论文部分内容阅读
居民消费价格指数(Consumer Price Index,CPI)是一种具有非线性、复杂性和滞后性的时间序列数据,利用传统的时间序列方法和浅层神经网络很难建立有效的CPI预测模型,针对现有的时间序列预测方法不能解决非线性、复杂性和滞后性的时间序列数据预测问题。本文提出了一种基于改进的深度置信网络模型(GBDBN-ESN)CPI预测方法。该方法是利用高斯伯努利波尔兹曼机来处理输入特征向量,通过改进传统的梯度计算方法,建立一个梯度修正模型来提高网络的预测精度,并在网络的顶层连接一个回声状态网络作为回归层以实