摘要：該文運用幾種常見數(shù)據(jù)歸一化方法分別對自回歸神經(jīng)網(wǎng)絡(luò)動態(tài)預(yù)測模型的預(yù)測性能進(jìn)行分析，結(jié)果說明不同數(shù)據(jù)歸一化處理對模型的性能影響非常明顯，運用最大運算法進(jìn)行歸一化處理要優(yōu)于其它幾種常見歸一化方法。

關(guān)鍵詞：回歸神經(jīng)網(wǎng)絡(luò)；時間序列；數(shù)據(jù)預(yù)測；歸一化方法

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2014）07-1508-03

在工業(yè)、氣象、金融、地理、醫(yī)藥、交通、環(huán)境等領(lǐng)域，都存在大量需要進(jìn)行分析與處理的數(shù)據(jù)信息，在對這些數(shù)據(jù)信息進(jìn)行挖掘分析的過程中，為了能提高分析效能與提高分析性能，在進(jìn)行數(shù)據(jù)分析初期階段需要對原始數(shù)據(jù)進(jìn)行預(yù)處理，將原始數(shù)據(jù)值通過某種算法轉(zhuǎn)化為所需分布范圍數(shù)據(jù)，即數(shù)據(jù)標(biāo)準(zhǔn)化處理。

利用神經(jīng)網(wǎng)絡(luò)模型來進(jìn)時間序列數(shù)據(jù)趨勢預(yù)測是一個已經(jīng)開展了很長時間研究的熱門話題，這方面也有了許多研究成果。Connor[1]等運用非線性自回歸平均移動預(yù)測模型來進(jìn)行時間序列問題魯棒預(yù)測，cheung[2]等運用神經(jīng)網(wǎng)絡(luò)模型對未來的金融數(shù)據(jù)進(jìn)行預(yù)測，Wang[3]等設(shè)計出一種基于回歸神經(jīng)網(wǎng)絡(luò)的多維并行預(yù)測模型，文獻(xiàn)[4] 采用基于自回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行多維動態(tài)預(yù)測。在運用神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行趨勢預(yù)測時，需要對時間序列數(shù)據(jù)進(jìn)行缺失值及數(shù)據(jù)標(biāo)準(zhǔn)化處理，下文運用多維動態(tài)預(yù)測模型對幾種常見的數(shù)據(jù)歸一化方法進(jìn)行分析。

1 回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型

圖一為基于回歸神經(jīng)網(wǎng)絡(luò)的多維動態(tài)預(yù)測模型[5]。網(wǎng)絡(luò)模型分為輸入層、分配層、隱層與輸出層四層；隱層為具有延遲一步功能的反饋單元，作用函數(shù)為Sigmoid函數(shù)，輸出層作用函數(shù)為線性累加函數(shù)。

2 數(shù)據(jù)歸一化方法

數(shù)據(jù)歸一化方法很多，用的較多的有線性歸一化與非線性歸一化兩種方法。線性歸一化方法主要運用極值或則均值通過線性運算公式對原始數(shù)據(jù)進(jìn)行運算，將數(shù)據(jù)轉(zhuǎn)換為[-1，1]區(qū)間內(nèi)的數(shù)值；非線性歸一化方法主要運用一些非線性行數(shù)對原始數(shù)據(jù)進(jìn)行運算，將數(shù)據(jù)轉(zhuǎn)換為一定分布范圍數(shù)據(jù)。

從實驗結(jié)果來看，初始數(shù)據(jù)的歸一化處理方法對自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測性能有明顯的影響，線性歸一化方法中最大值運算法要優(yōu)于最大最小值法；非線性歸一化方法中，對數(shù)運算法優(yōu)于反正切運算法，總體來看，運用最大值運算法對初始數(shù)據(jù)進(jìn)行歸一化標(biāo)準(zhǔn)化處理適合于自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

4 結(jié)論

通過運用基于自回歸神經(jīng)網(wǎng)絡(luò)的動態(tài)預(yù)測模型來分析幾種常見數(shù)據(jù)歸一化方法對模型預(yù)測性能的影響，結(jié)果表明，數(shù)據(jù)歸一化方法的選擇會對自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型性能有明顯影響；對于自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型，運用最大值運算法來進(jìn)行數(shù)據(jù)歸一化處理要優(yōu)于其它幾種常見方法。

參考文獻(xiàn)：

[1] Connor J T，Martin R. D，Atlas L E.Recurrent neural networks and robust time series prediction[J].In IEEE Trans. on neural networks，1994（5）：240–254.

[2] Cheung Y M，Leung W M，Xu L.A RPCL-CLP architeeture for finaneial time series forecasting[C].Proceedings of IEEE International Conference on Neural Network，1995，2：829-832.

[3] Tianzhen Wang，Tianhao Tang.A Mult-dimension Predictor based on PDRNN[C].ICARCV 2004， 2004：1359-1364.

[4] 滕明鑫.基于神經(jīng)網(wǎng)絡(luò)的動態(tài)數(shù)據(jù)挖掘研究[D].重慶大學(xué)碩士學(xué)位論文，2008.