人工神经网络(Artificial Neural Networks)模型是基于生物学中的神经网络的基本原理而建立的一种智能算法理论。它具有大规模并行处理、分布式信息存储、容错性、自组织性和自适应性等特点,有很强的非线性逼近能力和分类识别能力。对突破现有科学技术的瓶颈,更深入探索非线性复杂问题起到了重要作用,提供了一种新的方法。人工神经网络算法已被成功地应用在图像识别、经济预测、数据分类等很多工程技术领域,取得了令人满意的结果。 近年来对神经网络算法的研究方兴未艾,特别是对如何提高人工神经网络算法的收敛速度,避免局部极小值等问题国内外专家学者提出了很多有效的方法。神经网络拓扑结构确定的研究也是一个热点问题,专家、学者提出了众多方法,但一直以来都没有能得到大家公认的,科学、合理的标准。针对于次,本文对神经网络结构的确定进行了初步的探讨,首先利用主成分分析、因子分析对网络输入层结点进行了简化;再利用遗传算法、结点关联度和分散度等方法,对网络的隐层结点数进行了优化;然后又针对网络收敛问题,推广了一种新的反向结构调整算法;最后将优化网络及新算法应用到相关经济问题的分析之中,具体内容安排如下: 第一章介绍了人工神经网络的发展情况,简单介绍了传统BP(Back propagation)网络的基本算法,特别介绍了在网络结构构造方面常用的几种方法:试凑法、增长法、修剪法、进化法等等。提出了目前研究中存在的一些问题,即如何合理选择输入结点数和隐层结点数,以及如何提高训练收敛速度。 目前对神经网络输入层优化进行讨论的文章还不多,本文第二章主要介绍了利用主成分分析和因子分析进行网络输入层简化的方法。主成分分析方法是一种在统计中常用的数据降维方法,它通过一组变量的线性组合来解释这组变量的方差和协方差结构,以达到数据压缩和数据解释的目的。因子分析是对主成分分析的推广,它也是一种从研究相关矩阵内部的依赖关系出发,把一些具有错综复杂关系的变量归结为少数几个综合因子的多变量统计分析方法。针对由于具体问题影