论文部分内容阅读
本文首先介绍了遗传算法与神经网络的知识以及用遗传算法优化神经网络的方法，然后讨论了用进化的神经网络(ENN)逼近观测方程为非线性的贝叶斯动态模型的方法，其中神经网络的权值和阈值用遗传算法确定，这样就避免了神经网络算法中目标函数存在局部极小点的缺陷；MCMC方法是处理非线性贝叶斯动态模型的一种极为有效的模拟方法，对于不易直接取样的密度函数，可以考虑用Metropolis-Hastings方法，通过构造一个易于抽样的建议分布来实现对目标函数的取样，本文中介绍的AM算法是一种自适应Metropolis算法，用AM算法模拟非线性动态模型不仅简化了抽样过程，而且较一般的Metropolis-Hastings方法有更好的收敛性；最后，在广义线性动态模型和混合广义线性模型的基础上，提出了一种新的模型概念——混合广义线性动态模型(MGDLM)，并对两种特殊形式的MGDLM进行了初步的探讨。