医药价格.docVIP

利用神经网络预测中国医药价格走势 组长：卢唐英 成员：王丹 王雯翠 陈朝静 指导老师：孙滢 2012/11/22 利用神经网络预测中国医药走势 摘要 一个国家医药与其医疗发展有极大的关系 ，人老年化需求量也推动了人们医药的需求。自古以来吃穿住行一直是人的最基本的需求，生老病死是大自然的规律，然而人们对死产生了抵制，无论大病小病都往医院跑。这就导致我国医药价格波动明显。对医药价格的预测也就成为众多人研究的课题。常用的医药价格预测方法有灰色模型、时间序列、BP 神经网络、回归方法等. 针对多因素影响下的目标值预测，人工神经网络显示出良好的非线性映射能力，泛化能力，容错能力。它非常适用于具有非线性，时变性和不确定性的多因素复杂系统的预测问题。本文将利用BP神经网络对中国医药价格的走势作出预测。 【关键词】BP神经网络，医药价格，非线性预测 1神经网络模型 1.1 神经网络概述 人工神经网络的基本原理人工神经网络或称作连接模型(Connectfonist-Model),是对人脑或自然神经网络(NaturalNeuralNet-work)若干基本特性的抽象和模拟。人工神经网络以大脑的生理研究成果为基础,其目的在于模拟大脑的某些机理与机制,实现某个方面的功能。参照生物神经元网络发展起来的人工神经网络现已有许多种类型,但它们中的神经元结构是基本相同的。人工神经网络(ANN)具有很强的自学习能力,可以以任意精度逼近非线性函数, 因此特别适合模拟现实中复杂的非线性问题. 在人工神经网络的应用中, 绝大部分的神经网络都是采用BP 神经网络及其改进模型. 它体现了人工神经网络中最精华的部分。典型的BP 神经网络(Back Propagation)包括3层: 输入层、隐含层和输出层. 各层之间实行全连接, 同层之间无连接. 它的学习规则是使用最速下降法, 通过反向传播来不断调整神经网络的权值和阈值, 使网络的误差平方和最小. 图1 图1中，x1,x2,x2...xn是BP神经网络的输入值，y1,y2,y3...yn是BP神经网络的预测值，固定权wij和可调权wjk为BP神经网络权值。从图可以看出，BP神经网络可以看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n，输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。 BP 神经网络预测前首先要训练网络，通过训练师网络具有联想记忆和预测能力。BP神经网络的训练过程包括以下几个步骤。BP 神经网络先要用历史数据进行网络训练，通过阀值的不断更新便使得网络具有记忆，从而进行预测。BP神经网络的训练步骤如下。 步骤1:网络初始化。根据输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值，初始化隐含层阈值a，输出层阈值b。 步骤2：隐含层输出计算。根据输入向量，输入层和隐含层见链接权值以及隐含层阈值，计算隐含层输出。 步骤3：输出层输出计算。根据隐含层输出，链接权值和阈值，计算BP神经网络预测输出 步骤4：误差计算。根据网络预测输出和期望输出，计算网络预测误差。 步骤5：权值更新。根据网络预测误差更新网络连接权值。 步骤6：阈值更新。根据网络预测误差更新网络节点阈值。 步骤7：判断算法迭代是否结束，若没有，返回步骤2 步骤具体算法如下： 步骤1:网络初始化。根据系统输入输出序列（x,y）去顶网络输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。 步骤2：隐含层输出计算。根据输入向量，输入层和隐含层见链接权值以及隐含层阈值a，计算隐含层输出h。 （1） 公式中，为隐含层节点数；为隐含层激励函数，该函数有多种形式，我们取： 步骤3：输出层输出计算。根据隐含层输出，链接权值和阈值，计算BP神经网络预测输出 （2） 步骤4：误差计算。根据网络预测输出和期望输出，计算网络预测误差。 （3） 步骤5：权值更新。根据网络预测误差更新网络连接权值，。 （4） 式中，为学习速率。 步骤6：阈值更新。根据网络预测误差更新网络节点阈值。