Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

109 1.4K 5
Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

Tốc độ tăng trưởng Tổng sản phẩm quốc nội (Gross Domestic Product - GDP) là một chỉ số kinh tế có ý nghĩa rất quan trọng

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH  CÔNG TRÌNH DỰ THI GIẢI THƢỞNG NGHIÊN CỨU KHOA HỌC SINH VIÊN “NHÀ KINH TẾ TRẺ – NĂM 2011” Thuộc nhóm ngành : KHOA HỌC KINH TẾ Tp. Hồ Chí Minh, tháng 06/2011 TÓM TẮT ĐỀ TÀI 1. Lý do chọn đề tài Tốc độ tăng trưởng Tổng sản phẩm quốc nội (Gross Domestic Product - GDP) là một chỉ số kinh tế có ý nghĩa rất quan trọng đối với các nhà điều hành kinh tế và các doanh nghiệp trong việc xem xét mức tăng trưởng của nền kinh tế, là tiền đề hỗ trợ cho các quyết định về chính sách, chiến lược cho một giai đoạn trong tương lai. Vì các thông tin về tốc độ tăng trưởng GDP được công bố ra công chúng có một độ trễ nhất định nên vấn đề cấp thiết hiện nay là cần có một hình dự báo tốc độ tăng trưởng GDP có hiệu quả. Do vậy, các công trình hướng đến việc xây dựng hình dự báo các biến số vĩ mô, đặc biệt là tốc độ tăng trưởng GDP luôn nhận được sự quan tâm của nhiều nhà nghiên cứu trong và ngoài nước. Những năm gần đây, hình Mạng thần kinh nhân tạo (Artificial Neural Network – ANN) được phỏng theo cách thức tổ chức và vận hành của bộ não con người, với các ưu điểm vượt trội trong việc xác định và dự báo một cách chính xác các biến số kinh tế có quan hệ phi tuyến đã được các nhà kinh tế học tập trung nghiên cứu và ứng dụng rộng rãi. Tuy nhiên, ở thời điểm hiện tại việc ứng dụng hình Mạng thần kinh nhân tạo cho việc dự báo các biến số kinh tếViệt Nam vẫn chưa phổ biến. Từ các lý do trên, nhóm nghiên cứu đã thực hiện đề tài: “Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của hình Mạng thần kinh nhân tạo (ANN) so với hình Hồi quy tuyến tính truyền thống”. 2. Mục tiêu nghiên cứu Để tiến hành nghiên cứu việc xây dựng và kiểm chứng khả năng dự báo của hình Mạng thần kinh nhân tạo, bài nghiên cứu đã đặt ra các vấn đề cần giải quyết trong suốt quá trình nghiên cứu: Thứ nhất, hình Mạng thần kinh nhân tạo là gì ?, cơ chế hoạt động như thế nào ? Thứ hai, những ưu điểm, khuyết điểm và các vấn đề vẫn chưa được giải quyết từ các công trình nghiên cứu trên thế giới ? Thứ ba, hình Hồi quy tuyến tính truyền thống là một hình đã rất phổ biến hiện nay ở Việt Nam, và rằng nó khác biệt như thế nào so với hình Mạng thần kinh nhân tạo ? Thứ tư, có nhiều quan điểm liên quan đến việc cần phải điều chỉnh dữ liệu trước khi đưa vào hình Mạng thần kinh nhân tạo, liệu rằng nó có cần thiết cho bài nghiên cứu này khi tiến hành xây dựng hình Mạng thần kinh nhân tạo hay không ? Thứ năm, hình Mạng thần kinh nhân tạo nào sẽ được lựa chọn để xây dựng hình dự báo tốc độ tăng trưởng GDP Việt Nam? Thứ sáu, khả năng ứng dụng hình Mạng thần kinh nhân tạo trong việc dự báo tốc độ tăng trưởng GDP Việt Nam nói riêng và các biến kinh tế nói chung ?, hình Mạng thần kinh nhân tạo có thể kết hợp với hình Hồi quy tuyến tính để cho ra một hình dự báo tốt ở Việt Nam như một số công trình trên thế giới đã thực hiện hay không ? Cuối cùng, hướng nghiên cứu mở rộng nào trong tương lai mà bài nghiên cứu đặt ra cho những vấn đề còn hạn chế? 3. Phƣơng pháp nghiên cứu Trong bài nghiên cứu này, nhóm sử dụng phương pháp định lượng sẽ là phương pháp chủ yếu để xây dựng hình Mạng thần kinh nhân tạo hình Hồi quy tuyến tính truyền thống cho dự báo. Tuy nhiên, phương pháp định tính cũng sẽ được nhóm sử dụng làm cơ sở lựa chọn các nhân tố kinh tế tác động đến tốc độ tăng trưởng GDP. Bên cạnh đó, phương pháp so sánh sẽ được áp dụng để tìm kiếm hình dự báo hiệu quả từ các hình trên. hình Mạng thần kinh nhân tạo được xây dựng trên phần mềm NeuroSolutions phiên bản 6.01 (bản dùng thử), và hình Hồi quy tuyến tính truyền thống được xây dựng bằng phần mềm EViews 5.0. Về bộ dữ liệu dùng cho xây dựng hình được thu thập từ Ngân hàng nhà nước Việt Nam và Tổng cục thốngViệt Nam. 4. Nội dung nghiên cứu Thứ nhất, bài nghiên cứu sẽ tiến hành lược khảo các bài nghiên cứu trước đây trong và ngoài nước để có tổng quan về vấn đề cần nghiên cứu. Thứ hai, nhóm sẽ trình bày lý thuyết về Mạng thần kinh nhân tạo để đặt nền tảng cho việc xây dựng hình. Thứ ba, xây dựng các hình dự báo tốc độ tăng trưởng GDP. Cuối cùng, bài nghiên cứu thực hiện so sánh và rút ra kết luận cho một hình dự báo tốc độ tăng trưởng GDP hiệu quả. 5. Đóng góp của đề tài Trong giới hạn và mục tiêu của nghiên cứu, bài nghiên cứu này cung cấp một cái nhìn tổng quan trong việc ứng dụng hình Mạng thần kinh nhân tạo để dự báo các biến số kinh tế. Bên cạnh đó, thông qua quá trình thực nghiệm xây dựng các hình dự báo tốc độ tăng trưởng Tổng sản phẩm quốc nội (GDP) Việt Nam, nhóm nghiên cứu đã tiến hành so sánh hiệu quả dự báo giữa hình Mạng thần kinh nhân tạo hình Hồi quy tuyến tính truyền thống để tìm ra hình dự báo tốt nhất. Vì vậy, bài nghiên cứu này sẽ là một đóng góp tích cực cho hướng nghiên cứu mới trong lĩnh vực dự báo các biến số kinh tế. 6. Hƣớng phát triển sắp tới của đề tài Bên cạnh những gì bài nghiên cứu đã thực hiện được thì thật sự cần thiết để nói rằng vấn đề ứng dụng hình Mạng thần kinh nhân tạo trong việc xử lý thông tin và dự báo các biến số kinh tế sẽ không ngừng lại, mà nó cần phải liên tục được nghiên cứu, hoàn thiện, khắc phục những điểm yếu, cũng như vận dụng, khai thác các ưu điểm của hình. Từ đó, góp phần đưa hình Mạng thần kinh nhân tạo như là một sự lựa chọn tốt cho công tác dự báo biến số kinh tế bên cạnh các hình kinh tế lượng truyền thốngViệt Nam. MỤC LỤC PHẦN MỞ ĐẦU . 1 Chƣơng 1: GIỚI THIỆU 2 1.1. hình Mạng thần kinh nhân tạo và công tác dự báo 2 1.2. Lược khảo các nghiên cứu trước đây 3 1.3. Mục tiêu của bài nghiên cứu . 7 Chƣơng 2: HÌNH MẠNG THẦN KINH NHÂN TẠO 9 2.1. Đặc điểm của Mạng thần kinh nhân tạo . 9 2.1.1. Nơ-ron sinh học 9 2.1.2. Nơ-ron nhân tạo 11 2.1.3. Mạng thần kinh nhân tạo 13 2.2. Các dạng hình Mạng thần kinh nhân tạo 14 2.2.1. Mạng thần kinh truyền thẳng . 14 2.2.1.1. Mạng thần kinh truyền thẳng đơn giản nhất . 14 2.2.1.2. Mạng thần kinh truyền thẳng đa lớp . 15 2.2.1.3. Mạng thần kinh bổ sung 17 2.2.2. Mạng thần kinh nhân tạo hồi tiếp 18 2.2.2.1. Mạng thần kinh hồi tiếp Jordan 19 2.2.2.2. Mạng thần kinh hồi tiếp Elman . 19 2.3. Huấn luyện Mạng thần kinh nhân tạo . 20 2.3.1. Quá trình học của Mạng thần kinh 20 2.3.2. Các phương pháp học 20 2.3.2.1. Học theo tham số 20 2.3.2.2. Học cấu trúc . 22 2.3.3. Hàm truyền 22 2.3.4. Thuật toán truyền ngược 26 2.3.4.1. Điều chỉnh trọng số của Mạng thần kinh 28 2.3.4.2. Nguyên tắc giảm độ dốc 29 2.3.4.3. Truyền ngược sai số 30 2.4. Các vấn đề của hình Mạng thần kinh nhân tạo . 34 2.4.1. Tổng quát hóa và học quá mức 34 2.4.2. Thủ tục ngừng đúng lúc . 35 2.5. Ưu điểm và khuyết điểm của hình Mạng thần kinh nhân tạo . 37 2.5.1.Ưu điểm 37 2.5.2. Khuyết điểm 38 2.6. So sánh hình Mạng thần kinh nhân tạo hình hồi quy tuyến tính . 39 Chƣơng 3: XÂY DỰNG HÌNH DỰ BÁO TỔNG SẢN PHẨM QUỐC NỘI (GDP) CỦA VIỆT NAM 41 3.1. Dữ liệu 41 3.1.1. Giải thích biến . 43 3.1.2. Kỳ vọng về dấu 46 3.2. Xây dựng hình Hồi quy tuyến tính truyền thống cho dự báo tốc độ tăng trưởng GDP Việt Nam . 47 3.3. Xây dựng hình Mạng thần kinh nhân tạo để dự báo tốc độ tăng trưởng Tổng sản phẩm quốc nội (GDP) của Việt Nam 50 3.3.1. Quy trình xây dựng hình Mạng thần kinh nhân tạo 50 3.3.1.1. Lựa chọn các biến số và thu thập dữ liệu . 50 3.3.1.2. Tiền xử lý dữ liệu . 51 3.3.1.3. Lựa chọn các thông số cho hình . 54 3.3.1.4. Tiến hành thực hiện xây dựng hình 57 3.3.1.5. Dự báo và phân tích kết quả . 58 3.3.2. Xây dựng hình Mạng thần kinh nhân tạo một cách độc lập để dự báo tốc độ tăng trưởng GDP 59 3.3.3. Xây dựng hình Mạng thần kinh nhân tạo với sự hỗ trợ từ hình hồi quy tuyến tính truyền thống 62 Chƣơng 4: KẾT QUẢ DỰ BÁO VÀ KẾT LUẬN . 67 4.1 So sánh kết quả dự báo tốc độ tăng trưởng GDP Việt Nam của các hình . 67 4.2 Kết luận 72 PHẦN KẾT LUẬN . 73 PHỤ LỤC 74 TÀI LIỆU THAM KHẢO 94 DANH MỤC THUẬT NGỮ Tiếng Anh Tiếng Việt Activity Function Hàm kích hoạt Adaptive Linear Neuron – ADALINE Mạng nơ-ron tuyến tính thích ứng Amplitude Biên độ Artificial Neural Network – ANN Mạng thần kinh nhân tạo Augmented Neural Networks Mạng thần kinh bổ sung Backpropagation Thuật toán truyền ngược Backpropagation Algorithm Thuật toán truyền ngược Batch Training Huấn luyện hàng loạt Black Box Hộp đen Cost Function Hàm chi phí Desired Output Các giá trị đầu ra mục tiêu Early Stopping Procedure Thủ tục ngừng đúng lúc Elman Recurrent Neural Networks – ERNN Mạng thần kinh hồi tiếp Elman Epoch Số vòng lặp Error Backpropagation Thuật toán sai số truyền ngược Error Tolerance Sai số cho phép Feed-Forward Neural Networks – FFNN Mạng thần kinh truyền thẳng Forward Procedure Thủ tục đưa dần vào Global Minimum Tối thiểu hóa toàn cục Gradient Descent Nguyên tắc giảm độ dốc Gross Domestic Product – GDP Tổng sản phẩm quốc nội Hidden Layer Lớp nơ-ron ẩn Input Các giá trị (tín hiệu) đầu vào Input Layer Lớp nơ-ron đầu vào Jordan Recurrent Neural Networks – JRNN Mạng thần kinh hồi tiếp Jordan Layer Lớp mạng Learning Curve Đường cong học hỏi Learning Rate Tỷ lệ học Linearly Inseparable Functions Hàm không phân tách tuyến tính Local Minimum Tối thiểu hóa cục bộ Lower Bound Biên dưới Mean Absolute Error – MAE Sai số tuyệt đối trung bình Mean Absolute Percentage Error – MAPE Sai số phần trăm tuyệt đối trung bình Mean Error – ME Sai số trung bình Mean Percentage Error – MPE Sai số phần trăm trung bình Mean Square Error – MSE Sai số bình phương trung bình Momentum Động lượng Multilayer Feed- Forward Perceptron Mạng thần kinh đa lớp truyền thẳng Multilayer Perceptrons – MLPs Mạng thần kinh truyền thẳng đa lớp Multiple Adaptive Linear Neuron – MADALINE Mạng nơ-ron tuyến tính thích ứng đa lớp Offset Độ lệch On-Line Training Huấn luyện từng dòng Output Các giá trị đầu ra Output Layer Lớp nơ-ron đầu ra Over – learned Học quá mức Parameter Learning Học theo tham số Perceptron Mạng thần kinh truyền thẳng đơn giản nhất Recurrent Neural Networks Mạng thần kinh hồi tiếp Recurrent Neural Networks –RNN Mạng thần kinh nhân tạo hồi tiếp Root Mean Squared Error – RMSE Căn bậc hai của sai số bình phương trung bình Self Organizing Networks Mạng thần kinh tự tổ chức Step Size Kích thước bước Straight Gradient Descent Giảm độ dốc thẳng Structure Learning Học cấu trúc Supervised Learning Học có giám sát Test Set Dữ liệu kiểm tra Theil’U Hệ số không ngang bằng Training Set Dữ liệu huấn luyện Transfer Functions Hàm truyền Unsupervised Learning Học không giám sát Upper Bound Biên trên Validation Set Dữ liệu phê duyệt Weights Trọng số DANH MỤC BẢNG Bảng 3.1: Các biến được cân nhắc đưa vào hình dự báo GDP theo quý . 42 Bảng 3.2: Tên biến và kỳ vọng về dấu 46 Bảng 3.3: Thống tả các biến 47 Bảng 3.4: Các thông số huấn luyện 63 Bảng 4.1: So sánh dự báo trong mẫu và dự báo ngoài mẫu . 68 DANH MỤC HÌNH Hình 2.1: Minh họa cấu tạo của một nơ-ron sinh học . 11 Hình 2.2: Nơ-ron nhân tạo. 11 Hình 2.3: hình Mạng thần kinh nhân tạo . 14 Hình 2.4: hình thần kinh nhân tạo đơn giản nhất 15 Hình 2.5: hình Mạng thần kinh truyền thẳng đa lớp 16 Hình 2.6: hình Mạng thần kinh nhân tạo bổ sung . 17 Hình 2.7: hình Mạng thần kinh nhân tạo hồi tiếp . 18 Hình 2.8: hình Mạng thần kinh hồi tiếp Jordan 19 Hình 2.9: hình Mạng thần kinh hồi tiếp Elman 20 Hình 2.10: Đồ thị biểu diễn hàm truyền Heaviside . 23 Hình 2.11: Đồ thị biểu diễn hàm truyền Xích ma . 23 Hình 2.12: Đồ thị biểu diễn hàm Hyperbol . 24 Hình 2.13: Đồ thị biểu diễn hàm LinearTanhAxon 25 Hình 2.14: Đồ thị biểu diễn hàm LinearSigmoidAxon 25 Hình 2.15: hình Mạng thần kinh nhân tạosử dụng thuật toán truyền ngược . 27 Hình 2.16: Biểu diễn việc điều chỉnh các trọng số theo nguyên tắc giảm độ dốc . 29 Hình 2.17: Việc giảm độ dốc trên mặt phẳng sai số 34 Hình 2.18: Biểu diễn thủ tục ngừng đúng lúc 36 Hình 3.1: hình Mạng thần kinh nhân tạo được xây dựng một cách độc lập tốt nhất cho dự báo tốc độ tăng trưởng GDP Việt Nam 60 Hình 3.2: Đồ thị thể hiện giá trị MSE của quá trình huấn luyện hình Mạng thần kinh nhân tạo được xây dựng một cách độc lập tốt nhất 60 Hình 3.3: Các trọng số ước lượng của hình Mạng thần kinh độc lập 61 Hình 3.4: hình Mạng thần kinh nhân tạo tốt nhất với sự hỗ trợ từ hình Hồi quy tuyến tính truyền thống cho dự báo tốc độ tăng trưởng GDP Việt Nam 64 Hình 3.5: Đồ thị thể hiện giá trị MSE của quá trình huấn luyện hình Mạng thần kinh nhân tạo với sự hỗ trợ từ hình Hồi quy tuyến tính truyền thống 64 [...]... những vấn đề còn hạn chế ? 9 Chƣơng 2 HÌNH MẠNG THẦN KINH NHÂN TẠO Đặc điểm của hình Mạng thần kinh nhân tạo Các dạng hình Mạng thần kinh nhân tạo Huấn luyện Mạng thần kinh nhân tạo Các vấn đề của hình Mạng thần kinh nhân tạo Ƣu điểm và khuyết điểm của hình Mạng thần kinh nhân tạo So sánh hình Mạng thần kinh nhân tạo hình Hồi quy tuyến tính Bài nghiên cứu sẽ dành toàn bộ chương... 8 Thứ năm, hình Mạng thần kinh nhân tạo nào sẽ được lựa chọn để xây dựng hình dự báo tốc độ tăng trưởng GDP Việt Nam? Thứ sáu, khả năng ứng dụng hình Mạng thần kinh nhân tạo trong việc dự báo tốc độ tăng trưởng GDP Việt Nam nói riêng và các biến kinh tế nói chung ?, hình Mạng thần kinh nhân tạo có thể kết hợp với hình Hồi quy tuyến tính để cho ra một hình dự báo tốt ở Việt Nam như... tài: Dự báo tăng trưởng kinh tế Việt Nam: Sự vượt trội của hình Mạng thần kinh nhân tạo (ANN) so với hình Hồi quy tuyến tính truyền thống 2 Chƣơng 1 GIỚI THIỆU Khái quát hình Mạng thần kinh nhân tạo và khả năng ứng dụng Lƣợc khảo các nghiên cứu trƣớc đây Mục tiêu của bài nghiên cứu Bài nghiên cứu bắt đầu bằng sự giới thiệu khái quát về hình Mạng thần kinh nhân tạo và khả năng ứng dụng của. .. xây dựng hình ANN 6 với Mạng thần kinh truyền thẳng đa lớp có một lớp ẩn với 2 nơ-ron ẩn Kết quả là hiệu quả dự báo từ ANN tốt hơn các hình Hồi quy tuyến tính Steven Gonzalez (2000) thực hiện so sánh hình Mạng thần kinh nhân tạo hình hồi quy tuyến tính khi dự báo tốc độ tăng trưởng GDP thực theo quý của Canada Năm biến được sử dụng đó là: tốc độ gia tăng trong chỉ số về nhóm chỉ báo. . .Hình 3.6: Các trọng số ước lượng của hình Mạng thần kinh dựa trên kết quả của hình truyền thống 65 Hình 4.1: Đồ thị dự báo trong mẫu 69 Hình 4.2: Đồ thị dự báo ngoài mẫu 69 Hình 4.3: Đồ thị dự báo trong mẫu của hình ANN 70 Hình 4.4: Đồ thị dự báo trong mẫu của hình ANN & HQTT 70 Hình 4.5: Đồ thị dự báo ngoài mẫu của hình ANN .71 Hình. .. khoán để dự báo tốc độ tăng trưởng kinh tế của 27 nước thành viên Liên minh châu Âu trong giai đoạn 1991-2007, đồng thời so sánh hoạt động dự báo của 2 hình: hình hồi quy tuyến tính hình ANN, trong đó hình ANN sử dụng mạng truyền thẳng, một lớp ẩn và hàm Tanh làm hàm truyền Sử dụng các chỉ tiêu như: RMSE, MAE, TIC, MAPE để so sánh hoạt động dự báo của 2 hình; kết quả cho thấy, hình. .. tảng về Mạng thần kinh nhân tạo bao gồm: đặc điểm, cơ chế hoạt động, các thuật toán, và các cải tiến giúp quá trình hoạt động của mạng trở nên hiệu quả Tuy nhiên như các hình kinh tế lượng khác, hình Mạng thần kinh nhân tạo vẫn còn tồn tại các khuyết điểm cần khắc phục bên cạnh các ưu điểm vượt trội của nó Đồng thời, việc so sánh hình Mạng thần kinh nhân tạo với hình Hồi quy tuyến tính trên... hoạt động dự báo của những hình chuỗi thời gian đơn biến cho tốc độ tăng trưởng GDP và lạm phát Có tất cả 55 hình được sử dụng để so sánh hoạt động dự báo với các phương án độ trễ khác nhau, trong đó có 19 hình tuyến tính gồm các hình tự hồi quy (AR) và hình dự báo đơn giản - bước đi ngẫu nhiên, trong bài nghiên cứu này hình bước đi ngẫu nhiên phù hợp với dữ liệu lạm phát hơn so với. .. quả dự báo tốt hơn Swanson và White (1997) cũng sử dụng Mạng thần kinh nhân tạo cho việc dự báo 9 biến kinh tế trong đó có GDP thực Họ so sánh sự khác nhau giữa hình tuyến tính hình phi tuyến (ANN) bằng cách sử dụng các chỉ báo với cỡ mẫu lớn để thực hiện dự báo ngoài mẫu Kết quả là những hình tuyến tính đa biến thì tốt hơn Tkacz và Hu (1999) sử dụng ANN để dự báo tốc độ tăng trưởng. .. Thứ ba, hình Hồi quy tuyến tính truyền thống là một hình đã rất phổ biến hiện nay ở Việt Nam, và rằng nó khác biệt như thế nào so với hình Mạng thần kinh nhân tạo ? Thứ tư, có nhiều quan điểm liên quan đến việc cần phải điều chỉnh dữ liệu trước khi đưa vào hình Mạng thần kinh nhân tạo, liệu rằng nó có cần thiết cho bài nghiên cứu này khi tiến hành xây dựng hình Mạng thần kinh nhân tạo hay . tài: Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình Mạng thần kinh nhân tạo (ANN) so với mô hình Hồi quy tuyến tính truyền thống .. đề tài: Dự báo tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình Mạng thần kinh nhân tạo (ANN) so với mô hình Hồi quy tuyến tính truyền thống .

Ngày đăng: 27/03/2013, 09:48

Hình ảnh liên quan

Hình 2.2: Nơ-ron nhân tạo - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.2.

Nơ-ron nhân tạo Xem tại trang 22 của tài liệu.
Hình 2.1: Minh họa cấu tạo của một nơ-ron sinh học 2.1.2. Nơ-ron nhân tạo   - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.1.

Minh họa cấu tạo của một nơ-ron sinh học 2.1.2. Nơ-ron nhân tạo Xem tại trang 22 của tài liệu.
Hình 2.3: Mô hình Mạng thần kinh nhân tạo 2.2. Các dạng mô hình Mạng thần kinh nhân tạo  - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.3.

Mô hình Mạng thần kinh nhân tạo 2.2. Các dạng mô hình Mạng thần kinh nhân tạo Xem tại trang 25 của tài liệu.
Hình 2.4: Mô hình thần kinh nhân tạo đơn giản nhất - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.4.

Mô hình thần kinh nhân tạo đơn giản nhất Xem tại trang 26 của tài liệu.
Hình 2.5: Mô hình Mạng thần kinh truyền thẳng đa lớp - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.5.

Mô hình Mạng thần kinh truyền thẳng đa lớp Xem tại trang 27 của tài liệu.
Như đã nói ở trên, một mô hình có quá nhiều lớp ẩn sẽ dẫn đến tình trạng quá vừa khít với dữ liệu và cho kết quả không chính xác khi dự báo ngoài mẫu - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

h.

ư đã nói ở trên, một mô hình có quá nhiều lớp ẩn sẽ dẫn đến tình trạng quá vừa khít với dữ liệu và cho kết quả không chính xác khi dự báo ngoài mẫu Xem tại trang 28 của tài liệu.
Hình 2.7: Mô hình Mạng thần kinh nhân tạo hồi tiếp - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.7.

Mô hình Mạng thần kinh nhân tạo hồi tiếp Xem tại trang 29 của tài liệu.
Hình 2.9: Mô hình Mạng thần kinh hồi tiếp Elman - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.9.

Mô hình Mạng thần kinh hồi tiếp Elman Xem tại trang 31 của tài liệu.
Hình 2.10: Đồ thị biểu diễn hàm truyền Heaviside Hàm Xích ma  - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.10.

Đồ thị biểu diễn hàm truyền Heaviside Hàm Xích ma Xem tại trang 34 của tài liệu.
Hình 2.11: Đồ thị biểu diễn hàm truyền Xích ma - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.11.

Đồ thị biểu diễn hàm truyền Xích ma Xem tại trang 34 của tài liệu.
Hình 2.12: Đồ thị biểu diễn hàm Hyperbol - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.12.

Đồ thị biểu diễn hàm Hyperbol Xem tại trang 35 của tài liệu.
Hình 2.13: Đồ thị biểu diễn hàm LinearTanhAxon Hàm LinearSigmoidAxon   - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.13.

Đồ thị biểu diễn hàm LinearTanhAxon Hàm LinearSigmoidAxon Xem tại trang 36 của tài liệu.
Hình 2.15: Mô hình Mạng thần kinh nhân tạo có sử dụng thuật toán truyền ngƣợc - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.15.

Mô hình Mạng thần kinh nhân tạo có sử dụng thuật toán truyền ngƣợc Xem tại trang 38 của tài liệu.
Hình 2.16: Biểu diễn việc điều chỉnh các trọng số theo nguyên tắc giảm độ dốc - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.16.

Biểu diễn việc điều chỉnh các trọng số theo nguyên tắc giảm độ dốc Xem tại trang 40 của tài liệu.
Hình 2.17: Việc giảm độ dốc trên mặt phẳng sai số - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.17.

Việc giảm độ dốc trên mặt phẳng sai số Xem tại trang 45 của tài liệu.
Hình 2.18: Biểu diễn thủ tục ngừng đúng lúc - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 2.18.

Biểu diễn thủ tục ngừng đúng lúc Xem tại trang 47 của tài liệu.
Sau đây chúng tôi xin trình bày bảng thống kê các biến tác động đến tăng trưởng GDP: - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

au.

đây chúng tôi xin trình bày bảng thống kê các biến tác động đến tăng trưởng GDP: Xem tại trang 58 của tài liệu.
Hình 3.3: Các trọng số ƣớc lƣợng của mô hình Mạng thần kinh độc lập - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 3.3.

Các trọng số ƣớc lƣợng của mô hình Mạng thần kinh độc lập Xem tại trang 72 của tài liệu.
Các thông số được sử dụng để huấn luyện Mạng thần kinh được thể hiện ở bảng sau: - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

c.

thông số được sử dụng để huấn luyện Mạng thần kinh được thể hiện ở bảng sau: Xem tại trang 74 của tài liệu.
Hình 3.5: Đồ thị thể hiện giá trị MSE của quá trình huấn luyện mô hình Mạng thần kinh nhân tạo với sự hỗ trợ từ mô hình Hồi quy tuyến tính truyền thống  - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 3.5.

Đồ thị thể hiện giá trị MSE của quá trình huấn luyện mô hình Mạng thần kinh nhân tạo với sự hỗ trợ từ mô hình Hồi quy tuyến tính truyền thống Xem tại trang 75 của tài liệu.
Hình 3.6: Các trọng số ƣớc lƣợng của mô hình Mạng thần kinh dựa trên kết quả của Mô hình truyền thống  - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 3.6.

Các trọng số ƣớc lƣợng của mô hình Mạng thần kinh dựa trên kết quả của Mô hình truyền thống Xem tại trang 76 của tài liệu.
Bảng 4.1: So sánh dự báo trong mẫu và dự báo ngoài mẫu DỰ BÁO TRONG MẪU   - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Bảng 4.1.

So sánh dự báo trong mẫu và dự báo ngoài mẫu DỰ BÁO TRONG MẪU Xem tại trang 79 của tài liệu.
Hình 4.1: Đồ thị dự báo trong mẫu - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 4.1.

Đồ thị dự báo trong mẫu Xem tại trang 80 của tài liệu.
Hình 4.5: Đồ thị dự báo ngoài mẫu của mô hình ANN - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 4.5.

Đồ thị dự báo ngoài mẫu của mô hình ANN Xem tại trang 82 của tài liệu.
Hình 4.6: Đồ thị dự báo ngoài mẫu của mô hình ANN & HQTT - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

Hình 4.6.

Đồ thị dự báo ngoài mẫu của mô hình ANN & HQTT Xem tại trang 82 của tài liệu.
Hình A.1: Kết quả kiểm định phân phối chuẩn của phần dƣ - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

nh.

A.1: Kết quả kiểm định phân phối chuẩn của phần dƣ Xem tại trang 85 của tài liệu.
Bảng A.1: Kết quả hồi quy tăng trƣởng GDP theo các nhân tố tác động Biến độc lập Hệ số hồi quy Sai số thống  - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

ng.

A.1: Kết quả hồi quy tăng trƣởng GDP theo các nhân tố tác động Biến độc lập Hệ số hồi quy Sai số thống Xem tại trang 85 của tài liệu.
Bảng A.2: Các chỉ số thống kê - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

ng.

A.2: Các chỉ số thống kê Xem tại trang 86 của tài liệu.
Bảng A.6: Kết quả kiểm đinh đa cộng tuyến - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống

ng.

A.6: Kết quả kiểm đinh đa cộng tuyến Xem tại trang 87 của tài liệu.
KẾT QUẢ DỰ BÁO CỦA CÁC MÔ HÌNH - Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội của mô hình mạng thần kinh nhân tạo so với mô hình hồi quy tuyến tính truyền thống
KẾT QUẢ DỰ BÁO CỦA CÁC MÔ HÌNH Xem tại trang 88 của tài liệu.

Từ khóa liên quan

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan