一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法
專利匯可以提供一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法專利檢索，專利查詢，專利分析的服務(wù)。并且本 發(fā)明 請(qǐng)求 保護(hù)一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法，確定多個(gè)子區(qū)域中的各個(gè)子區(qū)域的 時(shí)空 相關(guān)性，基于各個(gè)子區(qū)域的時(shí)空相關(guān)性來(lái) 構(gòu)建時(shí) 空神經(jīng)網(wǎng)絡(luò)，將優(yōu)化后的權(quán)值賦給Huffman網(wǎng)絡(luò)，用以建模并預(yù)測(cè)，以經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)的預(yù)測(cè)值為輸出，建立經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi) 預(yù)測(cè)模型 ，對(duì)經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)進(jìn)行準(zhǔn)確合理的估算。本發(fā)明模型預(yù)測(cè)經(jīng)濟(jì)行為，再建立分類模型預(yù)測(cè)經(jīng)濟(jì)狀況，在深度預(yù)測(cè)中，對(duì)經(jīng)濟(jì)狀況標(biāo)注數(shù)據(jù)需求少，減少標(biāo)注工作，提高預(yù)測(cè)效率。本發(fā)明的模型可以利用原始數(shù)據(jù)，減少特征工程的工作量。本發(fā)明 算法 很好克服傳統(tǒng)方法的 缺陷 ，能夠全面、準(zhǔn)確描述經(jīng)濟(jì)時(shí)間序列變化規(guī)律，提高了經(jīng)濟(jì)預(yù)測(cè) 精度 。，下面是一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法專利的具體信息內(nèi)容。
1.一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法，其特征在于，包括：
步驟一：確定多個(gè)子區(qū)域中的各個(gè)子區(qū)域的時(shí)空相關(guān)性，基于各個(gè)子區(qū)域的時(shí)空相關(guān)性來(lái)構(gòu)建時(shí)空神經(jīng)網(wǎng)絡(luò)；
步驟二：基于灰色關(guān)聯(lián)分析的人工神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)預(yù)測(cè)，采用某種編碼方案對(duì)權(quán)值進(jìn)行編碼，對(duì)時(shí)空序列數(shù)據(jù)集進(jìn)行聚類，隨機(jī)產(chǎn)生一組分布，它就對(duì)應(yīng)著一組神經(jīng)網(wǎng)絡(luò)的連接權(quán)，采用灰色關(guān)聯(lián)分析從因子庫(kù)中提取經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)的主要影響因素，作為人工神經(jīng)網(wǎng)絡(luò)的輸入變量，輸入訓(xùn)練樣本，計(jì)算它的誤差函數(shù)值，以誤差平方和倒數(shù)作為適應(yīng)度，若誤差越小，適應(yīng)度越大，反之適應(yīng)度大，以此來(lái)評(píng)價(jià)連接權(quán)的優(yōu)劣；
步驟三：選擇適應(yīng)度大的個(gè)體，將時(shí)空序列數(shù)據(jù)集在空間區(qū)域上劃分成多個(gè)子區(qū)域，直接遺傳給下一代，再利用交叉，變異等操作對(duì)當(dāng)前群體進(jìn)化，產(chǎn)生下一代群體，依據(jù)灰色關(guān)聯(lián)度篩選出與經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)同步變動(dòng)程度最高的影響因素，作為人工神經(jīng)網(wǎng)絡(luò)的輸入，初始確定的一組權(quán)值得到不斷進(jìn)化，直到訓(xùn)練目標(biāo)滿足條件為止；
步驟四：人工神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)預(yù)測(cè)模型的選用初始化Huffman網(wǎng)絡(luò)的權(quán)值為區(qū)間[0，1]之間的隨機(jī)數(shù)，GA對(duì)其進(jìn)行編碼；隨機(jī)產(chǎn)生初始種群，種群大小為N，編碼ANN所有權(quán)值和閾值，確定編碼類型，長(zhǎng)度，種群規(guī)模，交叉率，變異率及終止條件，評(píng)價(jià)種群，如果滿足停止標(biāo)準(zhǔn)，就解碼，生成ANN所有權(quán)值和閾值，利用BP算法訓(xùn)練網(wǎng)絡(luò)，生成最優(yōu)權(quán)值和閾值；
步驟五：對(duì)種群中的每個(gè)個(gè)體進(jìn)行解碼，每個(gè)個(gè)體代表一個(gè)Huffman網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)影響因素的灰色關(guān)聯(lián)度分析，解碼得到的N組權(quán)值對(duì)應(yīng)N個(gè)相同結(jié)構(gòu)的網(wǎng)絡(luò)；確定網(wǎng)絡(luò)的訓(xùn)練樣本和測(cè)試樣本；由LM算法計(jì)算輸入樣本集對(duì)應(yīng)的網(wǎng)絡(luò)輸出，確定適應(yīng)度函數(shù)，選定為網(wǎng)絡(luò)的誤差性能函數(shù)的倒數(shù)；
步驟六：計(jì)算每個(gè)染色體的適應(yīng)度，誤差值越大，對(duì)應(yīng)的適應(yīng)度就越??；選擇適應(yīng)度大的個(gè)體作為新的父代，淘汰適應(yīng)度小的個(gè)體；對(duì)新的父代進(jìn)行交叉、變異操作；在灰色關(guān)聯(lián)分析的基礎(chǔ)上，利用人工神經(jīng)網(wǎng)絡(luò)具有無(wú)限逼近非線性連續(xù)函數(shù)關(guān)系的性質(zhì)，將其作為經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)的預(yù)測(cè)模型，對(duì)新種群進(jìn)行新一輪的迭代，直到訓(xùn)練目標(biāo)滿足終止條件為止，從而得到一組優(yōu)化權(quán)值，將優(yōu)化后的權(quán)值賦給Huffman網(wǎng)絡(luò)，用以建模并預(yù)測(cè)，以經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)的預(yù)測(cè)值為輸出，建立經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)預(yù)測(cè)模型，對(duì)經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)進(jìn)行準(zhǔn)確合理的估算。
2.如權(quán)利要求1的一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法，其特征在于：
步驟一：確定多個(gè)子區(qū)域中的各個(gè)子區(qū)域的時(shí)空相關(guān)性，基于各個(gè)子區(qū)域的時(shí)空相關(guān)性來(lái)構(gòu)建時(shí)空神經(jīng)網(wǎng)絡(luò)，具體包括：
基于標(biāo)準(zhǔn)幾何分布的排序選擇，將訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，將系統(tǒng)初始化，設(shè)置好螞蟻個(gè)數(shù)、迭代次數(shù)，采用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)連接權(quán)值w及閾值θ進(jìn)行優(yōu)化，設(shè)置螞蟻的起始點(diǎn)，構(gòu)造螞蟻回到起始點(diǎn)的路徑，即解，更新更新表；
判斷螞蟻是否全部找到食物，若是，重新構(gòu)造信息素，若不是構(gòu)造螞蟻回到起始點(diǎn)的路徑，即解，從新更新更新表，建立最優(yōu)的經(jīng)濟(jì)時(shí)間序列最優(yōu)的非線性預(yù)測(cè)模型；
采用建立的最優(yōu)非線性的經(jīng)濟(jì)預(yù)測(cè)模型對(duì)經(jīng)濟(jì)時(shí)間序列測(cè)試樣本進(jìn)行預(yù)測(cè)，檢驗(yàn)?zāi)Ｐ陀行?，最后?duì)將來(lái)時(shí)刻經(jīng)濟(jì)發(fā)展水平進(jìn)行預(yù)測(cè)。
3.如權(quán)利要求1的一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法，其特征在于：
步驟二：基于灰色關(guān)聯(lián)分析的人工神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)預(yù)測(cè)，采用某種編碼方案對(duì)權(quán)值進(jìn)行編碼，對(duì)時(shí)空序列數(shù)據(jù)集進(jìn)行聚類，隨機(jī)產(chǎn)生一組分布，它就對(duì)應(yīng)著一組神經(jīng)網(wǎng)絡(luò)的連接權(quán)，采用灰色關(guān)聯(lián)分析從因子庫(kù)中提取經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)的主要影響因素，作為人工神經(jīng)網(wǎng)絡(luò)的輸入變量，輸入訓(xùn)練樣本，計(jì)算它的誤差函數(shù)值，以誤差平方和倒數(shù)作為適應(yīng)度，若誤差越小，適應(yīng)度越大，反之適應(yīng)度大，以此來(lái)評(píng)價(jià)連接權(quán)的優(yōu)劣，具體包括：
確定多個(gè)子區(qū)域中的各個(gè)子區(qū)域的時(shí)空相關(guān)性，以各個(gè)個(gè)體所分配到的概率值作為其能夠被遺傳到下一代的概率，基于這些概率值用比例選擇的方法來(lái)產(chǎn)生下一代群體，確定經(jīng)濟(jì)時(shí)間數(shù)據(jù)序列的延遲時(shí)間τ和嵌入維數(shù)m，并根據(jù)τ、m對(duì)經(jīng)濟(jì)時(shí)間序列樣本進(jìn)行重構(gòu)；
計(jì)算該子區(qū)域內(nèi)的時(shí)空序列數(shù)據(jù)的自相關(guān)系數(shù)；接著基于計(jì)算的自相關(guān)系數(shù)，確定該子區(qū)域內(nèi)的時(shí)空序列數(shù)據(jù)的偏相關(guān)系數(shù)；然后根據(jù)偏相關(guān)系數(shù)，確定表征該子區(qū)域內(nèi)的時(shí)空序列數(shù)據(jù)的時(shí)空相關(guān)性的時(shí)空延遲值；
對(duì)預(yù)處理數(shù)據(jù)進(jìn)行相空間重構(gòu)，選擇編碼策略，將重構(gòu)后的經(jīng)濟(jì)時(shí)間序列數(shù)據(jù)劃分成訓(xùn)練樣本和測(cè)試樣本兩部分，訓(xùn)練樣本用于建立經(jīng)濟(jì)預(yù)測(cè)模型，對(duì)群體中的所有個(gè)體按其適應(yīng)度大小進(jìn)行降序排序，測(cè)試樣本對(duì)建立的經(jīng)濟(jì)預(yù)測(cè)模型進(jìn)行測(cè)試，將解空間中的解數(shù)據(jù)表示成遺傳空間的基因型串結(jié)構(gòu)數(shù)據(jù)，這些串結(jié)構(gòu)數(shù)據(jù)的不同組合便構(gòu)成了不同的編碼；
定義適應(yīng)值函數(shù)f(x)，確定遺傳策略，將混沌經(jīng)濟(jì)時(shí)間序列恢復(fù)成為有規(guī)律的經(jīng)濟(jì)時(shí)間序列數(shù)據(jù)各個(gè)子區(qū)域的時(shí)空相關(guān)性可以通過(guò)以下操作來(lái)計(jì)算，根據(jù)具體求解問(wèn)題，設(shè)計(jì)一個(gè)概率分配表，將各個(gè)概率值按上述排列此行分配給各個(gè)個(gè)體，包括選擇群體大小n，選擇、交叉、變異方法，以及確定交叉概率、變異概率等遺傳參數(shù)；
隨機(jī)初始化生成群體P，計(jì)算群體中個(gè)體位串解碼后的適應(yīng)值f(x)，按照遺傳策略，運(yùn)用選擇、交叉和變異算子作用于群體，形成下一代群體。
4.如權(quán)利要求1的一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法，其特征在于：
步驟三：選擇適應(yīng)度大的個(gè)體，將時(shí)空序列數(shù)據(jù)集在空間區(qū)域上劃分成多個(gè)子區(qū)域，直接遺傳給下一代，再利用交叉，變異等操作對(duì)當(dāng)前群體進(jìn)化，產(chǎn)生下一代群體，依據(jù)灰色關(guān)聯(lián)度篩選出與經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)同步變動(dòng)程度最高的影響因素，作為人工神經(jīng)網(wǎng)絡(luò)的輸入，初始確定的一組權(quán)值得到不斷進(jìn)化，直到訓(xùn)練目標(biāo)滿足條件為止，具體包括：
根據(jù)選擇的數(shù)據(jù)構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，確定輸入量、隱層、輸出量的節(jié)點(diǎn)數(shù)量，并確定激活函數(shù)和高斯函數(shù)；
隨機(jī)生成一個(gè)螞蟻樣本數(shù)據(jù)的集合；
根據(jù)所預(yù)期的精度，算出每個(gè)螞蟻的適值；
隨著時(shí)間t的增加，并利用混沌蟻群算法的公式，通過(guò)混沌搜索得出最優(yōu)值；
通過(guò)多次試驗(yàn)，得出訓(xùn)練后的樣本，并觀察訓(xùn)練曲線。
5.如權(quán)利要求1的一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法，其特征在于：
步驟四：步驟四：人工神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)預(yù)測(cè)模型的選用初始化Huffman網(wǎng)絡(luò)的權(quán)值為區(qū)間[0，1]之間的隨機(jī)數(shù)，GA對(duì)其進(jìn)行編碼；隨機(jī)產(chǎn)生初始種群，種群大小為N，編碼ANN所有權(quán)值和閾值，確定編碼類型，長(zhǎng)度，種群規(guī)模，交叉率，變異率及終止條件，評(píng)價(jià)種群，如果滿足停止標(biāo)準(zhǔn)，就解碼，生成ANN所有權(quán)值和閾值，利用BP算法訓(xùn)練網(wǎng)絡(luò)，生成最優(yōu)權(quán)值和閾值，具體包括：
將已獲樣本量為n的數(shù)據(jù)集W平均地、隨機(jī)地分為K份，而且n1∪n2∪...nk-1∪nk＝W，然后隨機(jī)選擇ni(i＝1，2，...k)作為訓(xùn)練集，其余(K-1)份作為
測(cè)試集；
如此輪流、循環(huán)將得到K個(gè)誤差結(jié)果，將這K個(gè)誤差結(jié)果做一個(gè)平均即可作為最后的評(píng)定依據(jù)，還可以多次使用K折交叉驗(yàn)證，以最終的平均正確率來(lái)衡量模型的精確度，進(jìn)而評(píng)價(jià)模型的優(yōu)劣。
6.如權(quán)利要求1的一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法，其特征在于：
步驟五：對(duì)種群中的每個(gè)個(gè)體進(jìn)行解碼，每個(gè)個(gè)體代表一個(gè)Huffman網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)濟(jì)運(yùn)行維護(hù)費(fèi)影響因素的灰色關(guān)聯(lián)度分析，解碼得到的N組權(quán)值對(duì)應(yīng)N個(gè)相同結(jié)構(gòu)的網(wǎng)絡(luò)；確定網(wǎng)絡(luò)的訓(xùn)練樣本和測(cè)試樣本；由LM算法計(jì)算輸入樣本集對(duì)應(yīng)的網(wǎng)絡(luò)輸出，確定適應(yīng)度函數(shù)，選定為網(wǎng)絡(luò)的誤差性能函數(shù)的倒數(shù)，具體還包括：
計(jì)算原油經(jīng)濟(jì)預(yù)測(cè)裝置系統(tǒng)的相對(duì)增益矩陣，根據(jù)相對(duì)增益矩陣對(duì)原油經(jīng)濟(jì)預(yù)測(cè)裝置的控制回路進(jìn)行匹配；
將測(cè)試激勵(lì)信號(hào)加入到開環(huán)系統(tǒng)中，采集系統(tǒng)的輸出；
用的是MATLAB中的newrb()函數(shù)來(lái)構(gòu)造RBF神經(jīng)網(wǎng)絡(luò)模型，newrb()函數(shù)本身可自行改變神經(jīng)網(wǎng)絡(luò)中隱層的節(jié)點(diǎn)個(gè)數(shù)，至均方誤差(RMSE)達(dá)到系統(tǒng)所要求的精度值上為止，并利用simulink軟件為所預(yù)測(cè)模型編譯運(yùn)行函數(shù)；
根據(jù)輸入輸出的數(shù)據(jù)，通過(guò)支持向量回歸算法對(duì)原油經(jīng)濟(jì)預(yù)測(cè)裝置進(jìn)行建模；
將得到的模型作為經(jīng)濟(jì)模型預(yù)測(cè)控制方法中的預(yù)測(cè)模型；
函數(shù)形式如下：
net＝newrb(P，T，goal，spread，MN，DF)
式中，spread表示的是散布常數(shù)，其值會(huì)對(duì)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率有直接的影響，sperad值較大時(shí)，RBF神經(jīng)網(wǎng)絡(luò)會(huì)更趨近于預(yù)測(cè)曲線，系統(tǒng)的平滑性更勝一籌，反之，系統(tǒng)的誤差會(huì)較大；goal表示的是系統(tǒng)均方誤差，MN指的是神經(jīng)元數(shù)量最大值；DF表示兩次試驗(yàn)中神經(jīng)元個(gè)數(shù)的改變量；
根據(jù)生產(chǎn)要求給出模型預(yù)測(cè)控制器追蹤的設(shè)定值，并且根據(jù)能源價(jià)格和產(chǎn)品價(jià)格給出經(jīng)濟(jì)指標(biāo)，綜合以上兩者給出模型預(yù)測(cè)控制器的目標(biāo)函數(shù)；
將模型預(yù)測(cè)控制器應(yīng)用于裝置的控制中，采用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)控制時(shí)，模型輸出與神經(jīng)網(wǎng)絡(luò)輸出之間的預(yù)測(cè)誤差，用來(lái)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練信號(hào)，根據(jù)實(shí)際要求對(duì)裝置的各個(gè)控制變量進(jìn)行搜索求解，將最優(yōu)的控制序列應(yīng)用到裝置的各個(gè)控制變量中，實(shí)現(xiàn)在產(chǎn)品質(zhì)量合格的條件下使得經(jīng)濟(jì)效益最大化的目標(biāo)。
一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法
技術(shù)領(lǐng)域
背景技術(shù)
附圖說(shuō)明
具體實(shí)施方式
| 標(biāo)題 | 發(fā)布/更新時(shí)間 | 閱讀量 |
|---|---|---|
| 一種適應(yīng)新能源隨機(jī)波動(dòng)性的阻尼控制方法 | 2020-05-12 | 905 |
| 一種基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)方法 | 2020-05-13 | 662 |
| 模型參考自適應(yīng)算法自適應(yīng)率參數(shù)整定方法 | 2020-05-18 | 512 |
| 一種風(fēng)光氫綜合能源系統(tǒng)在線能量調(diào)控方法 | 2020-05-21 | 287 |
| 一種基于閉環(huán)控制技術(shù)的智能氣囊頭盔系統(tǒng) | 2020-05-08 | 501 |
| 基于智能制造的同步數(shù)據(jù)系統(tǒng)及其運(yùn)行步驟、創(chuàng)建方法 | 2020-05-17 | 105 |
| 一種基于系統(tǒng)辨識(shí)建立兩軸云臺(tái)控制系統(tǒng)的方法 | 2020-05-17 | 617 |
| 用于平衡側(cè)向力和抑制無(wú)人機(jī)側(cè)向反推力的方法 | 2020-05-22 | 485 |
| 航空器開環(huán)氣動(dòng)伺服彈性系統(tǒng)模型均衡降階的優(yōu)選方法 | 2020-05-12 | 483 |
| 一種基于力失衡驅(qū)動(dòng)的單維度懸浮運(yùn)動(dòng)方法與裝置 | 2020-05-11 | 618 |
高效檢索全球?qū)＠?/div>專利匯是專利免費(fèi)檢索,專利查詢,專利分析-國(guó)家發(fā)明專利查詢檢索分析平臺(tái)，是提供專利分析，專利查詢，專利檢索等數(shù)據(jù)服務(wù)功能的知識(shí)產(chǎn)權(quán)數(shù)據(jù)服務(wù)商。
我們的產(chǎn)品包含105個(gè)國(guó)家的1.26億組數(shù)據(jù)，免費(fèi)查、免費(fèi)專利分析。
分析報(bào)告專利匯分析報(bào)告產(chǎn)品可以對(duì)行業(yè)情報(bào)數(shù)據(jù)進(jìn)行梳理分析，涉及維度包括行業(yè)專利基本狀況分析、地域分析、技術(shù)分析、發(fā)明人分析、申請(qǐng)人分析、專利權(quán)人分析、失效分析、核心專利分析、法律分析、研發(fā)重點(diǎn)分析、企業(yè)專利處境分析、技術(shù)處境分析、專利壽命分析、企業(yè)定位分析、引證分析等超過(guò)60個(gè)分析角度，系統(tǒng)通過(guò)AI智能系統(tǒng)對(duì)圖表進(jìn)行解讀，只需1分鐘，一鍵生成行業(yè)專利分析報(bào)告。
開環(huán)系統(tǒng)熱門專利
