BP神经网络讲稿.pdfVIP

因此本文第三章中将BP 神经网络模型、灰色预测模型、指数平滑法 模型以及组合预测模型预测A 市2000~2008 年用水量的预测结果与实 际值的对比 A 市年用水量预测精度由低到高依次为：指数平滑法、灰色预测法、 灰色指数组合预测法、BP 神经网络法。 预测方法分析 • BP 神经网络模型：这是由于BP 神经网络具有强大的非线性映 射能力，可以考虑多种因素的影响，具有误差反向传递的功能， 并且 BP 神经网络在预测前不需要建立数学模型。特别的当时 间序列观测值较多、且已知观测值序列的各个影响因素时，用 BP 神经网络预测城市需水量时精度最高 BP 神经网络法适合做 城市短期的用水量预测。 • 灰色 GM(1,1)模型：灰色 GM （1,1）模型本身属于指数函数所 造成的结果，因此用该模型预测呈指数规律或近似呈指数规律 变化，或者总体上呈单调较平缓变化的年时间序列时其精度基 本可以满足要求，但不适合于时、日、月或季等周期性或波动 性较强的时间序列的预测。 • 指数平滑法：当时间序列的预测值受到历史数据的影响较大， 且序列具有非线性增加的趋势时，选用指数平滑法可以取得良 好的预测效果，是不能反映特殊年份用水量的变化。 • 组合预测法：当单一预测模型的预测精度较低不能满足实际要 求时，可以考虑将多个预测模型进行组合预测，这样可以有效 提高预测结果的精度。 [13] 遗传算法 (GA，Genetic Algorithm)是一种以达尔文的“自然进化论” 和孟德尔的“遗传变异理论”为基础的全局随机搜索优化计算技术。 GA 的搜索始终遍及整个解空间，擅长全局搜索；而BP 在用于局部搜 索时显得比较有效，因此将两者结合起来，取长补短。首先用遗传算 法对 ANN 初始权值进行优化，在解空间定出一个较好的搜索空间， 然后再用BP 算法在这个小空间搜索出最优解。 基于LM 改进BP： 为了进一步减小振荡、加快收敛速度，笔者利用LM 算法对网络权值 和阈值进行修正。该算法由经典Newton 算法发展而来，利用非线性 最小二乘法来推演Hessian 矩阵的近似形式，大大地减少了计算量。 LM 算法的基本方法是: 隐层节点数优化： BP 网络隐层节点数直接影响着网络的容量、泛化能力、学习速度和 输出性能。虽然神经网络神经元的冗余说明它具有良好的容错性，但 冗余太多，网络性能势必会受到一定的影响，以致降低预测精度。根 据节点之间相关性分散度大小合并删除结点，确定一个最佳的网络结 构。 马尔科夫模型原理 按照某系统的发展，时间可离散为n 0,1,2,3 ，对每个系统的状态可 [19] 用随机变量表示，并且对应一定的概率，称为状态概率 。当系统由 某一阶段状态转移到另一阶段状态时，在这个转移过程中，存在着转 移的概率，称为转移概率。如果转移概率只与目前相邻两状态的变化 有关，即下阶段的状态只与现在状态有关而与过去无关，那么这种离 散状态按照离散时间的随机转移系统过程，称为马尔可夫过程。 2004 年、2005 年 BP 网络预测误差分别为31022% 和91809% ，马尔可 夫修正后的预测误差分别为11083% 和71000% 。可见BP 神经网络马尔 可夫预测精度更高。 最后要感谢的是所有帮助过我，关心过我，爱护过我，指导过我，喜 欢过我，暗恋过我，表白过我，倾慕过我，表扬过我，讨厌过我，恨 过我，骂过我，打过我，亲过我，抱过我，拧过我，掐过我，拉过我， 拽过我，甩过我，瞪过我，泡过我，咬过我，顶过我，踹过我，踢过 我，蹬过我，黑过我，推过我，撞过我，偷过我，抢过我，损过我„„ 等等等等。因为相逢是一种缘分，没有这些人就没有如今的我。