基于改进的级联相关算法的系数定税预测

BP神经网络在非线性建模上具有强大的功能,但是其网络结构的选择需要经验,缺乏科学性.级联相关算法是一种优秀的构造方法,实现了网络结构的自动调整,但是其网络训练速度很慢,样本预测精度还有待提高.针对于此,提出一种改进的级联相关算法.在该算法中,网络结构起始于适当的隐结点数目,通过折半筛选算法动态调整每批新增最佳隐结点数目,还通过反向传播来修正各层结点的权值和阙值.最后,将该算法应用到系数定税建模实验中.实验证明,该算法比标准的级联相关算法网络训练速度大大提高,预测精度也更高,更适用于系数定税预测建模.