感知器人工神经网络的模糊逼近和预测.pdfVIP

感知器人工神经网络的模糊逼近与预测 王卓 苏惠娟 (西北民族学院数学系 兰州 730030) 摘要；本文讨论如何通过模糊函数逼近及其映射方法，使一类无法用很多现有预测 方法进行预测，并无法用人工神经网络预测的时间序列，在对用于分类的感知器人工神经网 络进行改造后，能够用改造后的感知器人工神经网络进行预测，同时设计出用于对该类时间 序列预测的感知器人工神经网络结构，并得出可靠的应用结果． 关键词：时间序列，模糊函数逼近，感知器人工神经网络，预测 1、时间序列实例与人工神经网络预测的困难 对某时间序列，将物资名及数量单位省略，年份以序号代替后给出如下： 表1 某物资产量时间序列 1 2 3 4 5 6 7 8 19．7222．9626．4327．8227．6831．4930．6432．71 9 10 1l 12 13 14 15 16 28．8231．8420．8824．5028．4129．9929．7833．94 该时间序列作散点图，并以曲线连接。由散点图可见，很难找到恰当的函数进行拟合．即 表1的时间序列是不能以函数拟合趋势外推的方法进行预测的。经试验，对该时间序列，用 多次作差分的BOX--Jikin等现有多种预测方法也无法预测。 B—P神经网络，Adaline网络都是使用模拟输出来拟合曲线并实现预测的。这只能对 可用丞效来拟合并从而进行趋势外推的时间序列可进行预测．而对表1这类无法找到拟合 函数的时间序列，B—P网络，AdIine网络是无法进行预测的．感知器人工神经网络为数字 输出，通常用于线性分割，也无法对该时间序列作预测． 对如实例一类的难以用现有预测方法和神经网络进行预测的时间序列，下面将先寻求 能籍以建立神经网络预测结构的数学方法，并进而设计出进行预测的神经网络结构． 2、变化率周期变化时间序列的模糊逼近预测方法 设表1的时间序列为 {x(t))，t=l，2。…，n (1) 实际中的很多时间序列，虽然如表1的实例一样，很难直接找出时序值的函数规律，但 其变化率却往往有一定规律．如经济，社会中很多实际问题，往往以变化率来进行评估．由 于时间变化增量△t=(t+1)～t_1，故这时的差分即为差商值。又由于预测时把时间序列 曲线各节点问的变化视为均匀的，故又能以整商代替微商(由于本文主要是为寻求神经网络 预测结构设计，且对以上叙述的数学推导也较容易，故对以上叙述的严格数学推导省略)．于 是对(1)作差分变换； Y(t)=X(t+1)--X(t)，t=1，2，…。n一1 (2) 得到差分序列为： {Y(t))，t一1，2，…，n一1 (3) 经由表1的差分序列(3)计算，有关系t (】5)=1．1296Y(51． 近似地有： 又可近似为；X(u)；kX(u—r) (5) 其中k=1．13是上述差分关系中各系数的均值，且u；t+÷+r，r—10。 的模糊逼近集，其十(u—r)对乎(u—r)的模糊逼近隶属度为 小嘶叫≯川h。卜认鼍…“D叫“川I《 (6) 严“ ． 由于当0甲(u)一十(u)II≤e时，I|x(u)一叉(u)ll≤kJ。。||X(s—r)--X(s～r)0ds≤ ka￡≤kre 其中X(u)为以(uo，十(u))C-n为初值的解． 舢c又cu，，一{：7[1+“x‘u’一x‘萎善]’“x‘u’一x。’”≤““ c，，