关于不同灰色神经网络组合预测适用性的研究.docVIP

关于不同灰色神经网络组合预测适用性的研究 黎伟1 ，曹新奇 2 1 中国矿业大学理学院，江苏徐州(221008) 2 中国矿业大学矿业学院,江苏徐州(221008) E-mail:liwei_123@126.co m 摘要：灰色神经网络预测现在已经得到了广泛的应用,但是当它们各自运用的时候都有一定 的局限性。本文利用灰色系统模型与神经网络模型,在灰色神经网络组合预测的理论基础上， 提出了过程预测与结果预测两种预测方法。以对非线性问题有很好逼近的 BP 神经网络与灰 色模型进行组合，结合城市供水量预测进行实例分析，并与传统的预测方法进行了比较。说 明了灰色神经网络的优势，从而很好的分析了两种预测方法的适用范围。 关键词:灰色系统，神经网络,组合预测,适用性 1 引言 GM(1,1)模型是最常用的一种灰色系统模型[5] ，要求样本数据少、原理简单、运算方便、 短期预测精度高、可检验等优点，已得到了广泛的应用，但是GM(1,1)模型同其他预测方法 一样，也具有其局限性，在实际应用中受到一定的限制。神经网络模型具有强大的处理非线 性关系的能力，对于大量非结构性、非精确性规律具有自适应功能、自主学习和优化计算的 特点。因而，将灰色理论与神经网络相结合，可以使预测精度大大的提高，运用范围更广。 但是，现在人们提出了许多的组合方法，针对具体问题到底该用什么样的组合方法呢。本文 就针对这个问题，讨论了过程组合与结果组合的适用范围。 2 灰色预测与神经网络预测基本原理 2.1 灰色预测模型的基本原理 灰色系统建模是利用离散的初始时间序列数据 X(0) ? ?x(0) (1), x(0) (2),..., x(0) (n)? ,通过 累加生成新序列通过累加生成新序列 X(1) ? ?x(1) (1), x(1) (2),..., x(1) (n)? ,建立近似(灰的)连 续的微分方程模型: dX (1) ? aX(1) ? ? dt 其中： a 称为发展灰数； ? 称为内生控制灰数 然后，通过解这个微分方程模型来进行预测。 灰色模型的建立过程如下： 时间序列 X ?0 ? 有 n 个观察值， X ?0? ? ?x?0? ?1? , x?0? ?2? ,..., x?0? ? n??，通过累加生成新 序列 X ?1? ? ?x?1? ?1? , x?1? ?2? ,..., x?1? ?n??，其中 X ?0 ? 为 n 个原始数据。则 GM（1，1）模型 相应的微分方程为： (1) dX ? ? X (1) ? ? dt 其中： a 称为发展灰数； ? 称为内生控制灰数。  ?? ? 设?? 为待估参数向量，?? ? ? ? ?? ?  ，可利用最小二乘法求解。解得：  其中： ?? ? ?BT B??1 BT Y  ?? 1 (1)  (1) ? ?? 2 [ x ? (1) ? x (2)]. 1? ? ?? 1 [ x (1) (2) ? x (1) (3)] 1? B ? ?? 2 ? ，Y ? [x (0) (2), x (0) (3),...x (0) (n)]? ??? ? ?? 1 [ x (1) (n ? 1) ? x (1) (n)] 1 ? ? 将 a? 代入微分方程式，解出时间函数为：  x? (1) (t ? 1) ? ? x (1) (t ) ? ? ?e ?a (t ?t0 ) ? ? ?? 0 a ?? a 累减还原得到灰色预测序列， x0 (1) ，??， x0 (n ? m) 。（共 n+m 个，m 个为预测的将 来的量）。那么预测函数即为： x (t ? 1) ? (1 ? ea )[x (0) (1) ? u ]e?at 0 a 2.2 神经网络模型的基本原理 人工神经网络模拟了生物神经网络的一系列运行机理，它能够像人脑一样处理大量数 据，并且输出一个想要的结果，具有自学习、自组织、较好的容错性和优良的非线性逼近能 力，主要应用于函数逼近、模式识别、分类。这里我们主要说明误差反传算法的人工神经网 络即 BP 神经网络识别模式。 对于 N 个输人学习样本，已知与其对应的输出样本。学习的目的是用网络的实际输出 与目标矢量之间的误差来修改其权值，使实际与期望尽可能地接近，即使网络输出层的误差 平方和达到最小，他是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和 偏差的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络误差的影响成正比，并以 反向传播的方式传递到每一层。 BP算法由两部分组成：信息的正向传递与误差的反向传播。在正向传递过程中输人信息 从输人层经隐含层逐层计算传向输出层，每一层神经元的输出作用于下一层神经元的输人。 如果输出层