BP神经网络预测模型及应用.docVIP

BP神经网络预测模型及应用 BP神经网络预测模型及应用 　　摘 要 采用BP神经网络的原理，建立神经网络的预测模型，并利用建立的人工神经网络训练并预测车辆的销售量，最后得出合理的评价和预测结果。 　　【关键词】神经网络 模型 预测 应用 　　1 BP神经网络预测模型 　　1.1 BP神经网络基本理论 　　人工神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。该网络由许多神经元组成，每个神经元可以有多个输入，但只有一个输出，各神经元之间不同的连接方式构成了不同的神经网络模型，BP网为其中之一，它又被称为多层前馈神经网络。 　　1.2 BP神经网络预测模型 　　（1）初始化，给各连接权值（wij，vi）及阐值（θi）赋予随机值，确定网络结构，即输入单元、中间层单元以及输出层单元的个数；通过计算机仿真确定各系数。 　　在进行BP网络设计前，一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面进行考虑，BP网络由输入层、隐含层和输出层组成。隐含层神经元个数由以下经验公式计算： 　　月份 广告费 　　（百万元） 服务水平 价格差 　　（万元） 销售量 　　（千辆 ） 　　1 6.75 0.98 0.62 3.864 　　2 5.51 0.99 0.26 3.164 　　3 6.05 0.97 0.42 3.866 　　4 5.75 0.99 0.22 3.645 　　5 5.6 0.99 0.14 3.662 　　6 6.82 0.97 0.24 4.292 　　7 7.26 0.99 0.25 5.115 　　8 6.75 0.98 0.4 4.856 　　9 6.53 0.99 0.45 4.717 　　10 5.26 0.98 -0.13 3.026 　　11 5.6 0.99 0.14 3.662 　　12 6.82 0.98 0.24 4.292 　　图1是本文建立的车辆销售量神经网络预测模型。模型共3层，神经网络结构为3-6-1，输入层为3个神经元，分别对应广告费、服务水平、价格差；传递函数为线性传递函数（purelin）；隐蔽层有6个神经元，传递函数为s型传递函数（1ogsig）；输出层有一个神经元，对应车辆销售量，传递函数同输入层一样为线性传递函数（purelin）。将销售量数据作为学习样本的输出节点值。将3个影响参数作为学习样本的输入节点值代入神经网络学习模型， 以1-10月的数据为学习样本，11-12月的数据为验证数据。 　　图1 神经网络车辆销售量预测模型 　　3 结论 　　（1）当网络的结构和训练数据确定后，误差函数主要受激励函数的影响。 　　（2）在BP神经网络预测方法中，输入与输出之间高度非线性的映射特点，使它更适应非线性预测。 　　（3）在BP神经网络预测方法中，对权值的非严格性特点，有效地保存了各种预测方法所提供的有用信息，提高了预测的精度。 　　（4）BP神经网络预测方法中的无后效性特点，减少了组合预测结果对真实值的偏离，并且提高网络整体的收敛性。 　　（5）BP神经网络以神经元之间连接权值的形式存储数据，再以其自适应能力，给出客观的评价结果，从而克服了专家在评价过程中的主观因素。 　　（6）在实际工作中，BP神经网络模型可选取适当多的样本参数进行学习训练，随着样本数量的逐步增多，结果将会更为精确。 　　参考文献 　　[1]朱英.改进的BP神经网络预测模型及其应用[J].武汉理工大学学报（交通科学与工程版），2012. 　　[2]鲍一丹，吴燕萍等.BP神经网络最优组合预测方法及其应用[J].农机化研究，2005（3）162-164. 　　作者单位 　　成都农业科技职业学院信息技术分院 四川省成都市 611130