基于BP神经网络货运量预测.docVIP

基于BP神经网络货运量预测 　　摘 要：文章简要介绍了神经网络的基本原理，探讨了BP神经网络的模型与结构，BP学习规则，构建了基于BP神经网络预测模型。并利用建立的BP神经网络模型，对货运量进行了预测。说明笔者所建立的基于BP神经网络的预测模型具有较好的预测能力，验证了笔者构建的基于BP神经网络的预测模型的有效性和普适性。 　　关键词：人工神经网络；BP神经网络；货运量预测 　　 　　一、人工神经网络概述 　　 　　人工神经网络（Artificial Neural Network，简称ANN）是由大量的神经处理单元相互连接组成的网络，而不是真实人脑的神经网络。它可以模拟人脑的基本结构，反映人脑的部分性能，是一种理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。人工神经网络实际上是由大量简单元件相互连接而形成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。 　　神经元是人工神经网络的基本处理单元，它一般是一个多输入单输出的非线性元件。神经元输出除了受输入信号的影响外，同时也受到神经元内部其他因素的影响，所以在人工神经元的建模中，常常还有一个额外输入信号，称为阈值。 　　神经元是人工神经网络的基本处理单元，每个处理单元具有一个与时间有关的活动状态和阈值，神经元之间的连接强度用权值表示。每个神经元有一个输入集合和一个输出。输入分量P通过与和它相乘的分量W相连，并进行求和后形成激活函数的输入。激活函数的另一个输入是神经元的偏差B。激活函数（ACTIVITION TRANSFER FUNCTION）是一个神经元及网络的核心，所谓线性的神经元和非线性的神经元就是指激活函数的线性和非线性问题。常用的激活函数有分段线性函数和S型（SIGMOID）两类。人工神经网络目前来说可分为三大类：前向型网络（Feedforward NNS）、反馈型网络（Feedback NNS）和自组织网络（Self-organizing NNS）。其中多层前向神经网络是目前应用最广泛的网络之一，也是对映射能力和学习算法研究得最深入的网络。在交通运输领域，应用最多的是有限多层前向网络。 　　 　　二、BP网络理论 　　 　　（1）BP网络结构 　　BP神经网络多层前馈神经网络，它的名字源于网络权值的调整规则，采用的是后向传播学习算法，既BP算法。BP网络是目前应用最广的神经网络之一，BP网络是由一个输人层，一个或多个隐层以及一个输出层组成，上下层之间实现全连接，而每层神经元之间无连接。网络的学习过程包括正向传播和反向传播。在正向传播进程中，输入信息从输入层经隐层加权处理传向输出层，经功能函数运算后得到的输出值与期望值进行比较，若有误差，则误差反向传播，沿原先的连接通道返回，通过逐层修改各层的权重系数，减小误差。随着这种误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。 　　（二）BP神经网络的特点 　　与传统基于符号推理的人工智能相比，BP神经网络具有如下几个特点：（1）对于所要解决的问题，BP神经网络并不需要预先编排出计算程序来计算，只需给它若干训练实例，它就可以通过学习来完成，并且有所创新。（2）具有自适应和自组织能力，可从外部环境中不断的改变组织、完善自己。（3）具有很强的鲁棒性，即容错性，当系统接受了不完整信息时仍能给出正确的解答。（4）具有较强的分类、模式识别和知识表达能力，善于联想、类比和推理。 　　（三）BP网络的设计 　　（1）输入和输出层的设计 　　输入的神经元可以根据需要求解的问题和数据表示方式确定。在故障诊断中，输入层神经元个数一般等于每个样本中包含的特征值的个数。输出层的维数可根据设计者的要求确定，在故障诊断中，一般将BP网络用作分类器，如类别模式一共有m个，则输出层神经元的个数为m或??log??2n?А? 　　（2）隐层的设计 　　隐含层神经元数目的选择是一个十分复杂的问题，它与问题的要求、输入输出单元的数目都有着直接关系，往往需要根据设计者的经验和多次实验来确定，因而不存在一个理想的解析式来表示。隐含层神经元的数目太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、泛化能力弱，因此一定存在一个最佳的隐含层单元数。 　　 　　三、神经网络实现方法 　　 　　根据神经网络的基本原理可知，神经网络是采用一种黑匣子的方式进行工作的。整个模块的核心部分是通过非线性的数学函数来实现，经过反复的迭代计算得出最佳的权值。神经网络工作原理自身的特点就决定了他的实现方法会有多种，作者把常用的几种实现方法归为三大类：高级语言编程实现、通过现成的软件操作以及通过MATLAB神经网络工具箱来实现。通过MATLAB神经网络工具箱来