摘要：投資的增長速度是與經(jīng)濟增長水平密切相關，沒有經(jīng)濟的增長，投資的增長就失去了基礎；失去了投資增長的支持，經(jīng)濟的增長也無法很好地實現(xiàn)。文章在研究了BP神經(jīng)網(wǎng)絡基本的預測原理的基礎上，根據(jù)1979年-2006年的固定資產(chǎn)投資額對未來幾年我國的固定資產(chǎn)投資狀況進行了預測研究。

關鍵詞：人工神經(jīng)網(wǎng)絡；固定資產(chǎn)投資；預測

本文通過建立一維時間序列我國固定資產(chǎn)投資額的BP神經(jīng)網(wǎng)絡模型。借助Matlab7.0軟件進行預測。

一、基于BP神經(jīng)網(wǎng)絡的時間序列預測模型的構(gòu)成

所謂時間序列，就是各種各樣的社會、經(jīng)濟、自然現(xiàn)象的數(shù)量指標依時間次序排列起來的統(tǒng)計數(shù)據(jù)。時間序列預測是根據(jù)一個歷史觀測值的序列找出符合系統(tǒng)變化的函數(shù)根據(jù)這個函數(shù)將歷史觀測值作為輸入預測出未來的值。然而由于受到多種因素的影響，系統(tǒng)的發(fā)展變化是高度非線性的，很難直接找到描述系統(tǒng)發(fā)展變化規(guī)律的函數(shù)。神經(jīng)網(wǎng)絡為尋找這種規(guī)律提供了有效的方法，它具有高度的自學習能力，可以以任意精度逼近非線性函數(shù)。因此非常適合模擬復雜的非線性系統(tǒng)。

1 BP神經(jīng)網(wǎng)絡的設計。在時間序列預測中。多層前饋神經(jīng)網(wǎng)絡(Multi Layer Feed-forward Network)，簡稱MLFN，是最常使用的神經(jīng)網(wǎng)絡。從數(shù)學角度看。MLFN網(wǎng)絡成為輸入輸出的非線性函數(shù)。如對某個時間序列為P1進行預測，可用P^t+k==f(P^t，p^-1?！璸^t-k+1)描述。時間序列預測即是用神經(jīng)網(wǎng)絡來擬合函數(shù)f(·)然后預測未來值。

當前應甩中較為廣泛和成熟的是“誤差逆向傳播算法”(Error Back Propagation Network)，簡稱BP神經(jīng)網(wǎng)絡?？梢杂盟鳛闀r間序列的預測模型。BP網(wǎng)絡通常由輸入層、一個或多個隱層和輸出層組成。隱層中的神經(jīng)元均采用sigmoid型變換函數(shù)。輸出層的神經(jīng)元采用純線性變換函數(shù)，網(wǎng)絡通常采用BP學習算法進行網(wǎng)絡的訓練。BP網(wǎng)絡的學習過程由2部分組成：正向傳播和逆向傳播。當正向傳播時。輸入樣本從輸入層經(jīng)隱層單元處理后傳向輸出層。如果在輸出層得不到樣本輸出。則轉(zhuǎn)入反向傳播。通過逆向傳播(BP)誤差信號(樣本輸出與網(wǎng)絡輸出之差)按原連接通路反向計算。由梯度下降法調(diào)整各層神經(jīng)元的連接權值和閾值，使誤差的平方和最小。神經(jīng)網(wǎng)絡理論已經(jīng)證明BP網(wǎng)絡具有強大的非線性映射能力和泛化功能。任一連續(xù)函數(shù)或映射均可采用二層網(wǎng)絡加以實現(xiàn)。采用一個隱層的BP神經(jīng)網(wǎng)絡建立時間序列預測模型，其網(wǎng)絡結(jié)構(gòu)如圖1所示。

2 BP算法的改進?；綛P算法采用最速下降法(梯度下降法)使得誤差趨向最小、直至達到誤差要求。在實際應用中，存在收斂速度慢，局部極值等缺陷，因此出現(xiàn)了許多改進算法，如動量法、學習率自適應調(diào)整策略。動量法能夠降低網(wǎng)絡對于誤差曲面局部細節(jié)的敏感性，有效抑制網(wǎng)絡陷于局部極?。簩W習率自適應調(diào)整策略利用Levcuberg-Marquardt數(shù)值優(yōu)化法來實現(xiàn)反傳算法，從而有利于縮短學習時間。

二、基于8P神經(jīng)網(wǎng)絡的時間序列預測模型的建立

1 樣本數(shù)據(jù)預處理。對我國的固定資產(chǎn)投資額進行預測，從《中國統(tǒng)計年鑒》中查到1979年—2006年的固定資產(chǎn)投資額作為樣本數(shù)據(jù)，見表1。

由于歷年固定資產(chǎn)投資額是一維時間序列，但BP神經(jīng)網(wǎng)絡要求用多組輸入來訓練網(wǎng)絡，而且輸入數(shù)據(jù)的范圍一般在[0，1]。因此對樣本數(shù)據(jù)P(t)根據(jù)下式進行預處理。

P^'(t)=P(t)/10ⁿ式中，n為所有統(tǒng)計數(shù)據(jù)中最大值的整數(shù)位數(shù)。這里n=5。

2 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)的確定。神經(jīng)網(wǎng)絡理論Kolm-ogorov定理已經(jīng)證明，經(jīng)充分學習的二層BP網(wǎng)絡可以逼近任何函數(shù)。因此選擇二層BP網(wǎng)絡(如圖1所示)。時間序列數(shù)據(jù)輸入層節(jié)點數(shù)是人為確定的，輸入層節(jié)點數(shù)過多，造成網(wǎng)絡學習次數(shù)較大；輸入層節(jié)點數(shù)過少，不能反映后續(xù)值與前驅(qū)值的相關關系。經(jīng)反復試驗最終確定為4個。且輸出層節(jié)點數(shù)為1。隱層節(jié)點數(shù)的選擇在所有BP網(wǎng)絡中目前還沒有理論上公認的推導方法。大多通過反復學習，在相同總體誤差情況下，選擇收斂最快的。采用一種經(jīng)驗算法“0.618法”來確定隱層節(jié)點數(shù)，表達式為：

(n+0.618(n-t)

m=t-0.618(t-n)

式中，m為隱層節(jié)點數(shù)；n為輸入層節(jié)點數(shù)；t為輸出層節(jié)點數(shù)。經(jīng)計算并綜合考慮隱層的功能，將隱層節(jié)點數(shù)確定為6。

3 樣本的劃分。對經(jīng)過預處理的數(shù)據(jù)序列p'(t)根據(jù)確定的網(wǎng)絡結(jié)構(gòu)劃分訓練樣本和檢驗樣本。具體如下：輸入樣本集P=[p'(t-4)，p'(t-3)，p'(t-2)，p'(t一1)]，輸出樣本集t=[p'(t)]，其中t=2006，2004，…，1979。

同時選擇1979年-2002年的數(shù)據(jù)作為學習樣本集，2003年-2006年的數(shù)據(jù)作為檢驗樣本集。由學習樣本集對網(wǎng)絡進行訓練。且利用完成訓練的神經(jīng)網(wǎng)絡進行模擬。

4 BP網(wǎng)絡學習算法的確定?；镜腂P算法存在一定的局限。根據(jù)文章的需要和不同改進算法的要求，以及Matlab7，0軟件中神經(jīng)網(wǎng)絡工具箱提供的數(shù)10種學習算法，采用Levenberg-Mamuardt數(shù)值優(yōu)化法來實現(xiàn)反傳算法，這是學習速度最快的Trainlm算法。

5 模擬實現(xiàn)。

(1)BP網(wǎng)絡的模擬。借助Matlab7.0對學習樣本和表2所列的檢驗樣本在對網(wǎng)絡進行訓練和檢驗后，經(jīng)過4步訓練，網(wǎng)絡的均方誤差達到7.68x10⁴。

(2)固定資產(chǎn)投資額預測的實現(xiàn)。網(wǎng)絡訓練好后，以[p'(2002)、p'(2003)、p'(2004)、p'(2005)]、[p'(2003)、p'(2004)、p'(2005)、p'(2006)]、[p'(2004)、p'(2005)、p'(2006)、p'(2007)]、[p'(2005)、p'(2006)、p'(2007)、p'(2008)和[p'(2006)、p'(2007)、p'(2008)、p'(2009)]為預測樣本，預測p'(2006)、p'(2007)、p'(2008)、p'(2009)和p'(2010)，得到結(jié)果為1.034 2、1.160 5、1.268 4、1.388 6、1.5341。將結(jié)果還原為103 420、116 050、126 840、138 860和153 410，即經(jīng)BP神經(jīng)網(wǎng)絡預測我國2006年、2007年、2008年、2009年和2010年的固定資產(chǎn)投資額分別為103 420、116 050、126 840、138 860和153 410億元。

三、結(jié)論

基于BP神經(jīng)網(wǎng)絡的我國固定資產(chǎn)投資額的預測的關鍵在于設計合理的網(wǎng)絡結(jié)構(gòu)，此外需要使用有效的學習修正算法及選擇合適的傳遞函數(shù)。并對原始數(shù)據(jù)根據(jù)一定標準做適當?shù)念A處理。

根據(jù)預測結(jié)果我們可以看出，我國在從2006年-2010年期間年均固定資產(chǎn)投資額增長率將達到11.56％。說明近幾年來我國的經(jīng)濟增長還主要是靠投資拉動的粗放型的經(jīng)濟增長方式。較高的固定資產(chǎn)投資增長率雖然在一定程度上為我國經(jīng)濟的持續(xù)、快速、健康發(fā)展提供了條件。但同時國家應加強對固定資產(chǎn)投資的宏觀調(diào)控、避免低水平的重復性建設。制定合理的投資政策。國家確定固定資產(chǎn)投資的重點。合理協(xié)調(diào)產(chǎn)業(yè)投資結(jié)構(gòu)。在固定資產(chǎn)的產(chǎn)業(yè)投資方面。應逐步加大對第一產(chǎn)業(yè)特別是農(nóng)業(yè)的投入，改善與農(nóng)民生活、農(nóng)業(yè)生產(chǎn)和農(nóng)村發(fā)展相關的基礎設施狀況。改善農(nóng)村投資環(huán)境，提高農(nóng)民收入。我國目前的經(jīng)濟增長還主要是依靠第二產(chǎn)業(yè)的發(fā)展，因此固定資產(chǎn)在投向第二產(chǎn)業(yè)時，要強化投資約束機制。改善固定資產(chǎn)投資質(zhì)量，提高固定資產(chǎn)投資效益。發(fā)達國家經(jīng)濟高速發(fā)展的實踐表明：產(chǎn)業(yè)健康發(fā)展要求三次產(chǎn)業(yè)互動共融。而產(chǎn)業(yè)互動共融的一個重要特點就是以服務業(yè)為中心，將分工價值鏈的各個環(huán)節(jié)串聯(lián)，形成完整的產(chǎn)業(yè)鏈條，另外從產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級的角度考慮，也需要增加第三產(chǎn)業(yè)的固定資產(chǎn)投資。促進第三產(chǎn)業(yè)在國民經(jīng)濟中的比重的不斷提高。