投影尋蹤和神經(jīng)網(wǎng)絡(luò)算法的比較分析

新疆農(nóng)業(yè)大學(xué)交通與物流工程學(xué)院 董丹華 吐爾遜·買買提

投影尋蹤回歸對復(fù)雜系統(tǒng)的原始數(shù)據(jù)進行建模分析與預(yù)測具有重要意義。以經(jīng)過簡化處理的波士頓房價數(shù)據(jù)集作為建模和預(yù)留檢驗的樣本數(shù)據(jù)，對自變量因子采用了線性降維技術(shù)、非線性擬合技術(shù)、迭代尋優(yōu)方法，分別應(yīng)用投影尋蹤回歸算法和神經(jīng)網(wǎng)絡(luò)回歸算法創(chuàng)建房價趨勢預(yù)測模型，對波士頓房價進行預(yù)測。預(yù)測結(jié)果表明：投影尋蹤回歸算法具有較高的準(zhǔn)確度，且投影尋蹤回歸算法具有較強的穩(wěn)健性、抗干擾性，為回歸預(yù)測模型計算預(yù)測值，并對預(yù)測值進行綜合分析提供思路和方法。

投影尋蹤(Projection Pursuit)簡稱PP，是國際統(tǒng)計界于20世紀(jì)70年代中期發(fā)展起來的[1]，是應(yīng)用數(shù)學(xué)、統(tǒng)計學(xué)、計算機技術(shù)的交叉學(xué)科，主要用于處理、分析高維觀測數(shù)據(jù)，是非正態(tài)、非線性高維數(shù)據(jù)的一種新興統(tǒng)計方法[2]，是將高維數(shù)據(jù)投影至低維子空間，并尋找出能反映原高維數(shù)據(jù)的結(jié)構(gòu)、特征的投影，達到分析、研究原高維數(shù)據(jù)的目的。投影尋蹤統(tǒng)計方法具有抗干擾性、穩(wěn)健性、準(zhǔn)確度高等特點，因而被廣泛應(yīng)用于很多領(lǐng)域[3]。

投影尋蹤統(tǒng)計方法主要涉及三方面內(nèi)容，即聚類分析、回歸、學(xué)習(xí)網(wǎng)絡(luò)[4]。其中投影尋蹤回歸算法原理解決了傳統(tǒng)間隔方法（PCA等）的不足，通過極值化來選定投影指標(biāo)，尋找最能反映數(shù)據(jù)特征的投影方向，將高維數(shù)據(jù)投影到低維空間，進行分析[5]。

本文所述的神經(jīng)網(wǎng)絡(luò)是最傳統(tǒng)的BP(Back-propagation)神經(jīng)網(wǎng)絡(luò)，即反向傳播神經(jīng)網(wǎng)絡(luò)。反向傳播是指在模擬過程中收集系統(tǒng)所產(chǎn)生的誤差，并且返回這些誤差到輸出值，從而調(diào)整神經(jīng)元的權(quán)重，此過程不斷重復(fù)，最終生成一個可以模擬出原始問題的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)[6]。人工神經(jīng)網(wǎng)絡(luò)(ANN，Artificial Neural Network)也叫多層感知機(MLP，Multilayer Perceptron)，除了輸入輸出層，它中間可以有多個隱層，最簡單的MLP只含一個隱層，即三層結(jié)構(gòu)[7]。

本文依據(jù)波士頓房價預(yù)測問題，采用了上述兩種回歸算法進行建模，對模型進行訓(xùn)練和測試，通過對模型表現(xiàn)以及訓(xùn)練過程的總結(jié)，探究神經(jīng)網(wǎng)絡(luò)回歸算法和投影尋蹤回歸算法在這一具體問題中的應(yīng)用。

1 投影尋蹤回歸算法與神經(jīng)網(wǎng)絡(luò)回歸算法原理

投影尋蹤回歸算法(PPR)與神經(jīng)網(wǎng)絡(luò)回歸算法(MLPR)，都是對自變量因子采用了線性降維技術(shù)和非線性擬合技術(shù)，并進而通過迭代尋優(yōu)的方法，創(chuàng)建回歸模型的[8]。

1.1 投影尋蹤回歸算法(PPR)的數(shù)學(xué)表達式及預(yù)測算法流程

PPR技術(shù)是將投影尋蹤(PP)與回歸分析(RA)方法相結(jié)合的多因子建模技術(shù)，對統(tǒng)計數(shù)據(jù)不作任何假定和變換等人為干預(yù)，對數(shù)據(jù)的降維優(yōu)化是借助計算機進行處理[9]。數(shù)據(jù)結(jié)構(gòu)的審視較客觀，并以數(shù)值函數(shù)描述后再用于預(yù)測，非正態(tài)、非線性的有用信息獲取充分，其數(shù)學(xué)表達式描述如式(1)所示：

式(1)中：f(x)回歸方程可用嶺函數(shù)，進行逼近；

αjm第j個自變量因子的權(quán)重系數(shù)，或稱投影方向，自變量因子的維度=P；

βim第m個嶺函數(shù)的權(quán)重系數(shù)；

權(quán)重系數(shù)是按自變量因子x與目標(biāo)y的相關(guān)程度計算出來的。

其算法流程如下：

（1）對y進行標(biāo)準(zhǔn)化處理→R(中間變量)；

（2）循環(huán)創(chuàng)建最多M個嶺函數(shù)，步驟如下：

1）按（R,x）的主成分方向設(shè)置第一個嶺函數(shù)的投影方向數(shù)組A；

2）計算嶺函數(shù)的水平坐標(biāo)值A(chǔ)×X→T；

3）用超級濾波器求解嶺函數(shù)值→F；

4）計算剩余值Y[j]-F[j]→R；

5）計算β系數(shù)=R[i,j]×F[j]/(F[j])×(F[j])，計算下一輪建模數(shù)據(jù)R=R[i,j]-B[LM-1,i]×F[LM-1,j]；

6）檢查循環(huán)條件，創(chuàng)建下一個嶺函數(shù)；

（3）如果所建模型個數(shù)>MU，需進行全局優(yōu)化，以保證模型個數(shù)≤MU。MU、M都是模型參數(shù)，通常為3，8；

（4）輸出回歸模型的結(jié)果數(shù)據(jù)。

1.2 神經(jīng)網(wǎng)絡(luò)回歸算法(MLPR)的數(shù)學(xué)表達式及預(yù)測算法流程

神經(jīng)網(wǎng)絡(luò)回歸(MLPR)是多隱層BP神經(jīng)網(wǎng)絡(luò)(四層以上網(wǎng)絡(luò))，由輸入層、隱藏層、輸出層、節(jié)點(每一個節(jié)點就是一個神經(jīng)元)組成，輸入層神經(jīng)元個數(shù)與輸入數(shù)據(jù)的維數(shù)相同，輸出層神經(jīng)元個數(shù)與需要擬合的數(shù)據(jù)個數(shù)相同，隱含層神經(jīng)元個數(shù)與層數(shù)需要根據(jù)具體規(guī)則和目標(biāo)設(shè)定[10]。如圖1、圖2所示分別是單隱藏層和多隱藏層模型。

圖1 單隱藏層模型Fig.1 Single hidden layer model

圖2 多隱藏層模型Fig.2 Multiple hidden layer models

其數(shù)學(xué)表達式描述如式(2)所示：

式(2)中：a是激活函數(shù)，w是權(quán)值，b是偏移量（截距）

其數(shù)學(xué)表達式描述如式(3)所示：

式(3)中：w1，w2，w3，w4和b1，b2，b3，b4為 權(quán)重和截距數(shù)組。

x→為訓(xùn)練因子數(shù)組（X[N,P],N=27,P=4），w1為訓(xùn)練因子權(quán)重，相當(dāng)于PPR中的自變量因子的權(quán)重系數(shù)，在神經(jīng)網(wǎng)絡(luò)算法中，它的初始值是隨機設(shè)定的。

f( )為神經(jīng)元激活函數(shù)，相當(dāng)于PPR中的嶺函數(shù)，在神經(jīng)網(wǎng)絡(luò)算法中是按指定函數(shù)設(shè)定的。

其算法流程如下：

（1）當(dāng)模型參數(shù)設(shè)定為hidden_layer_sizes=(10,5),activation= 'relu', solver='lbfgs',alpha = 0.01，max_iter = 200)時，用隨機數(shù)初始化權(quán)重矩陣W[w1[4,10]，w2[10,5]，w3[5,1]]和截距矩陣B[b1[10]，b2[5]，b3[1]]；

（2）按最大迭代次數(shù)200，對權(quán)重矩陣和截距矩陣共111個數(shù)據(jù)進行殘差最小化尋優(yōu)。每次迭代過程的流程如下：

1）按當(dāng)前的權(quán)重和截距計算各層神經(jīng)元數(shù)組；

2）計算回歸方程與目標(biāo)Y的平均平方差(loss)；

3）按loss反向計算權(quán)重和截距的更新值；

4）迭代循環(huán)1）～3）直到結(jié)束。

（3）輸出回歸模型。

部分實現(xiàn)核心代碼如下：

2 數(shù)據(jù)實例

為了深入了解MLPR算法流程，并便于與PPR進行比較，本文使用經(jīng)過簡化處理的波士頓房價數(shù)據(jù)集作為建模和預(yù)留檢驗的樣本數(shù)據(jù)，其值如表1所示。

表1 簡化處理的波士頓房價數(shù)據(jù)集Tab.1 A simplified Boston house price dataset

3 建模與計算

PPR模型是通過計算機程序運算不斷尋優(yōu)的過程，使其滿足如下極小化準(zhǔn)則，即按PPR(P4,N27,NN3,M4；MU2)建模，預(yù)報結(jié)果如圖3所示。

圖3 PPR模型回歸結(jié)果及預(yù)報檢驗Fig.3 PPR model regression results and forecast verification

按MLPR(P4,N27,NN3,(10,5))建模預(yù)報處理的結(jié)果數(shù)據(jù)與PPR對比如表2所示。

表2 MLPR與PPR建模處理預(yù)報結(jié)果數(shù)據(jù)對比Tab.2 Comparison of MLPR and PPR modeling and processing forecast data

表2數(shù)據(jù)用圖形表示如圖4所示。

圖4 PPR與MLPR預(yù)報結(jié)果比較Fig.4 Comparison of PPR and MLPR forecast results

4 結(jié)論

預(yù)測結(jié)果驗證了回歸模型的可行性。同時，對投影尋蹤回歸算法和神經(jīng)網(wǎng)絡(luò)回歸算法進行對比，結(jié)果表明兩者算法非常類似，都是通過對P維訓(xùn)練因子，進行坐標(biāo)轉(zhuǎn)換，構(gòu)建回歸模型，再按回歸模型的殘差，對回歸模型參數(shù)進行迭代尋優(yōu)處理。兩者的區(qū)別是回歸模型參數(shù)個數(shù)不同，投影尋蹤回歸算法的回歸模型參數(shù)個數(shù)=P訓(xùn)練因子維數(shù)×MU+MU嶺函數(shù)最終個數(shù)。神經(jīng)網(wǎng)絡(luò)回歸算法的回歸模型參數(shù)個數(shù)=P訓(xùn)練因子維數(shù)×第1隱藏層節(jié)點數(shù)+……+第（n-1）隱藏層節(jié)點數(shù)×第n隱藏層節(jié)點數(shù)+輸出層節(jié)點數(shù)（即目標(biāo)Y的維數(shù)）。當(dāng)使用同一個樣本數(shù)據(jù)（波士頓房價數(shù)據(jù)集）進行建模預(yù)報比較時，PPR最后3個預(yù)留檢驗點的預(yù)報誤差比MLPR低。投影尋蹤回歸算法具有較強的穩(wěn)健性和抗干擾性，神經(jīng)網(wǎng)絡(luò)回歸算法的結(jié)果是不穩(wěn)定的，原因是神經(jīng)網(wǎng)絡(luò)回歸模型的初始參數(shù)是隨機的，導(dǎo)致模型不穩(wěn)定。

引用

[1] 宋曉濤,孫海龍.基于神經(jīng)網(wǎng)絡(luò)的自動源代碼摘要技術(shù)綜述[J].軟件學(xué)報,2022,33(01):55-77.

[2] 劉方愛,王倩倩,郝建華.基于深度神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)研究綜述[J].山東師范大學(xué)學(xué)報(自然科學(xué)版),2021,36(4):325-336.

[3] 白祉旭,王衡軍,郭可翔.基于深度神經(jīng)網(wǎng)絡(luò)的對抗樣本技術(shù)綜述[J].計算機工程與應(yīng)用,2021,57(23):61-70.

[4] 李舵,董超群,司品超,等.神經(jīng)網(wǎng)絡(luò)驗證和測試技術(shù)研究綜述[J].計算機工程與應(yīng)用,2021,57(22):53-67.

[5] 李炳臻,劉克,顧佼佼,等.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機時代,2021(4):8-12+17.

[6] 張馳,郭媛,黎明.人工神經(jīng)網(wǎng)絡(luò)模型發(fā)展及應(yīng)用綜述[J].計算機工程與應(yīng)用,2021,57(11):57-69.

[7] 梁苗.基于粒子群優(yōu)化投影尋蹤模型的大型商場火災(zāi)風(fēng)險評價[D].武漢:武漢理工大學(xué),2020.

[8] 李貝貝.基于投影尋蹤法的股權(quán)激勵對公司績效的影響研究[D].徐州:中國礦業(yè)大學(xué),2019.

[9] 顧婷.基于RAGA的投影尋蹤模型的廣西資源環(huán)境承載力評價[D].武漢:武漢大學(xué),2018.

[10] 蘇屹,姜雪松,張成功.投影尋蹤法在企業(yè)評價體系中的應(yīng)用綜述[J].科技和產(chǎn)業(yè),2013,13(11):104-107.