[發(fā)明專利]基于BP神經(jīng)網(wǎng)絡的交易量預測模型的優(yōu)化方法及裝置

在審

• 申請?zhí)枺?/td>: 202110392765.4
• 申請日: 2021-04-13
• 公開（公告）號: CN113095569A
• 公開（公告）日: 2021-07-09
• 發(fā)明（設計）人: 黃藝媛;周武;楊柳清;殷俊
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04;G06N3/04;G06N3/08;G06N3/00
• 代理公司: 北京三友知識產(chǎn)權代理有限公司 11127
• 代理人: 任默聞;王濤

本發(fā)明提供基于BP神經(jīng)網(wǎng)絡的交易量預測模型的優(yōu)化方法及裝置，方法包括：基于蝙蝠算法對蝙蝠種群中的每只蝙蝠進行迭代；當任意一只蝙蝠的下一代響度大于第一隨機數(shù)時，接受該只蝙蝠的下一代候選解作為其下一代解；根據(jù)每只蝙蝠的下一代解確定蝙蝠種群的下一代最優(yōu)解；當達到所述蝙蝠種群的最優(yōu)解條件或最大迭代次數(shù)時，確定全局最優(yōu)解；根據(jù)全局最優(yōu)解獲得基于BP神經(jīng)網(wǎng)絡的交易量預測模型的最佳連接權重參數(shù)并優(yōu)化所述交易量預測模型。本發(fā)明所述的方法結合蝙蝠算法與BP神經(jīng)網(wǎng)絡，充分利用BP神經(jīng)網(wǎng)絡優(yōu)越逼近性能的同時利用創(chuàng)新的改進蝙蝠算法優(yōu)化模型的連接權重參數(shù)，改進了BP神經(jīng)網(wǎng)絡陷入局部最優(yōu)的缺點，優(yōu)化交易量預測模型的性能。

技術領域

本發(fā)明涉及人工神經(jīng)網(wǎng)絡技術領域，具體涉及一種基于BP神經(jīng)網(wǎng)絡的交易量預測模型的優(yōu)化方法及裝置。

背景技術

人工神經(jīng)網(wǎng)絡(ANN)是一種仿造人腦組織結構，大量的神經(jīng)元互相連接并模擬人腦的運行機制，通過數(shù)學建模獲得的一種高度抽象簡化的信息處理系統(tǒng)。基于模仿大腦組織網(wǎng)絡結構和功能的人工神經(jīng)網(wǎng)絡同樣具有復雜的網(wǎng)絡結構，具體體現(xiàn)在其網(wǎng)絡結構有單層和多層之分，每一層都包含若干神經(jīng)元。人工神經(jīng)網(wǎng)絡通過對已知數(shù)據(jù)的重復學習，逐漸調整自身的權重連接，進而提高模型的精準性。與傳統(tǒng)數(shù)據(jù)處理模型相比，它并不關注輸入輸出之間的聯(lián)系，因而在處理離散數(shù)據(jù)、隨機數(shù)據(jù)、非連續(xù)數(shù)據(jù)等方面優(yōu)勢明顯，更適合應用于高緯度、大規(guī)模、復雜結構、模糊數(shù)據(jù)的系統(tǒng)應用中。人工神經(jīng)網(wǎng)絡的因其出色的自學能力、優(yōu)秀的自適應性和趨近性能獲得了人們的關注，并被廣泛的應用于功率管理、控制等各個領域。

BP(back propagation)神經(jīng)網(wǎng)絡是1986年由Rumelhart和McClelland為首的科學家提出的概念，是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡的閉環(huán)結構，通過誤差的反向傳播訓練，可以獲得優(yōu)化的神經(jīng)網(wǎng)絡，也是應用最廣泛的神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡具有任意復雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力，解決了簡單感知器不能解決的異或(Exclusive OR，XOR)和一些其他問題。從結構上講，BP神經(jīng)網(wǎng)絡具有輸入層、隱藏層和輸出層；從本質上講，BP算法就是以網(wǎng)絡誤差平方為目標函數(shù)、采用梯度下降法來計算目標函數(shù)的最小值，不斷調整網(wǎng)絡的權重和閾值，直到無法進一步減小誤差為止。作為普遍使用的人工神經(jīng)網(wǎng)絡之一，BP神經(jīng)網(wǎng)絡仍然存在收斂速度較慢、容易陷入局部最優(yōu)值等缺點，因此在交易量預測模型的構建方面，其性能有待提高。圖1示出了三層BP神經(jīng)網(wǎng)絡的示意圖，它由輸入層、隱藏層和輸出層組成。其中，x₁、x₂……x_n是輸入層的輸入值，y₁……y_m是輸出層的輸出值，o_ik是隱藏層的輸入值。w_ij、w_jk是神經(jīng)網(wǎng)絡的連接權重參數(shù)。BP神經(jīng)網(wǎng)絡的輸入誤差是由輸出層到隱藏層的閾值和隱藏層到輸入層的權值以及偏置所決定的，閾值、權值以及偏置也稱為連接權重參數(shù)，通過調整權值和閾值等可以不斷縮小誤差進行模型優(yōu)化。

為滿足現(xiàn)代社會針對高維復雜的優(yōu)化問題的求解需求，許多生物啟發(fā)式算法被陸續(xù)提出。仿生算法基于群體動物的生物學特性，通過模擬群體動物與生俱來的優(yōu)越的生物特征行為獲得。仿生群智能算法具有的優(yōu)越的搜索能力引起了人們的廣泛關注，對優(yōu)化問題的研究也獲得了大幅度的推進。

蝙蝠算法是其中一種優(yōu)秀的群智能算法，受蝙蝠出色的回聲定位特性所啟發(fā)。研究員利用了蝙蝠在黑暗中發(fā)射高頻回聲精準定位探測獵物，躲避障礙物的生物特性，將蝙蝠位置建模為優(yōu)化問題的候選解，通過不斷更新速度和頻率調整蝙蝠位置，進而求得問題的最優(yōu)解。蝙蝠算法主要分為探測和尋優(yōu)兩大組成部分，前一部分盡可能擴大覆蓋搜索區(qū)域，探索更多的可行解；后一部分著重于對可行解的精準性進行調整。經(jīng)典蝙蝠算法具有的出色搜索能力和簡單建模等優(yōu)點，在工程優(yōu)化設計、模糊分析、股價預測等各種領域都有出色表現(xiàn)。但是，通過經(jīng)典蝙蝠算法來改善BP神經(jīng)網(wǎng)絡依然存在容易陷入局部最優(yōu)值缺點。

發(fā)明內(nèi)容