BP神经网络模型的预测精度分析.pdfVIP

BP神经网络模型的预测精度分析 焦扬 ‘葛慧玲’敖长林” (1，2.3东北农业大学，哈尔滨 150030) 摘 要:在利用即神经网络进行预测时，预测的关键是精度。本文重点讨论了利用BP神经网络模型进行预 侧的精度问题，并得出了其模型存在长期预测精度大幅度降低的结论。为了解决这一问题，给出了利用循环 预侧的方法。并使用此方法对02肠一0280年的大中型拖拉机的年末拥有量进行了预测。 关键词:神经网络:精度;预侧 中图分类号:PT183:523 0 引 言 神经网络是02世纪40年代新兴起来的一种计算机模拟人工智能技术。它利用计算机强大的 运算功能，无须建立明确的数学模型，单纯的通过对权值的调整即可得到良好的拟合效果。神经 网络的应用领域极其广泛，涵盖了模式识别、人工智能、自动控制等多个方面。 BP神经网络是02世纪80年代由美国加利福尼亚州的PDP小组提出的一种误差反向传播的 神经网络模型。它具有较强的学习性、自适应性和容错性，是近年来在预测领域应用比较广泛的 神经网络模型之一。利用BP神经网络进行的预测的关键在于预测精度，本文讨论了BP神经网 络在长期预测中存在的精度问题。. I Bp神经网络模型结构 BP神经网络B(朗卜PropagatinoNewtork)是包含输入层、输出层和隐层的反向传播有导师 学习神经网络。其模型结构如下: LI BP神经网络的向量模型 BP神经元与其它神经元最大的不同之处在于其神经元的传输函数为非线性的190591和 natsgi函数，有的输出层也采用线性的purelni函数.若建立一个两层的BP神经网络模型，其输 入向量个数为R，第一层包含神经元的个数为51，第二层包含神经元的个数为52，则其向量模 型如图1: 输入层 _图1Bp神经网络模型 Flgl BPNe七胃ork Model LZ Br神经网络的学习 BP网络的学习过程分为两个阶段:第一阶段是输入学习样本，通过设置的网络结构和前一 次迭代的权值和阂值从网络的第一层向后计算各神经元的输出:第二阶段是对权值和阐值进行修 改，从最后一层向前计算各权值和闽值对总误差的影响，据此修改权值和闽值。以上两个过程反 复交替，直到达到收敛为止。 收稿日期 20既一卜41 修订日期。2006.81‘4 作者简介:焦扬 1(980一)，男 (汉).河北.助教，硕士在读，数学生吝。东北农业大学理学院，.050犯。E.皿IJkoyeHld创印c. 葛慧玲l(盯日-)，女(汉〕，黑龙江，讲师，硕士在读.数学生态.东北农业大学理学院。1弓00叨。E.11各邵heullln叻163c知 通讯作者 放长林1(洲6-)，男(截古).黑龙江.教授，博士农业系统工程 东‘北农业大学理学院，510003。ma【llaohcOng】.储y曲ooc的 BP网络的学习算法主要有:最速下降BP算法、动量BP算法、学习率可变BP算法、弹性 BP算法、变梯度算法、线性搜索路径、拟牛顿算法等多种算法，在具体应用中视实际情况选择 合适的算法。 Z BP神经网络模型预测精度分析 利用BP神经网络对函数y=xZ的拟合与仿真，可以很容易地检验其预测的精度。建立BP 神经网络，并进行以下赋值: P:该向量中所包含的元素为在区间卜2，2」内取步长为。0.5的点，共计81个; ot:该向量中所包含的元素是以p中每个元素为自变量的函数y=xZ的值; t:该向量中所包含的元素是对ot中每个元素加入取值在卜04.，04.」内的随机噪声。 利用BP神经网络对 (P，)t进行训练，训练次数为4000次，训练后，用向量P进行原值回带 检验，得到的仿真结果记为t’。t’与ot差的绝对值反映了网络训练结果的拟合程度。其部分计算 结果如表1: 表1区间卜2，21内网络训练部分结果 丁傲】〕lelResutioftraininoinr一2一21 真实值