变形预测的GMDH神经网络方法.pdfVIP

变形预测的GMDH 神经网络方法 谷川 同济大学测量与国土信息工程系，上海 （200092 ） E-mail ：guchuanhaha@163.com 摘 要：本文提出采用一种新的变形预测方法，即GMDH 神经网络预测方法。将该方法运 用到变形预测的实践中进行短期以及长期预测，并且将预测得到的结果与采用BP 神经网络 预测得到的结果进行了比较，结果表明GMDH 神经网络是一种比较好的预测方法，说明该 方法在变形预测中具有一定的实用性。 关键词：GMDH 算法，神经网络，变形预测，BP 神经网络 1. 概述 GMDH全称Group Method of Data Handling （数据处理的群方法），是一种复杂非线性系 统的启发式自组织建模方法——数据处理组合方法，是一种以多项式为基础通过不断筛选组 合来辨识非线性系统的模型，它对于高阶非线性系统的辨识有效[1] 。具有GMDH组织结构的 神经网络称为GMDH神经网络，也称为多项式网络，是前馈神经网络中一种用于预测的实 用神经网络，其特点是网络结构不固定，而是在训练过程中不断地改变。 相对于传统多层神经网络算法, GMDH算法具有如下特点： ⑴建模过程自组织控制, 不需任何初始假设； ⑵最优复杂性及高精度预测； ⑶能够自组织多层神经网络的每层最佳结构，即能够自动地保留有用的变量和删除多余 的变量； ⑷能够自动选择最佳的网络层数和每层的神经元数目 [2] [3] 。 正是由于GMDH算法的这些优点，决定了其是一种实用性比较强的预测方法。 用一组变形监测数据分别用最常用的BP神经网络以及GMDH神经网络进行短期以及长 期预测并对比预测结果。 2. GMDH 神经网络的理论 GMDH算法的主要思想是由系统各输入单元交叉组合产生一系列的活动神经元, 其中 每一神经元都具有选择最优传递函数的功能, 再从已产生的一代神经元中选择若干与目标 变量最为接近的神经元, 被选出神经元强强结合再次产生新的神经元, 重复这样一个优势遗 传、竞争生存和进化的过程, 直至新产生的一代神经元都不比上一代更加优秀, 于是最优模 型被选出。 类似于其它神经网络, GMDH 算法具有如下两个基本思想: ①以分析黑箱的方法处理 系统输入输出关系; ②用网络间元素的互联关系描述网络的功能。GMDH 神经网络的构建 过程主要是一个不断产生活动神经元, 由外部准则对神经元进行筛选, 筛选得到的神经元强 强结合再产生下一层神经元, 直至具有最佳复杂性的模型被选出的这样一个过程[1] 。 考虑一非线性系统，x ,x ,Λ ,x 为输入， 为输出。其关系为： 1 2 n y y f (x ,x ,Λ ,x ) ⑴ 1 2 n 函数f 的离散Volterra 级数展开式 - 1 - n n n n n n y a + a x + a x x + a x x x +Λ ⑵ ∑ ∑∑ ∑∑∑