[发明专利]一种深度信念网络DBN结构的动态设计及提高股票预测性能

说明书

本发明公开了一种深度信念网络DBN结构的动态设计及提高股票预测性能，包括隐含层和隐藏神经元的增减；本发明解决了DBN网络结构的问题，以连接权重的范数方根为判断依据，筛选舍弃或分裂的隐层神经元，再根据网络的平均绝对百分比误差来确定神经网络的深度，这样的设计方法不仅调节了隐藏神经元的个数，还考虑了隐藏层的变化，最后得到的网络不仅保留了原始网络的主要结构，提升了网络性能，并且在运行过程中计算简单。该设计不仅能够自动捕捉数据的特征信息来确定网络结构，还能够提升DBN在股票数据预测中的准确度。

技术领域

本发明涉及DBN技术领域，特别是涉及一种深度信念网络DBN结 构的动态设计及提高股票预测性能。

背景技术

DBN作为一个深层网络，由受限波尔茨曼机(Restricted Boltzmann Machine，RBM)堆叠而成，即上一层RBM的输出是下一层 RBM的输入。作为典型的多层网络，可以通过无监督学习过程很好的 实现数据特征信息的学习与提取；

但通过研究发现，DBN仍然存在一些问题，网络结构常为设置好 的固定结构，在网络训练过程中网络结构不再改变，这无法保证初始 设置网络参数的优越性。另外，传统的DBN在解决连续数据时，因其 网络的离散型，导致预测精度不高，为此我们提出一种深度信念网络 DBN结构的动态设计及提高股票预测性能。

发明内容

为了克服现有技术的不足，本发明提供一种深度信念网络DBN结 构的动态设计及提高股票预测性能，本发明解决了DBN网络结构的问 题，以连接权重的范数方根为判断依据，筛选舍弃或分裂的隐层神经 元，再根据网络的平均绝对百分比误差来确定神经网络的深度，这样 的设计方法不仅调节了隐藏神经元的个数，还考虑了隐藏层的变化， 最后得到的网络不仅保留了原始网络的主要结构，提升了网络性能， 并且在运行过程中计算简单。该设计不仅能够自动捕捉数据的特征信 息来确定网络结构，还能够提升DBN在股票数据预测中的准确度。

为解决上述技术问题，本发明提供如下技术方案：一种深度信念 网络DBN结构的动态设计及提高股票预测性能，包括隐含层和隐藏神 经元的增减，其特征在于：所述隐藏神经元的增减取决于权重二次范 数方根N_i，其计算公式为

N_i为单层受限波尔茨曼机训练完成后的可视层神经元i的2次范 数方根；w_ij为可视层神经元i与隐藏层神经元j之间的连接权重；n 为隐藏层神经元的个数。

优选的，所述隐藏神经元的删除与保留根据多元逐步回归方法的 原理，设计了如下准则：

S1：首先计算N_i的和并求出单个N_i的相对比例R_i，计算过程 为：

S2：然后根据的值，从大到小进行排序，并计算累加值MR；

S3：最后对于累加值MR设置阈值MR₀与MR₁，当MR小于阈值MR₀时，对已经累加的神经元进行分裂，并赋予同样的连接权值；

当MR大于阈值MR₁时，将未累加的神经元删除。

优选的，所述隐藏层的增减采用平均百分比误差MAPE，当实际 的MAPE满足第一公式条件时增加一个隐层；当实际的MAPE满足第二 公式条件时删除增加的隐层：

MAPE≥MAPE₀ (第一公式)

MAPE_r＞MAPE_r-1 (第二公式)