基于改进粒子群—小波神经网络的预测模型及其应用研究

粒子群优化(Particle Swarm Optimization, PSO)算法是一种群智能优化算法,它用无质量、无体积的粒子作为个体,并为每个粒子制定简单的行为规则,从而使整个粒子群表现出复杂的特性,用来求解复杂的优化问题。小波神经网络(Wavelet Neutral Network, WNN)是在小波变换基础上提出的一种前向神经网络,它同时具有小波变换的局部化性质和神经网络的自学习性质,有较强的非线性逼近能力,但它继承了神经网络的梯度下降学习算法,不可避免地存在收敛速度慢等缺陷。使用PSO算法优化WNN的各个参数,这样就从根本上避免了梯度下降法中要求激励函数可微、可导和对函数求导的过程计算；并且PSO算法迭代公式简单、速度更快、精度更高,且各参数的调整通过迭代可以很好的跳出局部最优值。 本文在阐述人工神经网络和粒子群算法基本原理及各自优缺点的基础上,提出了一种随机扰动粒子群小波神经网络预测模型,并将其应用于关系国计民生的房地产业和汽车工业领域的预测中。本文主要工作可简要概括为以下几个方面： (1)简要阐述了人工神经网络的发展现状,介绍了BP神经网络的学习过程和改进方法；介绍了WNN的学习过程,并详细推导了WNN网络误差及权重调整过程,在此基础上分析了其优缺点。 (2)根据目前粒子群算法理论的研究成果,针对其容易陷入到局部极值、局部搜索能力较弱等缺点,提出了一种随机扰动粒子群优化(Stochastic Disturbance Particle Swarm Optimization, SDPSO)算法,该方法在标准粒子群(Standard Particle Swarm Optimization, SPSO)算法的基础上引入随机扰动思想及吸引算子来改善标准粒子群算法的性能。 (3)利用经典测试函数分别对SPSO算法及SDPSO算法进行测试,由实验结果可知,SDPSO算法更易得到最优值,且当函数为高维时,优势更加明显。 (4)利用随机扰动粒子群算法优化小波神经网络,得到随机扰动粒子群-小波神经网络(SDPSO-WNN)预测模型,并给出其学习过程。 (5)分析了影响房地产市场和乘用车需求市场的几个因素,并将其分别作为SDPSO-WNN、WNN和BP预测模型的输入变量,在相同的实验条件下分别进行预测,结果显示,SDPSO-WNN收敛速度更快,预测精度也更高。