基于BP算法的预测实例分析开题报告

1. 研究目的与意义

BP（BackPropagation）算法是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。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网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidelayer)和输出层(outputlayer)。

本课题是对bp算法在处理简单经济问题上的实践，旨在锻炼本研究者对于新方法的理解和学习能力以及应用于实线的操作与动手能力。从而举一反三，对于其他的方法做到学以致用。 以及对于宏观经济指标的预测做到预测的误差小。

2. 研究内容和预期目标

本课题的主要研究内容是要实现正确的经济发展，需要对宏观经济指标作出相应的预测，从而能及时调整或者加大发展力度。这就需要以正确的方法（评价、预测方法）对某一区域宏观经济指标的预测，希望通过前几年的经济指标，预测现在这几年的经济指标，验证其正确性，然后再预测之后几年的经济指标，从而对经济发展形成促进作用。

预期目标是得出BP算法在宏观经济指标预测中表现出先进性，从而能更广的应用于各种宏观经济体之中，对于经济发展做出贡献。

3. 研究的方法与步骤

研究方法：

基于bp神经网络和gm(1,1)灰色模型,学习过程中由信号的正向传播与误差的逆向传播两个过程组成.正向传播时,模式作用于输入层,经隐层处理后,传入误差的逆向传播阶段,将输出误差按某种子形式,通过隐层向输入层逐层返回,并“分摊”给各层的所有单元,从而获得各层单元的参考误差或称误差信号,以作为修改各单元权值的依据.权值不断修改的过程,也就是网络学习过程.此过程一直进行到网络输出的误差准逐渐减少到可接受的程度或达到设定的学习次数为止.bp网络模型包括其输入输出模型,作用函数模型,误差计算模型和自学习模型.

应用步骤：

4. 参考文献

[1]施彦，韩力群，廉小亲.神经网络设计方法与实例分析.第1版.北京：北京邮电大学出版社，2009

[2]张铃，张钹.神经网络中bp算法的分析.模式识别与人工智能,1994(3):191-195

[3]李晓峰，刘光中.人工神经网络bp算法的改进及其应用.四川大学学报(工程科学版)，2000

5. 计划与进度安排

1、2022年2月22日-3月6日，提前研究课题方法有关实例，收集资料

2、2022年3月7日-3月13日，查阅文献，结合想法，完成开题报告。

3、2022年3月14日-4月17日，着手毕业论文写作。