◇周金城 李 毅

RBF神經(jīng)網(wǎng)絡(luò)是以生理學(xué)為基礎(chǔ)演變出來的一種功能網(wǎng)絡(luò)，其不僅結(jié)構(gòu)簡(jiǎn)單，而且性能優(yōu)良、學(xué)習(xí)速度較快，適用于任意連續(xù)函數(shù)，這些特點(diǎn)使其在農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)中得到了廣泛應(yīng)用。孫素芬等人通過RBF神經(jīng)網(wǎng)絡(luò)來對(duì)農(nóng)產(chǎn)品市場(chǎng)中的香菇價(jià)格數(shù)據(jù)進(jìn)行了預(yù)測(cè)。羅長(zhǎng)壽等人利用RBF神經(jīng)網(wǎng)絡(luò)針對(duì)北京農(nóng)產(chǎn)品市場(chǎng)中的蔬菜批發(fā)價(jià)格構(gòu)建了RBF神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型。通過以上研究，我們發(fā)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)模型在我國農(nóng)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)預(yù)警機(jī)制中有著極大的應(yīng)用價(jià)值與發(fā)展空間。

一、RBF神經(jīng)網(wǎng)絡(luò)模型的風(fēng)險(xiǎn)預(yù)警分析

目前，大多數(shù)系統(tǒng)都是以持續(xù)漸進(jìn)的方式發(fā)展出來的，這也使研究對(duì)象的數(shù)值難以發(fā)生大幅降低或增長(zhǎng)。因此，在模型輸入中不僅要對(duì)影響因素進(jìn)行考慮，同時(shí)還要對(duì)研究對(duì)象所具備的歷史信息進(jìn)行考慮，并將研究對(duì)象所具有的時(shí)間序列當(dāng)作RBF模型的輸入項(xiàng)。在RBF神經(jīng)網(wǎng)絡(luò)模型的輸入項(xiàng)中主要由兩個(gè)部分組成，分別是研究對(duì)象的影響因素及歷史時(shí)間序列，由此可以對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行表示，即t=g（Zt-1，Zt-2，……Zt-m，Xt）+et，在該公式中，RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)期輸出變量由進(jìn)行表示，在時(shí)刻中觀測(cè)到的噪聲由et進(jìn)行表示，待估函數(shù)則為g（Zt-1，Zt-2，……Zt-m，Xt），然后利用RBF神經(jīng)網(wǎng)絡(luò)來逼近。在RBF神經(jīng)網(wǎng)絡(luò)模型中的輸入項(xiàng)分別是（Zt-1，i=1，2，3…，m）與 Xt=（xt1，xt2，xt3，…，xtn），在第一個(gè)輸入項(xiàng)中代表農(nóng)產(chǎn)品價(jià)格歷史數(shù)據(jù)，延遲階數(shù)是m，第二個(gè)輸入項(xiàng)代表影響農(nóng)產(chǎn)品價(jià)值的相關(guān)因素，影響因素所具備的維度由n表示，則該模型的初始輸入層中的節(jié)點(diǎn)數(shù)則為m+n?；瘮?shù)由φ（r）=exp（-‖X-D‖2/（2δ2）），基函數(shù)中心由D表示，擴(kuò)展常數(shù)是δ，模型中隱含層節(jié)點(diǎn)為q個(gè)，輸出層節(jié)點(diǎn)為l個(gè)，隱含層和輸出層之間的連接權(quán)值則為l：w。要想將RBF神經(jīng)網(wǎng)絡(luò)模型能夠用于農(nóng)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)預(yù)測(cè)，還需要對(duì)其結(jié)構(gòu)與參數(shù)進(jìn)行確定，結(jié)構(gòu)為m，n，q，參數(shù)為D，δ，w，由于難以利用定量法來對(duì)研究對(duì)象和延遲階數(shù)間的關(guān)系進(jìn)行確定，因此需要采用經(jīng)驗(yàn)法則。對(duì)隱含層中節(jié)點(diǎn)數(shù)量的確定是極為繁瑣的，如果節(jié)點(diǎn)數(shù)量較少，會(huì)使模型的風(fēng)險(xiǎn)預(yù)測(cè)精度降低，而較多則又會(huì)使模型變得更加復(fù)雜，計(jì)算時(shí)間也就越長(zhǎng)，進(jìn)而影響模型的泛化能力。一般來說，對(duì)隱含層中節(jié)點(diǎn)數(shù)量的確定的常用方法包括聚類法、經(jīng)驗(yàn)公式法等，而本文則是利用經(jīng)驗(yàn)公式法來進(jìn)行確定，并借助于遺傳算法來確定與優(yōu)化n，D，δ，w等參數(shù)。

二、RBF神經(jīng)網(wǎng)絡(luò)模型中遺傳算法的優(yōu)化與改進(jìn)

（一）編碼

由于模型中的參數(shù)數(shù)量較多，且參數(shù)之間的差異性比較大，因此在利用遺傳算法進(jìn)行優(yōu)化改進(jìn)時(shí)，編碼方式為混合編碼，模型輸入項(xiàng)中的影響因素為二進(jìn)制編碼，由0代表不屬于RBF神經(jīng)網(wǎng)絡(luò)輸入的影響因素，由1代表屬于RBF神經(jīng)網(wǎng)絡(luò)輸入的影響因素。由于RBF神經(jīng)網(wǎng)絡(luò)對(duì)連接權(quán)值、擴(kuò)展常數(shù)及隱含層有很高的精度要求，因此可以利用浮點(diǎn)編碼方式對(duì)其進(jìn)行編碼，以此縮短編碼串的長(zhǎng)度，降低解碼難度，提高模型運(yùn)算速度。

（二）確定適應(yīng)度函數(shù)

在確定適應(yīng)度函數(shù)中，RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練目標(biāo)是為了找出與真實(shí)值誤差最小的期望輸出參數(shù)，以此將該參數(shù)的均方差倒數(shù)進(jìn)行確定，并作為模型的適應(yīng)度函數(shù)，由此可以對(duì)第i個(gè)個(gè)體中的適應(yīng)度函數(shù)進(jìn)行表示，即在該公式中，風(fēng)險(xiǎn)預(yù)測(cè)對(duì)象的真實(shí)值為Zk，RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值為。

（三）選擇

在選擇操作中，主要分為兩個(gè)步驟，其一是利用隨機(jī)遍歷抽樣算法，該算法具備最小個(gè)體擴(kuò)展與零偏差的應(yīng)用特點(diǎn)；其二是利用精英策略，將上一代中的最佳個(gè)體進(jìn)行直接復(fù)制，使其轉(zhuǎn)移至下一代，進(jìn)而使RBF神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用程度收斂速度更快，運(yùn)行效率更高。

（四）交叉

由于模型中的遺傳算法在編碼方式上采用了混合編碼，因此在交叉中主要包括兩個(gè)部分，即浮點(diǎn)編碼部分與二進(jìn)制編碼部分，而交叉則是將這兩個(gè)部分進(jìn)行分開運(yùn)算。在進(jìn)行交叉前，需要將染色體按照上述兩個(gè)編碼部分進(jìn)行劃分，在二進(jìn)制編碼部分中利用單點(diǎn)交叉算子來實(shí)施操作，而在浮點(diǎn)編碼部分則利用算術(shù)交叉算子來實(shí)施操作。則其算子可表示為在該算子中，個(gè)體與實(shí)施線性交叉，由此可生成全新的個(gè)體，即與，在交叉完畢后將這兩部分染色體進(jìn)行拼接，使其成為一個(gè)交叉后的染色體。

（五）變異

遺傳算法的變異階段與交叉階段在操作流程上相同，都需要對(duì)二進(jìn)制編碼部分與浮點(diǎn)編碼部分進(jìn)行操作，由基本位變異算子對(duì)二進(jìn)制編碼部分進(jìn)行操作，由育種器變異算子對(duì)浮點(diǎn)編碼部分進(jìn)行操作。

三、基于RBF神經(jīng)網(wǎng)絡(luò)模型的我國農(nóng)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)預(yù)警機(jī)制研究

本文以大豆價(jià)格數(shù)據(jù)為例基于RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)我國農(nóng)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)預(yù)警機(jī)制進(jìn)行深入的研究，將我國大豆市場(chǎng)中的批發(fā)價(jià)格作為RBF神經(jīng)網(wǎng)絡(luò)模型的因變量，大豆價(jià)格的八個(gè)初始影響因素包括國民消費(fèi)指數(shù)、國內(nèi)大豆需求量、國內(nèi)大豆供給量、世界大豆總產(chǎn)量、國民消費(fèi)信息指數(shù)、大豆港分銷價(jià)格及我國貨幣的供應(yīng)量。該模型的輸入項(xiàng)包括上述八個(gè)影響大豆價(jià)格的相關(guān)因素及m階大豆價(jià)格的歷史數(shù)據(jù)，將下個(gè)月的我國大豆市場(chǎng)價(jià)格作為RBF神經(jīng)網(wǎng)絡(luò)模型的輸出項(xiàng)。

（一）數(shù)據(jù)的預(yù)處理

本文在對(duì)數(shù)據(jù)進(jìn)行預(yù)處理時(shí)利用極差歸一法，以此消除數(shù)據(jù)數(shù)量級(jí)與量綱間的差距，并避免模型在計(jì)算過程中發(fā)生溢出，進(jìn)而提高模型訓(xùn)練時(shí)的收斂速度。數(shù)據(jù)預(yù)處理公式可表示為，在該公式中第i個(gè)變量的最大值與最小值分別由max（yi）與min（yi）表示，經(jīng)預(yù)處理后得出的結(jié)果為 yi∈[0，1]。

（二）參數(shù)設(shè)置與輸出結(jié)果

在大豆價(jià)格歷史數(shù)據(jù)中，將2015年3月至2016年12月的大豆市場(chǎng)價(jià)格作為訓(xùn)練集，將2016年1月至12月的大豆市場(chǎng)價(jià)格作為測(cè)試集，然后對(duì)RBF模型中的相關(guān)參數(shù)進(jìn)行設(shè)置，設(shè)定m的延遲階數(shù)為3，變異率與交叉率分別是0.05與0.9，迭代次數(shù)與種群規(guī)模分別設(shè)置為100與50，將擴(kuò)展常數(shù)與函數(shù)中心的取值分別設(shè)定在（0，2]與（0，1]范圍內(nèi)，將模型輸出層和隱含層之間的連接權(quán)值范圍設(shè)定在[0，1]以內(nèi)，依據(jù)經(jīng)驗(yàn)公式確定法，對(duì)模型隱含層中的節(jié)點(diǎn)數(shù)量設(shè)定為15個(gè)，然后對(duì)大豆市場(chǎng)價(jià)格的風(fēng)險(xiǎn)情況進(jìn)行預(yù)測(cè)，通過對(duì)模型進(jìn)行訓(xùn)練可以得到不同迭代次數(shù)下的誤差變化曲線，由曲線可以發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡(luò)模型在進(jìn)行第35次迭代時(shí)便會(huì)縮減，其訓(xùn)練后得出的風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果與實(shí)際結(jié)果誤差值為0.0065，這說明RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練精度是比較高的。

（三）RBF神經(jīng)網(wǎng)絡(luò)模型的風(fēng)險(xiǎn)預(yù)測(cè)精度與穩(wěn)定性檢驗(yàn)

在利用RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)大豆市場(chǎng)價(jià)格風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)以后，應(yīng)通過相應(yīng)的指標(biāo)來檢驗(yàn)?zāi)Ｐ偷臄M合程度，以此測(cè)試RBF神經(jīng)網(wǎng)絡(luò)模型在農(nóng)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)中的預(yù)測(cè)精度。將消者費(fèi)信息指數(shù)、我國大豆進(jìn)口總量及大豆港分銷市場(chǎng)價(jià)格作為模型的輸入項(xiàng)，利用平均相對(duì)誤差MAPE來對(duì)模型的預(yù)測(cè)精度進(jìn)行衡量，該公式可表示為在該公式中，模型對(duì)大豆市場(chǎng)價(jià)格風(fēng)險(xiǎn)預(yù)測(cè)的值由進(jìn)行表示，大豆實(shí)際市場(chǎng)價(jià)格風(fēng)險(xiǎn)值由Yi進(jìn)行表示，如果得出的MAPE值越小，則表明RBF神經(jīng)網(wǎng)絡(luò)模型的風(fēng)險(xiǎn)預(yù)測(cè)精度就越高。檢驗(yàn)結(jié)果表明，RBF神經(jīng)網(wǎng)絡(luò)模型能夠?qū)Υ蠖箤?shí)際市場(chǎng)價(jià)格風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確的預(yù)測(cè)，MAPE值僅為3.64%，這證明了該模型具備較高的預(yù)測(cè)精度，能夠?qū)Υ蠖故袌?chǎng)價(jià)格在短期內(nèi)的變化規(guī)律進(jìn)行捕捉。

由于模型中采用的遺傳算法所獲得的輸出結(jié)果只是在最優(yōu)值附近徘徊，因此需要對(duì)模型的穩(wěn)定性進(jìn)行檢驗(yàn)，以此測(cè)試遺傳算法給模型預(yù)測(cè)結(jié)果帶來的影響，如果RBF模型的穩(wěn)定性較高，則其預(yù)測(cè)結(jié)果所產(chǎn)生的波動(dòng)性必然會(huì)小，反之亦然。對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行100次迭代，由此可以獲得100次迭代過程中的各個(gè)均方差。經(jīng)過穩(wěn)定性檢驗(yàn)以后，檢驗(yàn)結(jié)果表明，最終獲得的訓(xùn)練誤差均值是0.0114，其標(biāo)準(zhǔn)差是0.0021，每次迭代訓(xùn)練后產(chǎn)生的誤差值全部處于[y-3δ，y+3δ]中，這證明了RBF神經(jīng)網(wǎng)絡(luò)模型具備較高的穩(wěn)定性。綜上所述，利用RBF神經(jīng)網(wǎng)絡(luò)模型來對(duì)我國農(nóng)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)是可行的。

四、結(jié)語

基于RBF神經(jīng)網(wǎng)絡(luò)模型的我國農(nóng)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)預(yù)測(cè)，能夠讓技術(shù)人員通過這種方法對(duì)農(nóng)產(chǎn)品市場(chǎng)短期內(nèi)的風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確預(yù)測(cè)，進(jìn)而提高農(nóng)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)預(yù)測(cè)水平，有效保障農(nóng)民的切身利益。當(dāng)然，本文僅以大豆為例用RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)大豆市場(chǎng)價(jià)格風(fēng)險(xiǎn)進(jìn)行了深究，該模型同樣能夠用于玉米、水果、蔬菜等農(nóng)產(chǎn)品的市場(chǎng)風(fēng)險(xiǎn)預(yù)測(cè)，具有極高的應(yīng)用價(jià)值。

基金項(xiàng)目：國家社科基金項(xiàng)目“我國農(nóng)產(chǎn)品價(jià)格的非線性動(dòng)態(tài)調(diào)整及其預(yù)測(cè)研究”（14CJY056）；湖南省教育廳科學(xué)研究項(xiàng)目 “基于非線性動(dòng)態(tài)特征的我國農(nóng)產(chǎn)品價(jià)格波動(dòng)及其預(yù)警機(jī)制研究”（12C0722）、湖南省社科成果評(píng)審委員會(huì)項(xiàng)目“湖南省農(nóng)產(chǎn)品價(jià)格的非線性形成機(jī)制與動(dòng)態(tài)風(fēng)險(xiǎn)預(yù)警研究”（XSP17YBZZ055）；湖南理工學(xué)院科學(xué)研究項(xiàng)目“近期我國物價(jià)波動(dòng)趨勢(shì)的分析與預(yù)測(cè)”（2011Y07）。