[发明专利]一种基于改进黑猩猩算法优化深度信念网络的股票预测方法

说明书

本发明公开了一种基于改进黑猩猩算法优化深度信念网络的股票预测方法，其特征在于：包括以下步骤：S1:将股票数据输入到DBN网络中，初始化网络的结构，包含网络的隐含层数、每层的神经元数、学习率、批处理样本数，并对样本数据进行训练；S2:选用DBN模型输出预测值的平均百分比误差MAPE作为优化目标函数；使用黑猩猩优化算法，对DBN的学习率和批处理样本数参数进行优化，避免人为经验设置参数造成的网络性能不稳定性，从而获得最佳的参数组合，提高了DBN模型对于不同股票数据的预测性能。

技术领域

本发明涉及深度信念网络DBN的参数优化技术领域，特别是涉及一种基于改进黑猩猩算法优化深度信念网络的股票预测方法。

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，有很好的特征提取和非线性拟合能力。但是在DBN网络的构建过程中，常使用人工经验来手动调整网络的参数，如学习率、每次处理的样本数(BS,Batch Size)等。学习率的增大可以提高网络的训练速度，但容易造成网络陷入局部最小值或者非收敛的情况。BS的大小影响着网络的优化程度，合适的BS值使得梯度下降的方向更加准确，有助于提高网络收敛的稳定性。因此DBN网络中不适当的参数选择会造成网络性能的不稳定与随机性，需要对网络参数进行优化。

常见的优化参数主要分为精确算法和近似算法两种。精确算法可以准确的求得问题的最佳解决方案，如线性规划、非线性规划等。但是随着问题复杂程度增大，优化执行时间会逐渐增加。近似算法可以分为启发式算法和元启发式算法两类。启发式算法是求得近似的最优解，不过容易陷入局部最佳点，然后收敛到局部最佳点。因此提出了元启发式算法来解决这些问题。元启发式算法式受自然界现象的启发得到的各种优化算法，常见的有遗传算法、灰狼优化算法、鲸鱼优化算法、粒子群优化算法、萤火虫优化算法等。现有的研究可以发现种群智能优化算法相比较于其他的优化算法更具有优势：首先种群优化算法在迭代的过程中会记录个体搜索到的空间信息，但遗传算法会丢弃之间的信息；其次种群优化算法相比较于其他算法，需要调整的参数较少，也更容易实现。因此种群优化算法更适合解决现实的工程问题。本发明选择种群优化算法中的黑猩猩优化算法进行改进，然后对深度信念网络进行优化。黑猩猩优化算法通过模拟现实世界中黑猩猩狩猎过程获得问题的解决方案。黑猩猩个体相比较于其他种群优化算法的个体更具有多样性。作为与人类最接近的哺乳动物，每个黑猩猩的能力和智力并不完全相同，每个人的能力在狩猎过程中作用各不相同，因此会根据个体的能力负责不同的狩猎任务，在优化算法探索阶段也会搜索的更彻底。另外黑猩猩狩猎过程中获得的猎物会换取一定的社会效益，这种隐形的奖励机制会促使他们忘记狩猎过程中的责任，即暂时不追逐猎物，这种行为会提高优化算法中的收敛率，避免陷入局部最优解，为了解决深度信念网络DBN在股票市场预测中由于不适当参数带来的结构的不稳定性和随机性，本发明提出了一种基于群体智能黑猩猩优化DBN的股票市场预测方法。

发明内容

为了克服现有技术的不足，本发明提供一种基于改进黑猩猩算法优化深度信念网络的股票预测方法，使用黑猩猩优化算法，对DBN的学习率和批处理样本数参数进行优化，避免人为经验设置参数造成的网络性能不稳定性，从而获得最佳的参数组合，提高了DBN模型对于不同股票数据的预测性能。

为解决上述技术问题，本发明提供如下技术方案：一种基于改进黑猩猩算法优化深度信念网络的股票预测方法，包括以下步骤：

S1:将股票数据输入到DBN网络中，初始化网络的结构，包含网络的隐含层数、每层的神经元数、学习率、批处理样本数，并对样本数据进行训练；

S2:选用DBN模型输出预测值的平均百分比误差MAPE作为优化目标函数：

S3:初始化黑猩猩种群，包含猩猩个数N，每个猩猩的初始位置 x_i(i＝1,2,...,N)，最大迭代次数t_max；