I基于BP神經(jīng)網(wǎng)絡(luò)的二手車價(jià)格評(píng)價(jià)模型的應(yīng)用分析案例概述目錄TOC\o"1-3"\h\u863基于BP神經(jīng)網(wǎng)絡(luò)的二手車價(jià)格評(píng)價(jià)模型的應(yīng)用分析案例概述 134351.1數(shù)據(jù)應(yīng)用 1284351.1.1數(shù)據(jù)歸一化 1146941.2BP神經(jīng)網(wǎng)絡(luò)參數(shù) 21211.2.1設(shè)置初始參數(shù) 275011.3BP神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用與改進(jìn) 210481.3.1傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò) 275721.3遺傳算法的算法優(yōu)化的神經(jīng)網(wǎng)絡(luò) 557471.4.3小結(jié) 838551.6模型對(duì)比分析 81.1數(shù)據(jù)應(yīng)用1.1.1數(shù)據(jù)歸一化因?yàn)椴煌侄沃g的獲取值權(quán)重相差很大,可能會(huì)在網(wǎng)絡(luò)中出現(xiàn)個(gè)別字段所占比的獲取值權(quán)重過(guò)大而使得網(wǎng)絡(luò)的精度受到影響,所以這些數(shù)據(jù)需要進(jìn)行歸一化的處理。本文在選擇中使用的方法是最小最大值方法,利用matlab中的mapminmax函數(shù)進(jìn)行實(shí)現(xiàn),該方法能夠使每一列字段的數(shù)據(jù)都被統(tǒng)一地放置到區(qū)間[-1,1]。部分歸一化的結(jié)果如圖1.1所示。圖1.1部分歸一化數(shù)據(jù)1.2BP神經(jīng)網(wǎng)絡(luò)參數(shù)1.2.1設(shè)置初始參數(shù)BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，但大部分時(shí)候會(huì)采用單一隱層網(wǎng)絡(luò)模型進(jìn)行構(gòu)建。在沒(méi)有規(guī)定隱含層節(jié)點(diǎn)數(shù)目的情況下，單一中間層網(wǎng)絡(luò)模型可以模擬任何非線性模型。但為了提高準(zhǔn)確性，本文經(jīng)過(guò)多次反復(fù)的實(shí)驗(yàn)，決定選擇兩個(gè)中間層的網(wǎng)絡(luò)模型，該模型包含四層，分別是輸入層、隱含層、隱含層、輸出層。輸入變量為上文己經(jīng)確定的車齡、行駛里程及新車價(jià)格等10個(gè)指標(biāo)，因此輸入層的節(jié)點(diǎn)數(shù)為10。輸出層就只有1個(gè)節(jié)點(diǎn)，即二手車價(jià)格。依據(jù)上述中間層節(jié)點(diǎn)數(shù)的基本公式，可以先選定中間層節(jié)點(diǎn)數(shù)為4至13的區(qū)間內(nèi)，然后根據(jù)在訓(xùn)練過(guò)程中的具體清理進(jìn)行不斷的調(diào)整。(2)設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)根據(jù)上文對(duì)二手車價(jià)值評(píng)估模型的構(gòu)建，本文利用MATLAB里的newff指令初步構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，首先配置了輸入數(shù)據(jù)和輸出數(shù)據(jù)。輸入數(shù)據(jù)（inputqueue）為一個(gè)3901×10的矩陣。輸出數(shù)據(jù)(outputqueue)為一個(gè)3901×10的矩陣。而后創(chuàng)建神經(jīng)網(wǎng)絡(luò)，創(chuàng)建網(wǎng)絡(luò)為雙隱層結(jié)構(gòu)，第一層節(jié)點(diǎn)數(shù)為3，第二層節(jié)點(diǎn)數(shù)為6。創(chuàng)設(shè)的網(wǎng)絡(luò)結(jié)構(gòu)如表5-1所示。表5-1參數(shù)設(shè)置表網(wǎng)絡(luò)參數(shù)設(shè)置或取值代碼迭代次數(shù)1000Net.trainParam.epochs=1000學(xué)習(xí)率0.1Net.trainParam.lr=0.1學(xué)習(xí)目標(biāo)0.00001Net.trainParam.goal=0.00001隱含層節(jié)點(diǎn)數(shù)[3,10]net=newff(inputn,output,[3,10])1.3BP神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用與改進(jìn)1.3.1傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在完成BP神經(jīng)網(wǎng)絡(luò)模型的初次學(xué)習(xí)以后，將測(cè)試樣本帶入BP傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，觀察到網(wǎng)絡(luò)模型在迭代24次以后，網(wǎng)絡(luò)輸出誤差己經(jīng)在期望的范圍之內(nèi)，花費(fèi)的時(shí)間不長(zhǎng)，訓(xùn)練平方差也較低，這表明神經(jīng)網(wǎng)絡(luò)模型的各個(gè)方面構(gòu)建的非常好，網(wǎng)絡(luò)構(gòu)造及學(xué)習(xí)過(guò)程如圖1.3所示。圖1.2BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程圖1.3BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果回歸圖圖1.4BP預(yù)測(cè)結(jié)果與期望值對(duì)比圖1.5BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練表現(xiàn)對(duì)于BP神經(jīng)網(wǎng)絡(luò)模型的測(cè)驗(yàn)要從兩個(gè)方面開始，分別是可靠性測(cè)驗(yàn)和精準(zhǔn)性測(cè)驗(yàn)。可靠性測(cè)驗(yàn)就是測(cè)驗(yàn)?zāi)Ｐ偷目煽啃?，如網(wǎng)絡(luò)收斂速度是否可靠，輸出結(jié)果是否可信。精準(zhǔn)性測(cè)驗(yàn)是指網(wǎng)絡(luò)模型的準(zhǔn)確水平，一般用誤差率來(lái)判定?？煽啃詼y(cè)驗(yàn)?zāi)軌蛟谶\(yùn)行進(jìn)程中得到顯現(xiàn)，運(yùn)行速度不快、迭代多次還未結(jié)束、平方差未達(dá)到設(shè)定目標(biāo)等均表示神經(jīng)網(wǎng)絡(luò)的效果不好，本文所構(gòu)建的網(wǎng)絡(luò)模型首次學(xué)習(xí)后的各項(xiàng)指標(biāo)如圖1.3所示，從圖中能夠觀察出各項(xiàng)指標(biāo)的結(jié)果還是符合預(yù)期的，網(wǎng)絡(luò)模型經(jīng)過(guò)24次迭代以后，輸出誤差在期望的范圍之內(nèi)。圖1.4為訓(xùn)練結(jié)果回歸圖展示，其中R值代表訓(xùn)練結(jié)果與目標(biāo)值之間的相關(guān)關(guān)系，越接近1說(shuō)明效果越好。根據(jù)回歸結(jié)果檢測(cè)看出，網(wǎng)格訓(xùn)練效果一般，數(shù)據(jù)集中綜合R值為0.89314。對(duì)BP神經(jīng)網(wǎng)絡(luò)誤差進(jìn)行測(cè)度，見(jiàn)表5-4，BP神經(jīng)網(wǎng)絡(luò)的誤差率處于合理區(qū)間內(nèi)，預(yù)測(cè)具有一定價(jià)值。從圖1.6神經(jīng)網(wǎng)絡(luò)訓(xùn)練表現(xiàn)中，可觀察到訓(xùn)練曲線與測(cè)試曲線的明顯偏離。綜上指標(biāo)說(shuō)明傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)具有一定的缺陷，模型預(yù)測(cè)能力仍有提升空間。表5-2BP神經(jīng)網(wǎng)絡(luò)誤差均方誤差均方根誤差誤差率0.390080.624568.468%1.3遺傳算法的算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)遺傳算法在現(xiàn)代基因測(cè)序編碼技術(shù)優(yōu)化下的一種BP深度神經(jīng)網(wǎng)絡(luò),是將基于BP深度神經(jīng)網(wǎng)絡(luò)的各種深度機(jī)器學(xué)習(xí)計(jì)算能力與遺傳算法的深度全局?jǐn)?shù)據(jù)搜索相隨機(jī)結(jié)合的一種數(shù)學(xué)算法,作為預(yù)測(cè)方法十分有效。遺傳算法是一種模擬自然演變的過(guò)程,在對(duì)最優(yōu)求解方面具有其獨(dú)有的技術(shù)優(yōu)勢(shì),良好的并行性和魯棒性使其受到限入局部最優(yōu)求解的可能性和風(fēng)險(xiǎn)得到極大降低,即對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閡值也都能夠獲得較大的優(yōu)化,從而促使即神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性也得到了提高,因此,遺傳算法十分適合應(yīng)用于對(duì)BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和優(yōu)化。遺傳算法的優(yōu)化即神經(jīng)網(wǎng)絡(luò)的主體過(guò)程有三個(gè)大部分:即神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)建立,用遺傳算法來(lái)進(jìn)行權(quán)值優(yōu)化及椋值賦予、優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)?；谶z傳算法的優(yōu)化即神經(jīng)網(wǎng)絡(luò)流程描述如下:(1)建立網(wǎng)絡(luò)結(jié)構(gòu)。確定即為一個(gè)神經(jīng)網(wǎng)絡(luò)的各個(gè)主要輸入輸出層、隱藏輸出層和各個(gè)進(jìn)入輸出隱藏層的主要神經(jīng)元數(shù)量個(gè)數(shù);(2)將即神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值依序級(jí)聯(lián):輸入層隱含權(quán)值、隱含閾值、隱含輸出層權(quán)值、輸出閾值;(3)將均方誤差作為適應(yīng)度函數(shù),判斷是否符合標(biāo)準(zhǔn),若符合則進(jìn)行步驟五;(4)選擇滿足適應(yīng)度的參數(shù),進(jìn)行選擇、交叉和變異產(chǎn)生新參數(shù);(5)查看產(chǎn)生參數(shù)是否滿足標(biāo)準(zhǔn),若滿足則繼續(xù)下一步驟,否則返回步驟三;(6)將優(yōu)化后的參數(shù)分別作為即神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值(7)BP的前向神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以直接進(jìn)行前向信號(hào)傳播,計(jì)算訓(xùn)練網(wǎng)絡(luò)的系統(tǒng)全局精度誤差,調(diào)整整個(gè)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)參數(shù),重復(fù)啟動(dòng)訓(xùn)練網(wǎng)絡(luò)直到系統(tǒng)達(dá)到所需系統(tǒng)要求的訓(xùn)練次數(shù)或者系統(tǒng)精度;利用Matlab進(jìn)行模型訓(xùn)練與測(cè)試，網(wǎng)絡(luò)訓(xùn)練過(guò)程及結(jié)果見(jiàn)圖1.7-圖1.10，模型預(yù)測(cè)誤差參數(shù)見(jiàn)表5-5圖1.7基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程圖1.8基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果回歸圖圖1.9基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與期望值對(duì)比圖1.10基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練表現(xiàn)根據(jù)輸出結(jié)果，基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)算法經(jīng)過(guò)20次迭代，到達(dá)穩(wěn)定?；貧w集中度R為0.91529，回歸度較好。誤差率為1.506%，預(yù)測(cè)結(jié)果具有一定價(jià)值。訓(xùn)練曲線和測(cè)試曲線較貼合。模型整體得到優(yōu)化。表5-5基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)誤差參數(shù)均方誤差均方根誤差誤差率0.30310.55061.506%表5-6模型分析結(jié)果對(duì)比模型種類迭代次數(shù)回歸集中度誤差率傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)240.893148.468%基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)200.915291.506%1.4.3小結(jié)BP神經(jīng)網(wǎng)絡(luò)和基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析結(jié)果對(duì)比見(jiàn)表5-5，遺傳算法優(yōu)化下模型整體得到優(yōu)化，優(yōu)化率見(jiàn)表5-7，迭代次數(shù)優(yōu)化率25%，集中度優(yōu)化率2.04%，誤差率優(yōu)化率尤為顯著，為34.98%。表5-6模型分析結(jié)果對(duì)比模型種類迭代次數(shù)回歸集中度誤差率傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)240.893148.468%基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)200.915291.506%表5-7模型優(yōu)化率迭代次數(shù)回歸集中度誤差率優(yōu)化率25%2.04%34.98%1.6模型對(duì)比分析本章基于瓜子二手車網(wǎng)站的二手車交易數(shù)據(jù)，采用基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行建模，評(píng)估二手車價(jià)格。但綜合對(duì)比來(lái)看，基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)方法能夠取得較為良好的模型。本章搭建的人工神經(jīng)網(wǎng)絡(luò)模型和多元線性回歸模型，均來(lái)源于相同