基于VB环境的BP网络和SPSS环境的多元线性回归预测的比较.pdfVIP

江汉石油学院学报2004年6月第26卷增刊 Vol·26 of PetroleumInstituteJun．2004 Suppl· JournalJlanghan 基于VB环境的BP网络与SPSS环境的 多元线性回归预测的比较 到、宏中，何先平 (长江大学信息与数学学院，湖北荆州434023) [摘要]基于VB开发环境下编制了BP算法程序．适合模式回归与预测。这与传统回归模型有许多类似 之处。通过具体实例，得到BP神经网络同样也能较好的寻找数据问内在规律性，而且比回归模型能更准 确的预测数据。 [关键词]BP神经网络；多元线性回归；VB；SPSS [中图分类号]0212．1 [文献标识码]A 随着计算机的不断发展，神经网络作为一门新兴的边缘科学已逐步显示出强大的数据处理、数据分 类归纳、寻找数据内在规律性等功能，BP神经网络作为其典型代表之一，能对多因素非线性映射的任 意近似，适合于模式回归与预测，这与统计学中的回归分析有异曲同工之处；回归分析作为统计学家手 中的一件常用工具，用于数据间线性与非线性映射，通过模型假设和已知数据，企图找到数据间的近似 映射关系。鉴于二者存在很多相似之处，本文主要是基于VB开发环境下完成BP神经网络的软件开 发，并给出具体实例和基于SPSS环境中的多元线性回归作了对比分析，看到BP网络对把握数据的内 在规律有更有优势。 1 BP神经网络 BP神经网络由输入层、输出层和连接二者的隐含层组成。BP网络的主要思想是通过正向传播和反 向传播两个过程，反复调整各连接权值和阈值，使网络输出与实际输出值的总误差最小，达到误差要求 后记录此网络，主要是此时的权值和阚值，然后取出已学习好的网络，把试验数据或实际数据输入到网 络中，网络能够对其近似映射。 假设BP网络模型是一个由行个输入单元，m个隐含单元，z个输出单元的三层前馈神经网络，五(i— 为期望输出，训口，％分别为输入层到隐含层、隐含层到输出层的权值，％，“分别是输入层到隐含层、隐含· 层到输出层的阈值，厂(z)一1／(1+exp(一z))。程序主要完成以下几个方面： 输人数据处理：为了方便与神经网络的结果进行比较，需要对原始数据进行归一化处理，可用公式z7， ～，…、 V，I、 ／、i＼J，’一／、f＼‘， min[X。(训)]，且使min[X；(训)]近似等于0．10。 网络学习过程：根据学习过程算法得到满足给定误差的网络，并保存此网络。 工作阶段：读入网络和网络测试数据，得到测试数据结果。 2多元线性回归分析 [收稿日期]2004一06一01 [作者筒介]孙宏中(1980一)，男，2002年大学毕业。在读研究生，现主要从事概率与数理统计的学习与研究。 江汉石油学院学报 2004年6月 首先选择自变量与因变量(与BP的网络模型相似)，假设二者存在线性关系，若非线性可化为线性， 然后通过已知数据利用最小二乘法得到其近似映射关系(与学习过程相似)，最后对所得的映射关系进 行验证(与工作阶段相似)。验证方法有多种，一般统计书上都有介绍，这里不在赘述。 3实例分析 关于数学家薪水‘1|。我们对数学家的年薪(Y，千美元)和出版作品的质量指数(z，)，工作经历 (z。)以及获得资助的成功指数(z。)之间的关系进行评估。首先假设具有独立正态误差项的三元回归模 型对本例的应用是合适的，然后利用SPSS求得回归模型和各检验参数，判断回归模型的可行性；根据 已知条件确定为BP网络为三输入层两隐层加一输出层的网络，进行网络学习与预测，最后对两种方法 获得的预测数据与实际数据进行比较，得出结论。利用SPSS得到的回归系数以及检验指数如下： DW=2．234，可见各检验参数比较合理，回归模型是有价值的。BP神经网络训练完成后得到的权值和阀 值如下，它是样本检验及预测数据的重要依据。 叫(1，1)一一4(2，1)=一3(3，1)一0 叫(3，2)=一2 例(1，2)一0(2，2)一一2