播神经网络包含的每个权值或偏差分别对应一个维度。5.根据权利要求1所述的方法，其特征在于，改进海鸥算法模型中包含的个体数量称为种群大小，每一个体包含的维度数为反向传播神经网络包含的权值和偏差数量之和；该方法将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体的步骤中，还利用了猫映射，通过单峰映象、帐篷映射和猫映射将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体的步骤，包括：为改进海鸥算法模型中的每个维度分配上界和下界；随机生成一个用于单峰映象的随机初始值，使用单峰映象的映射方程基于所述随机初始值生成一个与种群大小相同的单峰映象值序列；
利用帐篷映射基于所述单峰映象值序列生成一个与种群大小相同的第一混沌序列；利用猫映射基于所述第一混沌序列生成一个与种群大小相同的第二混沌序列，所述第二混沌序列中的参数对应于改进海鸥算法模型中的个体；基于所述第二混沌序列以及改进海鸥算法模型中的每个维度的上界和下界，为种群中每个个体的每个维度分配初始值，从而将反向传播神经网络包含的权值和偏差映射为改进海鸥算法模型中的个体；其中，反向传播神经网络包含的每个权值或偏差分别对应一个维度。6.根据权利要求4或5中任一项所述的方法，其特征在于，对于单峰映象和帐篷映射到海鸥算法模型中的每个个体，所述单峰映象的映射方程为：其中，表示第个改进海鸥算法模型中的个体，表示第一混沌序列的第个参数，改进海鸥算法模型中的第一个个体大小为所述用于单峰映象的随机初始值；所述帐篷映射的映射方程为：其中，表示第二混沌序列的第个参数，为预设帐篷映射参数。7.根据权利要求1所述的方法，其特征在于，在所述改进海鸥算法模型进行迭代优化的过程中，使用防撞变量来更新每个个体的每个维度的参数值，所述防撞变量综合了余弦函数和β扰动两个因素，所述防撞变量的计算公式为：其中，为所述防撞变量，为改进海鸥算法模型的当前迭代次数，为改进海鸥算法模型的预设最大迭代次数，是为了控制防撞变量的线性下降频率的预设参数，所述betarand(p,q)表示随时生成p到q范围内的贝塔分布的随机数，β是为了控制β扰动的幅度的预设参数。8.根据权利要求7所述的方法，其特征在于，在所述改进海鸥算法模型进行迭代优化的过程中，每次迭代对全部个体的位置进行更新以进行全局探索与局部开发，使用随机因子来平衡全局探索与局部...

【专利技术属性】
技术研发人员：王鹏凯，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：