Luận Văn áp dụng mạng nơ ron nhân tạo vào trong dự báo ngắn hạn chỉ số giá tiêu dùng CPI tại việt nam

LỜI NÓI ĐẦU Chỉ số giá tiêu dùng để đo lường lạm phát được thể hiện thông qua việc chi tiêu hằng ngày của người tiêu dùng. Sự gia tăng trong chỉ số CPI đồng nghĩa với tỉ lệ lạm phát tăng. CPI được sự dụng bởi các thương nhân bán lẻ để dự đoán giá trong tương lai, bởi các ông chủ để tính tiền lương, bởi ngân hàng để điều chỉnh lãi suất và bởi chính phủ để xác định mức tăng cho quỹ bảo trợ xã hội Với tầm quan trọng như vậy , chỉ số giá tiêu dùng cần được nhận biết một cách chính xác càng sớm càng tốt. Dự báo chỉ số giá tiêu dùng là một bài toán hết sức quan trọng, bởi nhờ nó mà toàn bộ hệ thống xã hội có những điều chỉnh phù hợp nhằm đưa đất nước thoát khỏi tình trạng khủng hoảng kinh tế và phát triển đất nước lên một tầm cao mới.
Có nhiều phương pháp để dự báo chỉ số giá tiêu dùng. Tuy nhiên, với những ưu điểm về khả năng học và đưa ra quy ết định từ những điều đã học được của mạng nơron thì việc ứng dụng mạng nơron để dự báo là một phương pháp mới.
Trong khóa luận này em mạnh dạn áp dụng mạng nơ ron nhân tạo vào trong dự báo ngắn hạn chỉ số giá tiêu dùng CPI tại việt nam. Và áp dụng một số giải thuật vào tối ưu hóa trọng số mạng nơ ron nhân tạo như: Giải thuật di truyền (GA). Ngoài ra còn có so sánh với một số phương pháp tối ưu khác như: giải thuật bầy đầy (PSO), giải thuật vi khuẩn tìm kiếm thức ăn (BFO).
Trong bài báo cáo của mình em cũng đã cố gắng hết sức mình nhưng không thể tránh khỏi những thiếu xót và kiến thức, kinh nghiệm.
Cuối cùng em xin chân thành cám ơn sâu sắc thầy: Nguyễn Văn Giáp đã giúp đỡ em hoành thành bài khóa luận tốt nghiệp của mình. Cùng toàn thể thầy cô khác trong khoa.





MỤC LỤC
LỜI NÓI ĐẦU 1
DANH MỤC HÌNH VẼ 3
CHƯƠNG 1: MẠNG NEURAL NHÂN TẠO VÀ MẠNG NEURAL NHÂN TẠO TRUYỀN THẲNG. 3
1.1 Sơ lược về mạng neural nhân tạo. 3
1.1.1 Lịch sử phát triển. 3
1.1.2 Ứng dụng. 3
1.1.3 Căn nguyên sinh học. 3
1.2 Đơn vị xử lý. 3
1.3 Hàm xử lý. 3
1.3.1 Hàm kết hợp. 3
1.3.2 Hàm kích hoạt (hàm chuyển). 3
1.4 Các hình trạng của mạng. 3
1.4.1 Mạng truyền thẳng. 3
1.4.2 Mạng hồi quy. 3
1.5 Mạng học. 3
1.5.1 Học có thầy. 3
1.5.2 Học không có thầy. 3
1.6 Hàm mục tiêu. 3
1.7 Mạng nơ-ron lan truyền thằng nhiều lớp. 3
1.7.1 Mạng perceptron một lớp. 3
1.7.2 Mạng perceptron nhiều lớp. 3
1.7.3 Một số vấn đề cần chú ý khi sử dụng mạng MLP. 3
CHƯƠNG 2: KẾT HỢP GIẢI THUẬT DI TRUYỀN VỚI GIẢI THUẬT LAN TRUYỀN NGƯỢC SAI SỐ ĐỂ TỐI ƯU HÓA TRỌNG SỐ MẠNG NƠ RON NHÂN TẠO. 3
2.1 Giới thiệu giải thuật di truyền. 3
2.1.1. Giới thiệu. 3
2.1.2 Tư tưởng chính của giải thuật di truyền. 3
2.1.3 Giải thuật di truyền đơn giản. 3
2.2 Ứng dụng giải thuật di truyền vào bài toán tối ưu hóa trọng số của mạng nơron nhân tạo. 3
2.2.1 Xây dựng hàm giá. 3
2.2.2 Mã hóa nhiễm sắc thể. 3
2.2.3 Lai ghép. 3
2.2.4 Đột biến. 3
2.3 Kết hợp giải thuật di truyền với giải thuật lan truyền ngược sai số để tối ưu hoá trọng số mạng nơ-ron nhân tạo. 3
CHƯƠNG 3. ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO VÀO VIỆC DỰ BÁO CHỈ SỐ CPI Ở VIỆT NAM. 3
3.1 Giới thiệu chung về chỉ số giá tiêu dung. 3
3.1.2 Khái niệm giá tiêu dùng. 3
3.1.3 Chỉ số giá tiêu dùng. 3
3.1.4 Phương pháp tính chỉ số giá tiêu dùng. 3
3.2 Sơ lược về lĩnh vực dự báo dữ liệu. 3
3.2.1 Thu thập, phân tích và xử lý dữ liệu. 3
3.2.2 Kiểu của các biến. 3
3.2.3 Thu thập dữ liệu. 3
3.2.4 Phân tích dữ liệu. 3
3.2.5 Xử lý dư liệu. 3
3.2.6 Tổng hợp 3







DANH MỤC HÌNH VẼ Hình 1.1: Đơn vị xử lý (Processing unit). 3
Hình 1.2: Hàm đồng nhất (Identity function). 3
Hình 1.3: Hàm bước nhị phân (Binary step function). 3
Hình 1.4: Hàm Sigmoid. 3
Hình 1.5: Hàm sigmoid lưỡng cực. 3
Hình 1.6: Mạng nơron truyền thẳng nhiều lớp (Feed-forward neural network). 3
Hình 1.7: Mạng nơron hồi quy (Recurrent neural network). 3
Hình 1.8: Mô hình Học có thầy (Supervised learning model). 3
Hình 1.9 Mạng perceptron một lớp. 3
Hình 1.10 Thực hiện hàm XOR bằng mạng MLP. 3
Hình 1.11 Lan truyền tín hiệu trong quá trình học theo phương pháp lan truyền ngược sai số. 3
Hình 1.12 Sai số E được xét là hàm của trọng số W. 3
Hình 1.13 Minh họa về ý nghĩa của quán tính trong thực tế. 3
Hình 1.14 Hàm sigmoid . 3
Hình 1.14 Nội suy hàm y = sin(x/3) + v, 0≤ x ≤ 20 sử dụng mạng MLP. 3
Bảng 2.1 Các chuỗi của bài toán mẫu và các giá trị thích nghi. 3
Hình 2.1 Sự sinh sản đơn giản phân bố các chuỗi con cháu nhờ sử dụng bánh xe roulette với các khe hở tỷ lệ với độ thích nghi. 3
Hình 2.2 Lưu đồ thuật toán của giải thuật di truyền đơn giản. 3
Hình 2.3 Mã hóa nhị phân trọng số theo phương pháp GENITO. 3

Hình 2.4: Ví dụ về phương pháp mã hóa trọng số bằng số thực. 3

Hình 2.5 Lai ghép nút (crossover-nodes). 3
Hình 2.6 Lai ghép nút (crossover-nodes) 3
Hình 2.7: Kết hợp giải thuật di truyền và lan truyền ngược sai số. 3
Hình 3.1: Xử lý dữ liệu. 3