【正文】 前饋網(wǎng)絡(luò)：各種神經(jīng)元接受前一層的輸入，并輸出給下一層，沒有反饋。一般地說，人工神經(jīng)網(wǎng)絡(luò)的連接形式和拓?fù)浣Y(jié)構(gòu)可以分為兩大類：即分層型和互聯(lián)型神經(jīng)網(wǎng)絡(luò)。按一定的規(guī)則將神經(jīng)元連接而成神經(jīng)網(wǎng)絡(luò)，才能實(shí)現(xiàn)對復(fù)雜信息的處理與存儲。不同的人工神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)元的激活函數(shù)也不相同。綜合了凈輸入、f 函數(shù)的作用。y2.....m1?...... 神經(jīng)網(wǎng)絡(luò)0],.[10xnX? 神經(jīng)元功能函數(shù)神經(jīng)元在輸入信號作用下產(chǎn)生輸出信號的規(guī)律由神經(jīng)元功能函數(shù)f(Activation Function)給出，也稱激活函數(shù)，或稱轉(zhuǎn)移函數(shù)。神經(jīng)網(wǎng)絡(luò)的這一優(yōu)良性能使其可以作為多維非線性函數(shù)的通用數(shù)學(xué)模型。 非線性映射功能在許多實(shí)際問題中，如過程控制、系統(tǒng)辨識、故障診斷、機(jī)器人控制等諸多領(lǐng)域，系統(tǒng)的輸入與輸出之間存在復(fù)雜的非線性關(guān)系，對于這類系統(tǒng)難以用傳統(tǒng)的數(shù)理方程建立數(shù)學(xué)模型。將優(yōu)化約束信息存儲于神經(jīng)網(wǎng)絡(luò)的連接權(quán)矩陣之中，神經(jīng)網(wǎng)絡(luò)的工作狀態(tài)以動態(tài)系統(tǒng)方程式描述。 此關(guān)系表明，當(dāng)輸入樣本與標(biāo)準(zhǔn)樣本RjX??????jky,01匹配時(shí)即可歸類，神經(jīng)網(wǎng)絡(luò)完成分類功能。對輸入樣本的分類實(shí)際上是在樣本空間找出符合分類要求的分割區(qū)域，每個(gè)區(qū)域內(nèi)的樣本屬于一類。2）異聯(lián)想記憶：與自聯(lián)想記憶不同，Y?它涉及兩組樣本，若樣本 與樣本 一一對應(yīng)，當(dāng)具有偏差的輸入信號為kZk時(shí)，輸出為 ，此聯(lián)想為一聯(lián)想功能。聯(lián)想記憶又分為自聯(lián)想記憶和異聯(lián)想記憶兩種：1）自聯(lián)想記憶：假定有 m個(gè)樣本矢量 ，其中 i=0,1,2,….m1，若網(wǎng)絡(luò)輸入 ， 表示Xi)( ???Xkj k第 k 個(gè)樣本，△是由于噪音、干擾或圖形缺損等因素引起的誤差。神經(jīng)網(wǎng)絡(luò)通過預(yù)先存儲信息和學(xué)習(xí)機(jī)制進(jìn)行自適應(yīng)訓(xùn)練，可以聰不完整的信息和噪音干擾中恢復(fù)完整的信息。 人工神經(jīng)網(wǎng)絡(luò)的基本功能 聯(lián)想記憶功能 由于神經(jīng)網(wǎng)絡(luò)具有分布存儲信息和并行計(jì)算的性能，因此它具有對外界刺激和輸入信息進(jìn)行聯(lián)想記憶的能力。它是涉及神經(jīng)科學(xué)、思維科學(xué)、人工智能、計(jì)算機(jī)科學(xué)等多個(gè)領(lǐng)域的交叉學(xué)科。神經(jīng)元間的連接權(quán)值反映了單元間的連接強(qiáng)度，信息的表示和處理體現(xiàn)在網(wǎng)絡(luò)處理單元的連接關(guān)系中。網(wǎng)絡(luò)中處理單元的類型分為三類：輸入單元、輸出單元和隱單元。非凸性是指這種函數(shù)有多個(gè)極值，故系統(tǒng)具有多個(gè)較穩(wěn)定的平衡態(tài)，這將導(dǎo)致系統(tǒng)演化的多樣性?！　?）非凸性 一個(gè)系統(tǒng)的演化方向，在一定條件下將取決于某個(gè)特定的狀態(tài)函數(shù)。神經(jīng)網(wǎng)絡(luò)不但處理的信息可以有各種變化，而且在處理信息的同時(shí)，非線性動力系統(tǒng)本身也在不斷變化。聯(lián)想記憶是非局限性的典型例子。一個(gè)系統(tǒng)的整體行為不僅取決于單個(gè)神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。具有閾值的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)具有更好的性能，可以提高容錯(cuò)性和存儲容量。大腦的智慧就是一種非線性現(xiàn)象。它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，試圖通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。)(。細(xì)胞體內(nèi)有細(xì)胞核，突起的作用是傳遞信息，作為引入輸入信號的若干個(gè)突起稱為“樹突”或者“晶枝” ，而作為輸出端的突起只有一個(gè)，稱為“軸突” 。人們開始認(rèn)識到，復(fù)雜的神經(jīng)系統(tǒng)是由數(shù)目繁多的神經(jīng)元組合而成。 本論文主要研究內(nèi)容及思路GDP（Gross Domestic Product）,是指在一定時(shí)期內(nèi)（一季或一年） ，一個(gè) 的分析預(yù)測研究，長期以來都是經(jīng)濟(jì)學(xué)家、數(shù)學(xué)家、計(jì)算機(jī)領(lǐng)域?qū)＜已芯康闹攸c(diǎn)和熱點(diǎn)。模型的訓(xùn)練數(shù)據(jù)覆蓋了多年時(shí)間，它不僅能判斷價(jià)格的未來趨勢，而且能在走勢持續(xù)一段時(shí)間后預(yù)測到價(jià)格的反轉(zhuǎn)。應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行市場預(yù)測的一個(gè)實(shí)例是期貨市場的神經(jīng)網(wǎng)絡(luò)預(yù)測。因此基于神經(jīng)網(wǎng)絡(luò)的評價(jià)系統(tǒng)在金融風(fēng)險(xiǎn)分析領(lǐng)域應(yīng)用十分廣泛。采用神經(jīng)網(wǎng)絡(luò)評價(jià)系統(tǒng)不僅可以使評價(jià)結(jié)果具有較高的可信度，而且可以避免信貸分析人員的主觀好惡和人情關(guān)系造成的錯(cuò)誤。人工神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)預(yù)測中有著廣泛的應(yīng)用，比如信貸分析、市場預(yù)測等。眾所周知，人腦是由極大量的基本單元(稱之為神經(jīng)元)經(jīng)過復(fù)雜的互相連接而成的一種高度復(fù)雜、非線性、并行處理的信息處理系統(tǒng)。目前神經(jīng)網(wǎng)絡(luò)研究與發(fā)展主要集中在：神經(jīng)生理學(xué)、神經(jīng)解剖學(xué)研究的發(fā)展；與之相關(guān)的數(shù)學(xué)領(lǐng)域的研究與發(fā)展；神經(jīng)網(wǎng)絡(luò)應(yīng)用的研究與發(fā)展；神經(jīng)網(wǎng)絡(luò)硬件的研究與發(fā)展；新型神經(jīng)網(wǎng)絡(luò)模型的研究。經(jīng)過近半個(gè)世紀(jì)的發(fā)展，神經(jīng)網(wǎng)絡(luò)理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領(lǐng)域取得了廣泛的成功。在國際上，1987 年，在美國加州召開了第一屆國際神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會議，此后每年召開的國際聯(lián)合神經(jīng)網(wǎng)絡(luò)大會 IJCNN 成為神經(jīng)網(wǎng)絡(luò)研究者的重要學(xué)術(shù)交流平臺。這次大會以“八學(xué)會聯(lián)盟，探智能奧秘”為主題，收到 300 多篇學(xué)術(shù)論文，開創(chuàng)了中國人工神經(jīng)網(wǎng)絡(luò)及神經(jīng)計(jì)算機(jī)方面科學(xué)研究的新紀(jì)元；2022 年 10 月在合肥召開的“人工神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會議”已是第 14 屆學(xué)術(shù)年會。 人工神經(jīng)網(wǎng)絡(luò)國內(nèi)外研究狀況 [11][12]20 世紀(jì) 80 年代，隨著人工神經(jīng)網(wǎng)絡(luò)在世界范圍內(nèi)復(fù)蘇，國內(nèi)也逐步掀起了研究熱潮。隨之，國內(nèi)許多學(xué)者開始關(guān)注和進(jìn)行了神經(jīng)網(wǎng)絡(luò)預(yù)測的研究。我國國內(nèi)學(xué)者文新輝和牛明潔 [8]較早介紹了神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)預(yù)測中的應(yīng)用，并與傳統(tǒng)方法作了比較。 Hill 等對 ANN 和傳統(tǒng)的統(tǒng)計(jì)模型進(jìn)行深入的研究，包括了非季節(jié)化的單指數(shù)平滑模型、ARMA、組合預(yù)測模型和自然預(yù)測模型以及一種基于主觀判斷的方法。目前，基于神經(jīng)網(wǎng)絡(luò)的預(yù)測研究主要集中在時(shí)間序列預(yù)測和回歸預(yù)測方面。其研究結(jié)果表明神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)于統(tǒng)計(jì)預(yù)測。后來，Werbos 和 Varfis 分別對實(shí)際經(jīng)濟(jì)時(shí)間序列數(shù)據(jù)進(jìn)行了預(yù)測研究。在這種情況下，人們把目光轉(zhuǎn)向了近年來興起的神經(jīng)網(wǎng)絡(luò)模型。且過去或現(xiàn)在的因果關(guān)系或變化規(guī)律在未來仍然起主導(dǎo)作用，建模與預(yù)測的目標(biāo)在于從比較中尋找最佳模型。但這些預(yù)測方法還是屬于傳統(tǒng)預(yù)測方法，均屬于模型驅(qū)動的方法，即首先研究系統(tǒng)的演化行為，設(shè)定預(yù)測模型，估計(jì)、檢驗(yàn)及模型選擇，最后找出最佳模型。以上幾種方法都是目前運(yùn)用于經(jīng)濟(jì)領(lǐng)域的主流的預(yù)報(bào)方法，均屬于線性模型研究或者是用線性模型模擬現(xiàn)實(shí)生活中的復(fù)雜系統(tǒng)，因此在處理非線性系統(tǒng)時(shí)效果顯得十分一般。此外，無約束的 VAR 的主要問題是自變量的數(shù)目通常很大。與結(jié)構(gòu)模型相比，VAR 模型依靠經(jīng)濟(jì)數(shù)據(jù)中重復(fù)發(fā)生的歷史方式來預(yù)測少數(shù)關(guān)鍵的宏觀經(jīng)濟(jì)量，如國民生產(chǎn)總值，通貨膨脹和利息率。還有一種主流方法就是多元回歸也稱為向量自回歸（VAR）方法 [3]，它是作為大型結(jié)構(gòu)預(yù)測模型的一種替代方法。經(jīng)濟(jì)計(jì)量學(xué)把經(jīng)濟(jì)理論、統(tǒng)計(jì)分析和為說明經(jīng)濟(jì)關(guān)系而建立的數(shù)學(xué)模型結(jié)合在一起。經(jīng)濟(jì)領(lǐng)域中的時(shí)間序列數(shù)據(jù)的定義是：按照時(shí)間點(diǎn)順序排列的經(jīng)濟(jì)變量的一系列數(shù)值，對于這些連續(xù)值的預(yù)測早期運(yùn)用較多的是回歸統(tǒng)計(jì)模型，另外一個(gè)應(yīng)用較為廣泛的分析方法是 ARMA(自回歸移動平均模型)方法和 ARIMA（自回歸求和移動平均）方法。運(yùn)用于經(jīng)濟(jì)領(lǐng)域中的預(yù)測方法，常用的有時(shí)間序列分析、多元回歸和經(jīng)濟(jì)計(jì)量方法 [1][2]。 經(jīng)濟(jì)預(yù)測研究概況及經(jīng)濟(jì)預(yù)測方法經(jīng)濟(jì)預(yù)測是適應(yīng)社會化大生產(chǎn)而發(fā)展起來的一門研究客觀經(jīng)濟(jì)發(fā)展過程及其變動趨勢的科學(xué)。汶川大地震對我省工業(yè)、農(nóng)業(yè)、旅游，房地產(chǎn)等行業(yè)和就業(yè)、招商引資、財(cái)政收入等社會經(jīng)濟(jì)的方方面面都帶來不同程度的影響，而且影響會持續(xù)相當(dāng)一段時(shí)間，必然會對我省經(jīng)濟(jì)發(fā)展產(chǎn)生直接或間接的影響。六月末，全省城鄉(xiāng)就業(yè)人員比上年減少 萬人，比一季度減少 萬人，城鄉(xiāng)登記失業(yè)率為 % ，比上年同期上升 個(gè)百分點(diǎn)。僅以工業(yè)為例， 1 ～ 5 月，全省實(shí)現(xiàn)工業(yè)利潤 億元，同比增長 14.8% ，增速比去年同期降低 個(gè)百分點(diǎn)，比前 4 個(gè)月回落 個(gè)百分點(diǎn)。同時(shí)，四川居民消費(fèi)價(jià)格總水平（ CPI ）同比上漲 % ， CPI 漲幅在 2 月份沖高 % 后，雖已連續(xù) 4 個(gè)月回落，但物價(jià)高位運(yùn)行的特征依然存在。我省上半年 GDP 增速放緩，同比增長 % ，增速同比回落 個(gè)百分點(diǎn)。企業(yè)效益繼續(xù)改善，城鄉(xiāng)居民收入進(jìn)一步增加都將增強(qiáng)居民消費(fèi)信心，消費(fèi)需求仍將保持平穩(wěn)增長態(tài)勢，預(yù)計(jì)全年社會消費(fèi)品零售總額增長 13%左右。同時(shí)，全國在堅(jiān)持宏觀調(diào)控政策中，將繼續(xù)實(shí)施穩(wěn)健的財(cái)政政策和穩(wěn)定的貨幣政策，對煤電油運(yùn)氣等瓶頸部門的投資力度將進(jìn)一步加大，四川大型建設(shè)項(xiàng)目、重點(diǎn)建設(shè)項(xiàng)目增多，在新建及續(xù)建項(xiàng)目的推動下，投資規(guī)模必將進(jìn)一步擴(kuò)大，預(yù)計(jì)今年全社會固定資產(chǎn)投資增長 20%以上。四川經(jīng)濟(jì)發(fā)展的內(nèi)生動力顯著增強(qiáng)。自 2022 年以來，全球經(jīng)濟(jì)步入了一輪新的經(jīng)濟(jì)周期的擴(kuò)張期，經(jīng)過連續(xù)三年較強(qiáng)勁增長，在全球通貨膨脹的壓力將會成功地得到遏制、發(fā)達(dá)國家的內(nèi)需增長將更趨平衡以及全球金融市場將更趨穩(wěn)定等有利因素的帶動下，2022 年全球經(jīng)濟(jì)保持了較快增長的良好勢頭。一方面，盡管我國已逐步擺脫了亞洲金融危機(jī)的不利影響，但國際宏觀經(jīng)濟(jì)環(huán)境在 2022 年仍存在許多不確定因素；農(nóng)民增收問題依然是經(jīng)濟(jì)政策的一大難點(diǎn)，城鄉(xiāng)市場失衡的局面在短期內(nèi)仍不會有根本性改觀；四川工業(yè)結(jié)構(gòu)、產(chǎn)品結(jié)構(gòu)、企業(yè)組織結(jié)構(gòu)等深層次矛盾的真正解決也需要時(shí)日。此外，長期致力于結(jié)構(gòu)調(diào)整的政策措施在一定程度上已使工業(yè)生產(chǎn)出現(xiàn)恢復(fù)性增長勢頭?？v觀全年，一、二、三、四季度增速分別為 %、%、%、%，GDP 季增速呈現(xiàn)出止滑回升，平穩(wěn)增長的態(tài)勢。時(shí)至我國“九五”計(jì)劃結(jié)束和“十五”計(jì)劃開始之際，2022 年四川經(jīng)濟(jì)運(yùn)行狀況為 20 世紀(jì)劃上了一個(gè)較為圓滿的句號?！　≡谖覈慕y(tǒng)計(jì)實(shí)踐中，收入法計(jì)算 GDP 分為四項(xiàng)：　　GDP=勞動者報(bào)酬+生產(chǎn)稅凈額+固定資產(chǎn)折舊+營業(yè)盈余 四川省經(jīng)濟(jì)展?fàn)顩r四川地域廣闊,人口眾多,發(fā)展差異很大?！　睦碚撋险f，按支出法、收入法與生產(chǎn)法計(jì)算的 GDP 在量上是相等的，但實(shí)際核算中常有誤差，因而要加上一個(gè)統(tǒng)計(jì)誤差項(xiàng)來進(jìn)行調(diào)整，使其達(dá)到一致。商業(yè)和服務(wù)等部門也按增值法計(jì)算。這種計(jì)算方法反映了國內(nèi)生產(chǎn)總值的來源?！　?）用生產(chǎn)法核算 GDP　　用生產(chǎn)法核算 GDP，是指按提供物質(zhì)產(chǎn)品與勞務(wù)的各個(gè)部門的產(chǎn)值來計(jì)算國內(nèi)生產(chǎn)總值。這種方法又叫要素支付法、要素成本法。所謂消費(fèi)率就是最終消費(fèi)占 GDP 的比率，所謂投資率就是資本形成總額占 GDP 的比率?！璔n 代表各種最終產(chǎn)品的產(chǎn)量，PP2……Pn 代表各種最終產(chǎn)品的價(jià)格，則使用支出法核算 GDP 的公式是：Q1P1+Q2P2+……QnPn=GDP　　用支出法計(jì)算 GDP 的實(shí)際公式：GDP = C + I + G +（XM）　　在我國的統(tǒng)計(jì)實(shí)踐中，支出法計(jì)算的是國內(nèi)生產(chǎn)總值劃分為最終消費(fèi)、資本形成總額和貨物和服務(wù)的凈出口總額，它反映了本期生產(chǎn)的國內(nèi)生產(chǎn)總值的使用及構(gòu)成。這種方法又稱最終產(chǎn)品法、產(chǎn)品流動法。GDP 反映的是國民經(jīng)濟(jì)各部門的增加值的總額。一般來說，國內(nèi)生產(chǎn)總值有三種形態(tài)，即價(jià)值形態(tài)、收入形態(tài)和產(chǎn)品形態(tài)。這也是目前各個(gè)國家和地區(qū)常采用的衡量手段。通常對 GDP 的定義為：一定時(shí)期內(nèi)（一個(gè)季度或一年） ，一個(gè)國家或地區(qū)的經(jīng)濟(jì)中所生產(chǎn)出的全部最終產(chǎn)品和提供勞務(wù)的市場價(jià)值的總值。 BP Neural Network。 GDP data, build up a neural work prediction model to predict GDP. Through the 19972022 year GDP data analysis, study, to forecast the GDP of of all, preprocessing the input data, then use the multilayer feedforward neural work BP algorithm to study the artificial neural work in the GDP forecast’s problem. Use MATLAB mathematical software tool to solve the model. And then take the results to pare with the traditional model. And the results shows, the ANN forecasting model we have established in the GDP forecast has a value on theory and application.Key words: GDP。s international obligations, enjoy preferential treatment, if there’s no GDP. The issue which mon concern is that how to forecast the trend of the future’s GDP accurately and make GDP play a reference role to the formulation of national policies. However, with the economics’ rapidly development, the impact of GDP’s factors has became variety. GDP forecasting model has a strong nonlinear, so traditional linear forecasting model of GDP is difficult to achieve more accurate forecasts. However, the Practice has proved that