基于遗传算法和局部寻优的bp神经网络税收模型..doc

税务的预测模型 基于遗传算法优化的BP神经网络 摘要：笔者采用了一个新的遗传算法和局部优化算法相结合的方法，而不是传统的BP算法，神经网络模型的权重和偏见优胜劣汰值，然后设置了税收预测模型。通过模拟这种模式使用某些地区的数据，这种方法具有更好的精度比BP算法只使用，或只用遗传算法，结果是满意的。 关键词：遗传算法，神经网络;征税模式 1。 税收与经济之间的关系研究税收理论研究的基本课题之一。建立对税收的数学模型（税率）和经济总量（国内生产总值为它），不仅具有理论意义，而且实际的指导意义。 三层前向反馈神经网络基于误差反向传播算法（BP算法）可以任意精度逼近任意连续函数。其强大的非线性映射能力，概括能力，容错能力使其在非线性映射区域广泛使用的建模工具。但BP神经网络的限制。 BP算法必须依靠调整权重的误差梯度信息了。这就是说，错误必须下降初始点的负梯度方向。当错误下降到一定程度，误差曲线的最低值，可以得到。通过这种方式获得的最低值的初始点是相对的，所以它是一个局部最小值，没有一个全球性的最低〔1〕。 遗传算法（GA），模拟自然选择的规律，在复杂，多波峰，选择，交叉，变异操作等非线性和不可微的有哪些信誉好的足球投注网站空间有哪些信誉好的足球投注网站全球最佳的解决方案。它不需要任何的梯度信息。这可以解决的BP神经网络的限制，所以GA可以取代BP算法有哪些信誉好的足球投注网站神经网络的最佳砝码。然而，当GA是用来解决实际问题，得到的结果往往是低最佳的解决方案，这是附近的误差曲线的最佳解决方案，但不是实际的最佳解决方案。在实践中的问题，当地的优化功能可以被用来获得最佳的解决方案从低的最佳解决方案点〔2〕。 本文的目的是建立税收和经济上的非线性映射模型。首先，税收和经济上的一种神经网络结构设计。然后利用BP算法的GA，而不是发现的每一个重量低的最佳解决方案。最后，局部优化功能fminsearch（在Matlab）是用来寻找最佳的解决方案从低的最佳解决方案点。 2。遗传算法理论和遗传算法优化BP神经网络算法 遗传算法是一种全局优化算法，它模拟选择，继承，变异等生物进化论上的观点。它是一个多反复的过程。大会认为，作为一组可行的解决方案作为一个染色体（也叫代）的一个基因，可能的解决方案。由特殊的问题确定一个性能函数是用来估计在最初一代的每一个人。选择操作，优秀的个人被选定为“父亲”，通过他们自己的“孩子”的优良基因，通过交叉操作，两个父亲的优秀信息交换，以产生新的儿子;变异操作，一个父亲直接产生儿子。生产的新一代，性能功能是用来估计再次进入第二次迭代算法。通过这种基因的继承机制，更好的特点，可以向下传递给下一代。遗传算法的推移，这样的反复，直到测试个人发现或停止条件符合。 使用BP算法GA，而不是局部优化算法，以找到最好的神经网络权值的过程如下： ?（1）设计的神经网络结构的问题需要解决，包括隐藏层，输入层，隐含层，输出层，并在每一层的传递函数中的神经元的数量。 ?（2）方案的误差函数的子程序，根据神经网络的前进计算，并把它作为遗传算法的性能，功能和局部优化功能。在图的例子。 1，输入节点，隐藏节点，输出节点，代表从对收集的权重，从对收集重量看台，是偏见。信号传输从输入层到隐藏层，输出层。个隐藏节点的输出的计算方法是，在它的功能是隐藏层，这是通常的S型函数的传递函数。个输出节点的输出的计算方法是，在它的功能是在输出层的传递函数，这是通常的线性函数。根据神经网络正向计算的结果，误差函数可以被定义为，是所需的输出，是网络的输出，是样本数据的数量。这个误差函数是遗传算法的性能，功能和局部优化功能。 （3）方案的迭代过程中的遗传算法和局部优化功能如下： 第1步：决定性能的功能;决定复制率，交叉率，变异率等运行参数，决定停止条件;随机产生的初始代。 第2步：计算出每一个人的表现功能的价值，在最初的一代。 如果停止条件符合，则转到步骤5 第3步：选择，复制，交叉，变异根据性能函数的值，产生一个新的一代。 第4步：计算新一代每个人的表现功能的价值。 如果停止条件符合，则转到步骤5 否则转到步骤3 第五步：决定性能的功能和局部优化功能的停止条件。 步骤6：设定为初始值的局部优化功能的遗传算法的结果。 第7步：找到更好的解决方案和性能函数的计算值 第8步：如果停止条件符合，则转到步骤9 否则转到步骤7 第9步：结束 3，建立和税收预测模型分析 3.1建立了税收和经济的BP神经网络模型 本文收集了国内生产总值和税收（税）的一种特殊的城市从1994年至2003年，作为训练样本数据〔3〕，图2中的BP神经网络是用来模拟的映射功能，从国内生产总值税收：所得税= F（国内生产总值）。因为有只有一个独立变量（GDP）和只有一个因变量（含税），输入神经元或输出神经元，分别有