數(shù)據(jù)驅(qū)動(dòng)下消費(fèi)者購(gòu)買互聯(lián)網(wǎng)理財(cái)產(chǎn)品意向預(yù)測(cè)方法

程成+趙華+陶偉

摘要摘要：隨著我國(guó)居民收入的不斷提高及理財(cái)意識(shí)的不斷增強(qiáng)，消費(fèi)者對(duì)互聯(lián)網(wǎng)理財(cái)需求越來(lái)越多，但目前關(guān)于消費(fèi)者購(gòu)買互聯(lián)網(wǎng)理財(cái)產(chǎn)品影響因素以及購(gòu)買意向預(yù)測(cè)的研究還很少。為了準(zhǔn)確挖掘消費(fèi)者購(gòu)買理財(cái)產(chǎn)品的影響因素，并在此基礎(chǔ)上對(duì)購(gòu)買意向進(jìn)行預(yù)測(cè)，首先依托消費(fèi)者購(gòu)買理財(cái)產(chǎn)品數(shù)據(jù)，運(yùn)用主成分分析法挖掘其中潛在的、有價(jià)值的消費(fèi)者信息；然后使用PCA對(duì)網(wǎng)絡(luò)進(jìn)行降維，將主成分模擬到BP神經(jīng)網(wǎng)絡(luò)中建立購(gòu)買互聯(lián)網(wǎng)理財(cái)產(chǎn)品預(yù)測(cè)模型；最后對(duì)預(yù)測(cè)進(jìn)行實(shí)證分析。分析結(jié)果顯示構(gòu)造的PCA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型訓(xùn)練樣本結(jié)果準(zhǔn)確率達(dá)83.61%，測(cè)試樣本準(zhǔn)確率達(dá)80.12%，具有較好的泛化能力和預(yù)測(cè)精度，可用于對(duì)消費(fèi)者購(gòu)買理財(cái)產(chǎn)品進(jìn)行分析和預(yù)測(cè)。

關(guān)鍵詞關(guān)鍵詞：數(shù)據(jù)驅(qū)動(dòng)；PCA；BP神經(jīng)網(wǎng)絡(luò)；互聯(lián)網(wǎng)理財(cái)

DOIDOI：10.11907/rjdk.162523

中圖分類號(hào)：TP319文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2017）001010804

協(xié)會(huì)2013年度科學(xué)技術(shù)研究指導(dǎo)性計(jì)劃項(xiàng)目（MTKJ2013-366）； 中國(guó)科學(xué)院網(wǎng)絡(luò)數(shù)據(jù)科學(xué)與技術(shù)重點(diǎn)實(shí)驗(yàn)室開放課題 （CASNDST201405）；山東科技大學(xué)創(chuàng)新團(tuán)隊(duì)項(xiàng)目 （2015TDJH102）

作者簡(jiǎn)介作者簡(jiǎn)介：程成（1993-），女，山東臨沂人，山東科技大學(xué)信息科學(xué)與工程學(xué)院碩士研究生，研究方向?yàn)闄C(jī)器學(xué)習(xí)；趙華（1980-），女，山東泗水人，博士，山東科技大學(xué)信息科學(xué)與工程學(xué)院副教授、碩士生導(dǎo)師，研究方向?yàn)橹悄苄畔⑻幚?；陶偉?992-），男，山東臨沂人，山東科技大學(xué)信息科學(xué)與工程學(xué)院碩士研究生，研究方向?yàn)橹悄苄畔⑻幚怼?引言

隨著GDP的增長(zhǎng)，國(guó)民財(cái)富呈現(xiàn)遞增趨勢(shì)[1]。居民收入的增長(zhǎng)促進(jìn)了居民儲(chǔ)蓄存款的增加，為互聯(lián)網(wǎng)理財(cái)提供了堅(jiān)實(shí)的物質(zhì)基礎(chǔ)。據(jù)中國(guó)銀行業(yè)理財(cái)市場(chǎng)年度報(bào)告， 2015年，銀行業(yè)理財(cái)市場(chǎng)累計(jì)兌付客戶收益8 651.0億元，比2014年增長(zhǎng)1 529.7億元，增幅21.48%。銀行業(yè)金融機(jī)構(gòu)實(shí)現(xiàn)理財(cái)業(yè)務(wù)收益約1 169.9億元，理財(cái)產(chǎn)品為客戶帶來(lái)了豐厚的回報(bào)[2]。

互聯(lián)網(wǎng)理財(cái)是一種新穎的理財(cái)產(chǎn)品，相較于傳統(tǒng)的金融理財(cái)，互聯(lián)網(wǎng)理財(cái)具有理財(cái)成本低、流動(dòng)性強(qiáng)、投資門檻[5]崔振輝，李林川，趙承利，等.基于ARIMA的電力視頻流量分析和預(yù)目前，互聯(lián)網(wǎng)理財(cái)產(chǎn)品種類繁多，如何在紛繁的理財(cái)產(chǎn)品中選擇和購(gòu)買一個(gè)適合自身的理財(cái)產(chǎn)品是消費(fèi)者面臨的主要問(wèn)題。對(duì)于企業(yè)，在數(shù)據(jù)驅(qū)動(dòng)背景下，利用客戶數(shù)據(jù)可以預(yù)測(cè)消費(fèi)者購(gòu)買互聯(lián)網(wǎng)理財(cái)產(chǎn)品意向，增強(qiáng)各企業(yè)互聯(lián)網(wǎng)理財(cái)產(chǎn)品競(jìng)爭(zhēng)力，并可根據(jù)數(shù)據(jù)對(duì)企業(yè)互聯(lián)網(wǎng)理財(cái)產(chǎn)品進(jìn)行優(yōu)化。

客戶行為預(yù)測(cè)研究很多，大多數(shù)使用決策樹進(jìn)行預(yù)測(cè)[5]，但對(duì)影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品因素未進(jìn)行解釋和說(shuō)明。本文通過(guò)對(duì)已有理財(cái)產(chǎn)品購(gòu)買相關(guān)數(shù)據(jù)進(jìn)行挖掘，采用主成分分析法挖掘其中的影響因素，構(gòu)造了基于神經(jīng)網(wǎng)絡(luò)的理財(cái)產(chǎn)品購(gòu)買預(yù)測(cè)模型。

1互聯(lián)網(wǎng)理財(cái)產(chǎn)品預(yù)測(cè)模型與架構(gòu)

對(duì)消費(fèi)者購(gòu)買理財(cái)產(chǎn)品需求進(jìn)行預(yù)測(cè)和分析，需要去尋找潛在的有用信息，因而需要充分挖掘數(shù)據(jù)，發(fā)掘影響消費(fèi)者購(gòu)買互聯(lián)網(wǎng)理財(cái)產(chǎn)品的各種因素以及影響因素之間的關(guān)系。本文基于主成分分析法（Principal Component Analysis， PCA）和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）理論，構(gòu)建了互聯(lián)網(wǎng)理財(cái)產(chǎn)品購(gòu)買意向預(yù)測(cè)模型。人工神經(jīng)網(wǎng)絡(luò)理論是從信息處理的角度對(duì)生物神經(jīng)網(wǎng)絡(luò)的抽象和描述，其中BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)具有較高的容錯(cuò)能力和自學(xué)習(xí)能力，可高效并行處理數(shù)據(jù)。因此，本文采用BP神經(jīng)網(wǎng)絡(luò)對(duì)相關(guān)數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)，模型架構(gòu)如圖1所示。

預(yù)測(cè)流程：①收集樣本數(shù)據(jù)，并進(jìn)行數(shù)據(jù)預(yù)處理；②對(duì)影響消費(fèi)者購(gòu)買互聯(lián)網(wǎng)理財(cái)產(chǎn)品的多種因素進(jìn)行分析，并使用主成分分析法從中選取主要因素；③運(yùn)用人工神經(jīng)網(wǎng)絡(luò)原理，以家庭為單位建立一個(gè)預(yù)測(cè)理財(cái)產(chǎn)品模型；④通過(guò)挖掘和調(diào)查一定數(shù)量的樣本數(shù)據(jù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)從而找到合適的參數(shù)；⑤將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型用于理財(cái)產(chǎn)品預(yù)測(cè)，得到預(yù)測(cè)結(jié)果，對(duì)消費(fèi)者是否購(gòu)買提供參考意見。

圖1消費(fèi)者購(gòu)買互聯(lián)網(wǎng)理財(cái)產(chǎn)品預(yù)測(cè)模型及架構(gòu)2基于PCA的理財(cái)產(chǎn)品影響因素分析消費(fèi)者對(duì)理財(cái)產(chǎn)品的需求和購(gòu)買行為是多元化的，影響消費(fèi)者購(gòu)買互聯(lián)網(wǎng)理財(cái)產(chǎn)品的因素也是多樣化的，這和消費(fèi)者的消費(fèi)意識(shí)、經(jīng)濟(jì)條件都有一定關(guān)系。從收集信息的角度出發(fā)，考慮因素越多越可以避免重要信息的丟失。在挖掘影響消費(fèi)者購(gòu)買互聯(lián)網(wǎng)理財(cái)產(chǎn)品的種種因素?cái)?shù)據(jù)中，發(fā)現(xiàn)部分因素之間存在交叉和影響，這使得在神經(jīng)網(wǎng)絡(luò)信息空間維數(shù)較大且輸入變量較多，導(dǎo)致神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)變得復(fù)雜，且網(wǎng)絡(luò)訓(xùn)練負(fù)擔(dān)過(guò)重、時(shí)間過(guò)長(zhǎng)。然而，如果輸入信息空間維數(shù)較小且變量過(guò)少，網(wǎng)絡(luò)訓(xùn)練將容易陷入局部極小點(diǎn)，也可能導(dǎo)致預(yù)測(cè)精度無(wú)法達(dá)到要求。只有從眾多影響因素中找出一組合適的輸入數(shù)據(jù)才能有效解釋影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品的因素關(guān)系，對(duì)消費(fèi)意向做出準(zhǔn)確預(yù)測(cè)。為此，首先從所有的影響因素中抽取主要的影響因素，繼而基于這些主要因素建立購(gòu)買意向預(yù)測(cè)模型。所以，本文采用主成分分析法對(duì)影響購(gòu)買意向的主要成分進(jìn)行選取，剔除影響力弱的指標(biāo)。分析步驟如下：

（1）樣本數(shù)據(jù)獲取及預(yù)處理。本文從互聯(lián)網(wǎng)理財(cái)平臺(tái)獲取了150條消費(fèi)者購(gòu)買理財(cái)產(chǎn)品的相關(guān)數(shù)據(jù)。

抽取初始影響因素。本文通過(guò)兩種方式獲取初始影響因素：一是樣本數(shù)據(jù)中記錄的消費(fèi)者相關(guān)屬性；二是通過(guò)專家訪談和查閱文獻(xiàn)。最終獲取以下12個(gè)初始因素：年齡（X1）、性別（X2）、婚姻狀況（X3）、學(xué)歷（X4）、職業(yè)（X5）、家庭存款（X6）、月收入（X7）、居住條件（X8）、有無(wú)汽車（X9）、出生地（X10）、居住地（X11）、理財(cái)信息獲取渠道（X12）。

影響因素量化。上述影響因素有些是數(shù)值型屬性，但很多是非數(shù)值型屬性，比如性別、婚姻等。為了方便后續(xù)處理，首先給每個(gè)非數(shù)值型屬性制定一個(gè)對(duì)應(yīng)的數(shù)值型。比如男對(duì)應(yīng)0，女對(duì)應(yīng)1，已婚對(duì)應(yīng)1，未婚對(duì)應(yīng)0等等。

（2）建立樣本集矩陣（Fij）150×12，其中150表示獲取的樣本數(shù)據(jù)個(gè)數(shù)，而12表示最初的影響因素。

（3）求得每一影響因素的均值，假設(shè)每一個(gè)影響因素記為Xi=（xi1，xi2，...，xi150），則均值Xi=∑150j=1xij150，i=1，2，...，12。

（4）計(jì)算每?jī)蓚€(gè)影響因素之間的協(xié)方差cov（Xi，Xj）=∑150k=1（xik-Xi）（xjk-Xj）149，建立協(xié)方差矩陣C150×150=（cij，cij=cov（Xi，Xj））。

（5）計(jì)算協(xié)方差矩陣的特征向量和特征值，根據(jù)特征值的排序選擇出主成分因素。

經(jīng)過(guò)上述篩選過(guò)程，選擇了其中7個(gè)因素作為消費(fèi)者購(gòu)買理財(cái)產(chǎn)品的影響因素，見表1。

3基于BP神經(jīng)網(wǎng)絡(luò)的理財(cái)產(chǎn)品預(yù)測(cè)3.1人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是對(duì)生物神經(jīng)系統(tǒng)的信息處理機(jī)制進(jìn)行抽象、簡(jiǎn)化與模擬。大量神經(jīng)元在人工神經(jīng)網(wǎng)絡(luò)中并行互聯(lián)，從而連接構(gòu)成人工神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)本質(zhì)是要獲得誤差函數(shù)的最小值，以調(diào)節(jié)網(wǎng)絡(luò)權(quán)值[7]。學(xué)習(xí)過(guò)程要一直進(jìn)行，直到網(wǎng)絡(luò)輸出的誤差降低到所設(shè)定的誤差精度或是運(yùn)行到設(shè)定的學(xué)習(xí)次數(shù)為止。

表1影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品因素影響因素指標(biāo)內(nèi)容年齡18～25歲25～35歲35～45歲45～55歲55歲以上婚姻狀況未婚已婚學(xué)歷大專及以下本科碩士博士家庭存款1萬(wàn)元以下1～5萬(wàn)元5～10萬(wàn)元10～50萬(wàn)元50萬(wàn)元以上職業(yè)類型[6]名類專業(yè)、技術(shù)人員國(guó)家機(jī)關(guān)、黨群組織、企事業(yè)單位負(fù)責(zé)人辦事人員和有關(guān)人員商業(yè)工作人員服務(wù)型企業(yè)工作人員農(nóng)林牧漁勞動(dòng)者生產(chǎn)工人、運(yùn)輸工人和有關(guān)人員不便分類的其他勞動(dòng)者居住條件出租房單位公房私人住宅（20m2/人）私人住宅（<20m2/人）有無(wú)汽車無(wú)車有車圖2所示的神經(jīng)網(wǎng)絡(luò)模型I-J-1網(wǎng)絡(luò)，為含有兩層隱含層的BP網(wǎng)絡(luò)結(jié)構(gòu)圖。第1層隱層為I中任一神經(jīng)元用i表示，第2隱層為J中任一神經(jīng)元用j表示，輸出層為P，其中神經(jīng)元用p表示。wmi表示為輸入層與第1隱層的網(wǎng)絡(luò)權(quán)值，wij表示為第1隱層與第2隱層的網(wǎng)絡(luò)權(quán)值，wjp表示為第2隱層與輸出層的網(wǎng)絡(luò)權(quán)值。θi表示為第1隱層節(jié)點(diǎn)的閾值；θj表示為第2隱層節(jié)點(diǎn)的閾值；θp表示為輸出層節(jié)點(diǎn)的閾值。

根據(jù)以上分析，得到消費(fèi)者購(gòu)買理財(cái)產(chǎn)品意向的人工神經(jīng)網(wǎng)絡(luò)圖的預(yù)測(cè)模型如圖2所示。

在正向傳播過(guò)程中，輸入樣本數(shù)據(jù)要經(jīng)過(guò)逐層的隱層結(jié)點(diǎn)計(jì)算，最終在輸出層得到輸出結(jié)果。輸出結(jié)果和期望設(shè)定值進(jìn)行比較后得到誤差，誤差再經(jīng)輸出層通過(guò)網(wǎng)絡(luò)的連接反向傳播，修改連接權(quán)值和閾值，以達(dá)到網(wǎng)絡(luò)學(xué)習(xí)的誤差不斷減小。

3.2基于BP算法的消費(fèi)者購(gòu)買理財(cái)產(chǎn)品意向預(yù)測(cè)方法

本模型算法包括兩個(gè)階段：

（1）對(duì)影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品的影響因素采用主成分分析法，剔除影響力弱的指標(biāo)。

（2）在對(duì)影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品的諸因素進(jìn)行分析的基礎(chǔ)上，建立BP神經(jīng)網(wǎng)絡(luò)模型。

具體步驟如下：①利用專家訪談和文獻(xiàn)調(diào)查法，構(gòu)建影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品的因素集合，并收集樣本數(shù)據(jù)；②利用主成分分析法對(duì)影響因素進(jìn)行選擇，剔除影響力弱的指標(biāo)。構(gòu)建影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品的因素體系，從而得出用作神經(jīng)網(wǎng)絡(luò)輸入的維度；③對(duì)所有影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品因素的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，選擇訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)；④對(duì)訓(xùn)練樣本數(shù)據(jù)按BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練；⑤判斷網(wǎng)絡(luò)輸出的誤差，降低到所設(shè)定的誤差精度或是運(yùn)行到設(shè)定的學(xué)習(xí)次數(shù)。如果是，則學(xué)習(xí)過(guò)程終止，若否，返回步驟④，繼續(xù)學(xué)習(xí)；⑥將測(cè)試樣本數(shù)據(jù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型中，使用訓(xùn)練結(jié)果對(duì)該模型效果進(jìn)行評(píng)價(jià)，如果模型效果顯著，則可用作影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品預(yù)測(cè)；⑦將影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品因素的測(cè)試樣本數(shù)據(jù)，按指標(biāo)輸入到效果顯著的訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中。結(jié)合模型輸出結(jié)果，進(jìn)行影響消費(fèi)者購(gòu)買理財(cái)產(chǎn)品因素的進(jìn)一步分析。

4實(shí)例分析

1988年Cybenko就指出，當(dāng)各節(jié)點(diǎn)采用Sigmoid型函數(shù)時(shí)，一個(gè)隱含層就足以實(shí)現(xiàn)任意的判決分類問(wèn)題，兩個(gè)隱含層則足以表示輸入圖形的任意輸出函數(shù)[9]。所以對(duì)神經(jīng)網(wǎng)絡(luò)將在隱含層中采用Sigmoid型函數(shù)和線性函數(shù)。以互聯(lián)網(wǎng)理財(cái)網(wǎng)站中客戶基本信息數(shù)據(jù)為例進(jìn)行分析，選取150組有效信息，將各組影響因素進(jìn)行標(biāo)準(zhǔn)化處理。BP神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性系統(tǒng)，權(quán)值的初始值設(shè)置可被認(rèn)為是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中最重要的一部分[10]。每個(gè)神經(jīng)網(wǎng)絡(luò)都需要選取合適的初始權(quán)值和閾值，一般情況下權(quán)值和閾值的初始值隨機(jī)在（-1，1）之間選取。本文構(gòu)建3層BP神經(jīng)網(wǎng)絡(luò)，輸入層為7個(gè)神經(jīng)元，隱含層為10個(gè)神經(jīng)元，輸出層為1個(gè)神經(jīng)元，學(xué)習(xí)率設(shè)定為0.5，動(dòng)量因子為0.9，目標(biāo)誤差為0.01，迭代次數(shù)設(shè)定為300。采用100組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，50組作為測(cè)試數(shù)據(jù)。圖3為BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果，預(yù)測(cè)情況如表2所示?？紤]到初始權(quán)值選取對(duì)預(yù)測(cè)結(jié)果的影響，表2中的結(jié)果為訓(xùn)練10次得到的平均值。測(cè)試結(jié)果中訓(xùn)練樣本結(jié)果平均準(zhǔn)確率達(dá)到83.61%，測(cè)試樣本平均準(zhǔn)確率達(dá)80.12%。由此可知本神經(jīng)網(wǎng)絡(luò)模型具有較好的泛化能力和預(yù)測(cè)精度，可用于對(duì)消費(fèi)者購(gòu)買理財(cái)產(chǎn)品意向進(jìn)行分析和預(yù)測(cè)。

結(jié)語(yǔ)

互聯(lián)網(wǎng)理財(cái)是一個(gè)新興領(lǐng)域，它將傳統(tǒng)理財(cái)行業(yè)與互聯(lián)網(wǎng)結(jié)合，企業(yè)可以通過(guò)挖掘和調(diào)查互聯(lián)網(wǎng)理財(cái)產(chǎn)品客戶數(shù)據(jù)，對(duì)消費(fèi)者客觀因素進(jìn)行分析，通過(guò)預(yù)測(cè)得到消費(fèi)者理財(cái)產(chǎn)品購(gòu)買意向。本文使用PCA和BP相結(jié)合的方法進(jìn)行了預(yù)測(cè)和分析，經(jīng)實(shí)例驗(yàn)證該方法可行，是互聯(lián)網(wǎng)理財(cái)預(yù)測(cè)新穎而又簡(jiǎn)便的方法。但該系統(tǒng)還存在一些難題：由于調(diào)查數(shù)據(jù)較少，不足以形成對(duì)消費(fèi)者情況的完全準(zhǔn)確預(yù)測(cè)，這需要進(jìn)行更深層次的探索。

參考文獻(xiàn)：

[1]中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局統(tǒng)計(jì)年報(bào)[EB/OL].http：//www.stats.gov.cn/tjsj/

[2]中國(guó)銀行業(yè)理財(cái)市場(chǎng)年度報(bào)告（2015）[EB/OL]. http：//www.chinawealth.com.cn/zzlc/sjfx/lcbg/20160226/620139.shtml

[3]紀(jì)崴. 理財(cái)市場(chǎng)的競(jìng)爭(zhēng)與發(fā)展[J]. 中國(guó)金融， 2015（18）：9396.

[4]胡增永. 互聯(lián)網(wǎng)理財(cái)與傳統(tǒng)銀行理財(cái)業(yè)務(wù)比較研究[J]. 財(cái)會(huì)通訊， 2014（32）：46.

[5]RUTKOWSKI L， JAWORSKI M， PIETRUCZUK L， et al. The CART decision tree for mining data streams[J]. Information Sciences an International Journal， 2014， 266（5）：115.

[6]王月鳳. 最新勞資業(yè)務(wù)實(shí)用知識(shí)手冊(cè)[M].北京： 中國(guó)勞動(dòng)出版社， 1995（12）：548549.

[7]李從剛， 童中文， 曹筱玨. 基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸市場(chǎng)信用風(fēng)險(xiǎn)評(píng)估[J]. 管理現(xiàn)代化， 2015， 35（4）：9496.

[8]BHATT A K， PANT D. Automatic apple grading model development based on back propagation neural network and machine vision， and its performance evaluation[J]. Ai & Society， 2013， 30（1）：4556.

[9]G CYBENKO.Continuous valued neural networks with two hidden layers are sufficient[R]. Technical Report，Tufts University， Medford， 1988.

[10]GAXIOLA F，MELIN P，VALDEZ F，et al.Generalized type2 fuzzy weight adjustment for backpropagation neural networks in time series prediction[J].Information Sciences，2015，325（3）：159174.

責(zé)任編輯（責(zé)任編輯：杜能鋼）