目录
摘 要 I
关键词 I
ABSTRACT II
KEY WORDS II
引言 1
1 绪论 1
1. 1 研究背景和研究意义 1
1. 2 国内外研究历史和发展现状 1
2 方法 2
2. 1 BP网络 2
2. 1. 1 BP神经的起源 2
2. 1. 2 BP神经元模型 2
2. 1. 3 BP神经激励函数 3
2. 2 BP神经网络 4
2. 2. 1 BP神经网络模型结构 4
2. 2. 2 BP神经网络算法 5
2. 2. 3 BP网络学习原理 5
2. 2. 4 BP神经网络隐含层节点数的确定 7
2. 3 回归预测方法 8
2. 3. 1 多元回归分析模型 8
2. 3. 2 回归系数的最小二乘估计 9
2. 3. 3 多元回归方程的拟合优度 10
2. 3. 4 多重判定系数 10
2. 3. 5 多元回归方程的估计标准误差 12
2. 3. 6 多元回归方程模型的检验 12
3 数据 13
3. 1 北京市GDP时间序列说明 13
4 结果分析 14
4. 1 基于BP神经网络的GDP预测 14
4. 1. 1 隐含层节点数和输入层节点数的确定 14
4. 1. 2 BP神经网络的建立 15
4. 1. 3 BP神经网络预测 16
4. 2 基于多元回归模型的GDP预测 16
4. 2. 1 模型建立 16
4. 2. 2 模型预测 20
4. 3 基于时间序列的GDP预测 20
4. 3. 1 平稳性和白噪音检验 20
4. 3. 2 曲线模型建立 21
5 讨论 22
5. 1 算法比较 22
5. 2 创新和不足之处 23
致谢  *51今日免费论文网|www.51jrft.com +Q: *351916072* 
24
参考文献 25
附录 26
基于BP神经网络下的北京市GDP预测
摘 要
BP神经网络模型是当前生活中运用最广泛最热门的机器学习算法之一，通常用于模型的建立和预测。BP网络一般都为多层神经网络，信息一般都是从输入层流向输出层，在将预得到的结果反推回去，从而减少误差。本文将利用BP神经网络算法，以19832015年北京市GDP及其相关因素作为训练样本，对北京市20162017的GDP进行预测，得到预测结果是：2016年北京市的GDP预测值为25014.7亿元，相对误差为0.0255；2017年北京市的GDP预测值为28571.3亿元，相对误差为0.01986，总运算时间为176.0983s。同时使用常见的预测模型多元线性回归模型和时间序列中的曲线模型，对北京市20162017年的GDP进行预测，并比较三种模型之间的优劣点以及适用范围。
结论： BP神经网络预测精度最高但是收敛速度较慢，适合解决模型精度要求高的需要长期预测的数据；多元回归模型收敛速度快但精度一般，适合解决需要长期预测和预测速度的数据；曲线模型收敛速度快，数据结构简单，适合解决只需要短期预测的数据。

原文链接：http://www.jxszl.com/jsj/sxtj/606723.html