《医药价格》由会员分享，可在线阅读，更多相关《医药价格（11页珍藏版）》请在金锄头文库上搜索。
1、 利用神经网络预测中国医药价格走势利用神经网络预测中国医药价格走势组长：卢唐英组长：卢唐英成员：王丹成员：王丹 王雯翠王雯翠 陈朝静陈朝静指导老师：孙滢指导老师：孙滢2012/11/22利用神经网络预测中国医药走势利用神经网络预测中国医药走势 摘要摘要 一个国家医药与其医疗发展有极大的关系 ，人老年化需求量也推动了人们医药的需求。自古以来吃穿住行一直是人的最基本的 需求，生老病死是大自然的规律，然而人们对死产生了抵制，无论大病小病都往医院 跑。这就导致我国医药价格波动明显。对医药价格的预测也就成为众多人研究的课题 。常用的医药价格预测方法有灰色模型、时间序列、BP 神经网络、回归方法等. 针对
2、多因素影响下的目标值预测，人工神经网络显示出良好的非线性映射能力，泛化 能力，容错能力。它非常适用于具有非线性，时变性和不确定性的多因素复杂系统的 预测问题。本文将利用BP神经网络对中国医药价格的走势作出预测。【关键词】BP神经网络，医药价格，非线性预测 1神经网络模型神经网络模型1.1 神经网络概述人工神经网络的基本原理人工神经网络或称作连接模型(Connectfonist-Model),是对人脑或自然神经网络(NaturalNeuralNet-work)若干基本特性的抽象和模拟。人工神经网络以大脑的生理研究成果为基础,其目的在于模拟大脑的某些机理与机制,实现某个方面的功能。参照生物神经元网
3、络发展起来的人工神经网络现已有许多种类型,但它们中的神经元结构是基本相同的。人工神经网络(ANN)具有很强的自学习能力,可以以任意精度逼近非线性函数, 因此特别适合模拟现实中复杂的非线性问题. 在人工神经网络的应用中, 绝大部分的神经网络都是采用BP 神经网络及其改进模型. 它体现了人工神经网络中最精华的部分。典型的BP 神经网络(Back Propagation)包括3层: 输入层、隐含层和输出层. 各层之间实行全连接, 同层之间无连接. 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神经网络的权值和阈值, 使网络的误差平方和最小.图1图1中，x1,x2,x2.xn是BP神经网络的输
4、入值，y1,y2,y3.yn是BP神经网络的预测值，固定权wij和可调权wjk为BP神经网络权值。从图可以看出，BP神经网络可以看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n，输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。BP 神经网络预测前首先要训练网络，通过训练师网络具有联想记忆和预测能力。BP神经网络的训练过程包括以下几个步骤。BP 神经网络先要用历史数据进行网络训练，通过阀值的不断更新便使得网络具有记忆，从而进行预测。BP神经网络的训练步骤如下。步骤1:网络初始化。根据输入层节点数n、隐含层节点数l，输出层节点数m，
5、初始化输入层、隐含层和输出层神经元之间的连接权值，初始化隐含层阈值a，输出层阈值b。步骤2：隐含层输出计算。根据输入向量，输入层和隐含层见链接权值以及隐含层阈值，计算隐含层输出。步骤3：输出层输出计算。根据隐含层输出，链接权值和阈值，计算BP神经网络预测输出步骤4：误差计算。根据网络预测输出和期望输出，计算网络预测误差。步骤5：权值更新。根据网络预测误差 更新网络连接权值。e步骤6：阈值更新。根据网络预测误差更新网络节点阈值。 步骤7：判断算法迭代是否结束，若没有，返回步骤2步骤具体算法如下：步骤1:网络初始化。根据系统输入输出序列（x,y）去顶网络输入层节点数n、隐含层节点数l，输出层节点数
6、m，初始化输入层、隐含层和输出层神经元之间的连接权值，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。步骤2：隐含层输出计算。根据输入向量，输入层和隐含层见链接权值以及隐含ij层阈值a，计算隐含层输出h。（1）)(1 nijiijjaxfHlj, 2 , 1L公式中，为隐含层节点数；为隐含层激励函数，该函数有多种形式，我们取：xexf11)(步骤3：输出层输出计算。根据隐含层输出，链接权值和阈值，计算BP神Hjkb经网络预测输出O（2） ljkjkjkbHO1mk, 2 , 1L步骤4：误差计算。根据网络预测输出和期望输出，计算网络预测误差 。OYe（3）kkkOYemk, 2
7、 , 1L步骤5：权值更新。根据网络预测误差 更新网络连接权值，。 （4）eijjk mkkjkjjjkjkeixHH1)()1 (ljni, 2 , 1;, 2 , 1LLkjjkjkeHmklj, 2 , 1;, 2 , 1LL式中，为学习速率。步骤6：阈值更新。根据网络预测误差更新网络节点阈值。 ba, mkkjkjjjjeHHaa1)1 (lj, 2 , 1L(5)kkkebbmk, 2 , 1L步骤7：判断算法迭代是否结束，若没有，返回步骤22利用利用BP人工神经网络对中国医药价格走势的预测人工神经网络对中国医药价格走势的预测根据相关资料，数据，我们取开盘价格，最高价格，最近价格这三
8、个来作为这次 模型的影响因素。以收盘价格作为最终结果。用表一中2-150的数据进行训练，用151- 160的数据作为预测。然后利用数据在matlab上编程，进行仿真，然后得出预测结果（ 程序见附录2）。BP神经网络学习的目的就是获得最终的权值矩阵，本文利用traincgf函数（Fletcher-Powell共轭梯度算法）进行训练，从BP训练图中，我们看到训练输出和实际输出的点没有完全重合，这说明存在误差，但总体的拟合度还是较好的，我们可以大致预知中国医药价格的走势。 3 3模型评估模型评估3.1模型评价3.1.1 模型优点首先BP神经网络具有以下优点：（1）非线性映射能力：BP神经网络实质上实
9、现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力。（2）自学习和自适应能力：BP神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中。即BP神经网络具有高度自学习和自适应的能力。（3）容错能力：BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的。即BP神经网络具有一定的容错能力。3.1.2 模型缺点BP神经网络在很多方面得到应用
10、，但还是存在很多不足的。 首先，由于学习速率是固定的，因此在在一些情况下网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的。然后，网络隐含层的层数和单元数的选择还没有相对绝对的正确的理论指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。 最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。所以在本文中要是多预测几年的房价就会非常麻烦。3.2预测结果分析我们可以从BP网络训练输出图和BP网
11、络预测输出图中得知，神经网络是有一定的误差的，但是目前国家有关政策正在调整，像农村医疗保险，人为因数等，对每盒医药价格会有一定的影响。我们所考虑到的影响因素只有3个，对于医药价格这一复杂的现象，仅仅3个因素是远远不够的.我们看到在训练误差图中最大达到了0.15，说明本次模型在处理一些问题方面还不是周善的，从预测输出图中可以很明确的看出，前四个数据呈明显的下降趋势，后5组数据波动幅度较小。国内的医药价格已成为人们茶余饭后的话题，也成为不少外媒关注的焦点。 参考文献参考文献1朱凯 王正林.精通MATLAB神经网络电子工业出版社2 马锐 人工神经网络原理 机械工业出版社5胡川.基于神经网络的GPS高
12、程拟合及其MATLAB实现 6人工神经网络与模拟进化计算（清华大学出版社，阎平凡，张长水著）.8大量数据来自国家统计局，中国城市药动态监测网。附录1：表格一附录附录2：clear echo on clc % NEWFF生成一个新的前向神经网络 % TRAIN对 BP 神经网络进行训练 % SIM对 BP 神经网络进行仿真 pause % 敲任意键开始 clc % 定义训练样本 % P 为输入矢量 a=22 21.85 24.5; 23.5 23.1 24.1; 23.52 23.57 24.7; 24.68 24.63 25.66; 25.5 28.21 22.89; 24.4 24.8 24
13、.3;24.2 24.45 24;25.7 25.07 25.08 ; 25.67 25.99 27.94; 29.3 21.11 21.56;23.3 22.77 23.1;23.4 23 23.55;24.08 24.21 24.53;25.01 25.11 27.45; 28 29 27.6;28.4 29.97 27.9;28.18 29.01 27.55;28.95 29 26.5;26.59 28.28 25.8;28.2 29 27.7;27.7 28.9 26.63;27.11 28.6 27.11;28.82 30.45 28.7;30.14 30.71 29.2;30.69
14、 33 30.2;30.8 31.45 29.9;30.3 31 30.01;30.5 30.59 29.5;29.7 30.1 28.63;29.02 29.46 28.55;29.3 30.78 29.3;30 30.22 29.35;30.2 30.4 29.53;29.76 30.45 29.01;29.15 29.39 27.3927.51 27.6 25;25.54 26.68 25.54;26.76 27 25.65;26.63 26.76 26;26.29 27.65 26.29;27.66 27.7 27.07;27.95 28.06 27.21;27.93 27.93 26
15、.65;27.28 27.8 26.67;27.21 27.98 27.11;28 28 27.13;26.9 27.35 26.66;26.93 27.25 26.5;27.06 27.3 26.53; 26.78 26.78 26.06;26.32 26.5 25.96;26 27 25.66;26.42 27.73 25.9;27.13 27.5 26.96;27.57 28.14 27.51;27.94 29 27.91;29.28 29.28 28.36;28.55 28.67 26.9;27.11 27.72 26.89;26.9 26.98 25.78;26.2 26.23 25
16、.5;25.55 25.8 23.6;23.9 24.1 23.29;23.56 23.98 23.5;23.86 24.8 23.76;24 24.28 23.18;23.8 24.4 23.62;23.7 24.25 23;23.98 24.35 23.43;23 23.72 22.8;23.19 23.19 22.5;22.8 22.9 22.48;22.9 23.06 22.58; 23.06 23.18 22.86;23.16 23.68 23.16;23.48 23.85 23.3;23.6 23.77 23.03;23.49 24.71 23.4;24.68 25.1 24.61;24.81 25.5 24.52;25.01 25.38 24.88;25.1
