神經網絡預測方法精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡預測方法主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：神經網絡預測方法范文
doi：10.3969/j.issn.1673 - 0194.2016.20.096
[中圖分類號]C921 [文獻標識碼]A [文章編號]1673-0194（2016）20-0-02
0 引 言
人口總數又稱總人口數，是指一定時點、一定地域范圍內有生命活動的個人的總和。它不分性別，不分年齡，不分民族，只要是有獨立的生命活動就包含在人口總數之內。人口總數是人口統計中最基本的指標。標準人口總數，對于了解國情國力，制訂人口計劃和經濟、社會發展計劃，進行人口科學研究，都有十分重要的意義。傳統預測人口的方法主要有常微分方程方法、邏輯方法和動態預測法，這些方法對人口預測都有一定的作用，但采用這些方法，都需要對數據進行模型假設，在實際情況中，模型往往都是非線性的，如果只是在簡單的模型假設下進行數據分析，結果往往是不準確的，達不到理想的預測結果。而神經網絡對于復雜的、非線性的數據有曲線擬合能力。基于BP神經網絡的時間序列預測方法，只需將歷年人口總數輸入，通過抑制和激活神經網絡節點，自動決定影響性能的參數及其影響程度，自動形成模型，無需進行模型假設，本文就是利用該方法對我國人口總數進行預測。
1 BP神經網絡
BP網絡（Back Propagation），是1986年由Rumelhart和McCelland為首的科學家小組提出的，它是一種按照誤差逆向傳播算法，來訓練的多層前饋的學習網絡，網絡中的各個神經元之間的連接強度靠權值的大小來實現。權值的大小隨著網絡對訓練樣本的增加、學習不斷地調整改變，優化各個神經元之間的連接強度，不斷提高整個網絡對訓練樣本特征的反應靈敏度和精確度。BP神經網絡的最大優點在于能夠在短時間內學習和貯存大量輸入輸出模式映射，不需要知道這些映射關系的數學表達式，通過訓練樣本反向傳播調節網絡的權值和閥值，來達到網絡的誤差平方和最小的目的。BP網絡是目前應用最廣泛的神經網絡模型之一，其結構如圖1所示。
2.1 人口總數數據采集
本文實驗中所用人口數據取自《中國統計年鑒2015》，選取1970-2010年我國人口總數，應用插值模型擬合，并推出2011-2014年人口的預測值，與2011-2014年實際人口數作對比，實驗所用人口總數數據如表1所示。
2.2 人口結果預測數據
采用MATLAB工具箱實現BP神經網絡模型，實驗結果如圖2、圖3、圖4、圖5所示。1970-2010年實際人口與預測人口誤差百分比如圖2所示，1970-2010年實際人口與預測人口數據如圖3所示。
2011-2014年人口誤差百分比如圖4所示，2011-2014年實際人口總數與誤差人口總數數據如圖5所示。
從圖4中可以看出，用BP神經網絡預測人口總數誤差值小于1.05%；從圖5可以看出，預測2015年中國人口總數為138 883萬人，2016年人口總數為139 547萬人，2017年人口總數為140 188萬人。依據國家統計局所公布數據，2015年末中國人口總數已達到137 463萬人，與預計結果誤差為1.03%。
3 結 語
本文按照《中國統計年鑒2015》中的人口總數數據，利用BP神經網絡，通過MATLAB軟件對1970-2010年中國人口總數數據進行擬合，并對2011-2014年中國人口總數預測，然后與這4年中國人口實際數據進行比較。實驗結果表明，使用該方法的預測結果和實際值誤差很小，精確度較高，模型簡單易行，為中國人口總數預測提供了簡單快速且準確的分析方法，有一定的實際應用價值。
主要參考文獻
[1]杜國明.人口數據空間化方法與實踐[M].北京：中國農業出版社，2008.
[2]宋健.人口控制與人口預測[M].北京：人民出版社，1981.
[3]程國建.神經計算與生長自組織網絡[M].西安：西安交通大學出版社，2008.
[4]中華人民共和國國家統計局.中國統計年鑒[M].北京：中國統計出版社，2015.
[5]劉琳h.基于PCA-BP神經網絡的鐵路客運量預測模型研究[J]. 綜合運輸. 2016（08）.
[6]要亞斌，李淑琴，黃宇.基于神經網絡的熱工系統辨識方法研究[J]. 計算機仿真，2016（8）.
[7]付克蘭，李輝，張霞.BP神經網絡預測模型及應用[J]. 信息與電腦理論版， 2016（11）.
[8]季淵，陳文棟，冉峰，張金藝，David LILJA. 具有二維狀態轉移結構的隨機邏輯及其在神經網絡中的應用[J]. 電子與信息學報. 2016（8）.
第2篇：神經網絡預測方法范文
關鍵詞：脫硫脫硝；BP神經網絡；反向傳播；預測
中圖分類號：X73文獻標識碼：A文章編號：16749944（2014）07021303
1技術背景
煤炭燃燒產生的煙氣中，含有大量的氮硫氧化物，這些氧化物直接排放到空氣中，會導致酸雨等自然災害的發生。因此，各國都在積極研究煙氣脫硫脫硝技術。目前最新的技術是采用臭氧的強氧化性對煙氣中的NO進行處理，使之溶解于水，降低煙氣中的氮硫氧化物。
現有的技術對于臭氧的添加采用的是PID控制，此控制技術經過多年的發展，已經相對成熟。其控制設備簡單，控制思路清晰，但在控制過程中也存在很多問題，比如對于大慣性環節控制滯后，震蕩過度等問題。在添加臭氧的過程中，通過檢測煙氣輸入端的氮硫氧化物的摩爾量，利用反應方程式計算理想狀態下需要的臭氧摩爾量，然后再通過檢測通入堿性廢水中和前的NOx，SO2的濃度，完成PID調節，改變臭氧的添加量。
在添加的過程中，因為影響臭氧添加量的各個因素之間是非線性的，所以無法進行單一的線性補償，導致臭氧添加量過大或者過少。過大會造成添加臭氧的浪費，過小會使煙氣反應不完全，導致煙氣排放不達標，所以本發明的目的就是根據歷史數據對臭氧的需求量建立預測模型，通過數據的分析，預測臭氧的消耗量，以達到減少浪費或者減少煙氣不達標的情況。
人工神經網絡是利用計算機模擬人腦的結構和功能的一門新學科[1]，能夠利用自身的優良處理性能，解決高度非線性和嚴重不確定性系統的復雜問題，在此適合進行對臭氧需求量進行預測，所以提出建立一個三層BP神經網絡預測模型，使用改進的算法進行訓練，并對煙氣脫硫脫硝中臭氧需求量的預測的方法[2]。
2BP網絡及動量梯度下降算法
BP（Back Propagation）網絡是1986年由Rumelhart和McCelland為首的科學家小組提出的，一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，并且無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input layer）、隱含層（hide layer）和輸出層（output layer）。
網絡學習規則又稱為 學習規則，對于給定的一組訓練模式，不斷用一個個訓練模式重復前向傳播和誤差反向傳播過程，各個訓練模式都滿足要求時，則說明BP網絡已學習好了。從網絡學習的角度來看，網絡狀態前向更新及誤差信號傳播過程中，信息的傳播是雙向的，但是不意味著網絡層與層之間的結構也是雙向的。
BP神經網絡能夠以任意精度逼近任何非線性連續函，使得其特別適合于求解內部機制復雜的問題，即BP神經網絡具有較強的非線性映射能力；其次BP神經網絡具有高度自學習和自適應的能力。還有泛化能力，即BP神經網絡具有將學習成果應用于新知識的能力。容錯能力：BP神經網絡具有一定的容錯能力，即使系統在受到局部損傷時還是可以正常工作（圖1）。
從（2）式可看出，如果比例系數μ=0，則為高斯-牛頓法；如果μ取值很大，則LM算法接近梯度下降法，每迭代成功一步，則μ減小一些，這樣在接近誤差目標的時候，逐漸與高斯-牛頓法相似[4]。高斯-牛頓法在接近誤差的最小值的時候，計算速度更快，精度也更高。由于LM算法利用了近似的二階導數信息，它比梯度下降法快得多，實踐證明，采用LM算法可以較原來的梯度下降法提高速度幾十甚至上百倍。另外由于[JT（w）J（w）+μw]是正定的，所以（2）式的解總是存在的，從這個意義上說，LM算法也優于高斯-牛頓法，因為對于高斯-牛頓法來說，JTJ是否滿秩還是個潛在的問題。
在實際的操作中，μ是一個試探性的參數，對于給定的μ，如果求得的 能使誤差指標函數 降低，則E（w）降低；反之，則μ增加。用（2）式修改一次權值和閾值時需要求n階的代數方程（n為網絡中權值數目）。LM算法的計算復雜度為O（n3/6），若n很大，則計算量和存儲量都非常大。然而，每次迭代效率的顯著提高，可大大改善其整體性能，特別是在精度要求高的時候[5]。
3臭氧脫硫脫硝需求量的預測
以BP神經網絡模型為原始模型，建立一個三層BP神經網絡預測模型，使用改進的算法進行訓練，并對煙氣脫硫脫硝中臭氧需求量的預測[6]，主要步驟分析為以下幾個方面。
（1）根據生產工藝流程，臭氧將難溶于水的NOx，SO2等氮硫氧化物氧化成易溶于水的高價氧化物，通過堿性廢水進行中和，同時脫硫脫硝的目的。通過分析可知，影響臭氧需求量的主要因素是：煙氣的流速，反應前煙氣中氧氣的濃度，反應中管道內的平均氧氣濃度，反應管道中臭氧與SO2的摩爾比，臭氧與NOx的摩爾比，氣體在反應管道中的停留時間，堿性廢水吸收液的溫度，堿性廢水吸收液中堿離子的濃度和煙氣的溫度等因素。在此，選取以上影響因素作為BP神經網絡模型的輸入變量，通入的臭氧的流速作為輸出變量。
在建立BP神經網絡模型過程中，隱含層節點數對BP神經網絡預測精度有較大的影響，節點數太少，網絡不能很好地學習，需要增加訓練次數，訓練的精度也受影響；節點數太多，訓練時間增加，網絡容易過擬合[7，8]。最佳隱含層節點數的選擇可參考如下公式。
4結語
改進的BP網絡預測模型，對同時脫硫脫硝臭氧需求量進行預測，訓練算法采用動態自適應學習率的梯度下降算法，能夠更快的進行訓練，預測誤差也較小，預測值有很好的利用價值；通過對臭氧需求量的預測，能夠實時的根據工況自動改變臭氧的添加量，既能滿足脫硫脫硝的技術要求，同時也可以降低臭氧的需求量，降低企業成本，提高公司效益。本文只是設計了方法，結果需要經過試驗進行驗證，并進行改進。
參考文獻：
[1] 吳昌設.基于人工神經網絡的電網日負荷預測研究[D].杭州：浙江大學，2011.
[2] 姜成科.基于遺傳算法的神經網絡在大壩變形預報中的應用 [D].大連：大連理工大學，2008.
[3] 劉曉悅，姚樂樂，聚類分析在超短期電力負荷中的應用[J].河北聯合大學學報：自然科學版，2013，35（3）：74～80.
[4] 沙瑞華.基于神經網絡的水電機組動載識別研究[D].大連：大連理工大學，2005.
[5] 黃豪彩，楊冠魯.基于LM算法的神經網絡系統辨識[J].組合機床與自動化加工技術，2003（2）：6～8.
[6] 馮居易，郭曄.基于LM算法的石油期貨價格預測研究[J].技術經濟與管理研究，2009（5）：19～21.
[7] 項灝，張俊.一種改進的量子遺傳模擬退火算法及其在神經網絡智能故障診斷中的應用[J].機床與液壓，2012.40（13）：196～200.
第3篇：神經網絡預測方法范文
【摘要】 目的： 探討矽肺纖維化同生物活性介質之間的關系。方法： 利用Delphi語言編制了BP人工神經網絡模型計算機程序，建立并分析了矽肺膠原纖維預測的數學模型。結果： 選定網絡隱含層節點為9，初始權值閾值約為(-0.2，0.2)，最大相對誤差為4%，最小相對誤差為0.2%。 結論： 應用神經網絡具有較好的預測效果，可為臨床醫學研究提供一個很好的研究思路。
【關鍵詞】 BP神經網絡； 生物活性介質； 矽肺； 膠原纖維； 預測
矽肺是塵肺中最嚴重的一種類型，是由于長期吸入超過一定濃度的含有游離二氧化硅的粉塵，肺內發生廣泛的結節性纖維化。矽肺纖維化的預測困難，診斷滯后。目前，矽肺的發病機理仍然不完全清楚，尚無有效的早期診斷（篩檢）方法，也無早期診斷的特異性指標和特異性的治療藥物和方法。一經傳統的后前位胸大片確診，肺部病變已經無法逆轉。因此，尋找早期診斷(篩檢)特異性的生物介質組合，對預防、治療乃至最終消除矽肺具有重要意義。矽肺的發病與細胞因子（Cytokine，CK）網絡調控有密切聯系，高宏生等用系統生物學的方法論證了細胞因子對矽肺纖維化的網絡調控關系［1，2］，論證了細胞因子復雜非線性致炎致纖維化的網絡調控假說。王世鑫等用判別方程的方法，通過診斷肺纖維化正確率。矽肺纖維化與不同活性介質、基因表達等多種因素密切相關［3］，因此預計是一個多目標決策問題。傳統的預測方法是用多元線性回歸來進行預測，統計者千方百計的想找出決策目標和各因素之間找出一個線性的公式關系，試圖想用一個嚴格的數學模型公式表達出相應的關系。實際上，具有良好的非線性的神經網絡可以預測矽肺纖維化結果。本研究圖基于神經網絡的方法預測生物活性介質網絡調控的矽肺纖維化。
1 神經網絡的基本理論
人工神經網絡是基于對人腦組織結構、活動機制的初步認識提出的一種新型信息處理體系。通過模仿腦神經系統的組織結構以及某些活動機理，人工神經網絡可呈現出人腦的許多特征，并具有人腦的一些基本功能。從本質上講，人工神經網絡是一種大規模并行的非線性動力系統。它具有許多引人注目的特點：大規模的復雜系統，有大量可供調節的參數；高度并行的處理機制，具有高速運算的能力；高度冗余的組織方式等。
在預測領域中應用最廣泛的還是BP網絡。BP網絡的學習算法是一種誤差反向傳播式網絡權值訓練方法。實質就象最小二乘法一樣，BP算法是在樣本空間中耦合這樣一個曲面，即使所有的樣本點均在這個曲面上，若這樣的曲面不存在，就找到離樣本點的距離之和最小的曲面作為近似解。
BP網絡的學習過程包括：正向傳播和反向傳播。當正向傳播時，輸入信息從輸入層經隱單元處理，后傳向輸出層，每一層神經元的狀態只影響下一層的神經元的狀態。如果在輸出層得不到希望的輸出，則轉入反向傳播，將誤差信號沿原來的神經連接通路返回。返回過程中，逐一修改各層神經元連接的權值。這種過程不斷迭代，最后使得信號誤差達到允許的誤差范圍之內。如圖1所示為3層神經網絡結構圖。
輸入層
隱含層
輸出層
圖1 神經網絡結構
設3層BP神經網絡，輸入向量為X=(x1，x2，…xn)T ；隱層輸出向量為Y=(y1，y2，…ym)T ，輸出層向量為O=(o1，o2，…ol)T ，期望輸出向量為d=(d1，d2，…dl)T 。
對于輸出層，有ok =f(net)，netk=m j=0wjkyj ，k=1，2，…l
對于隱層，有yj =f(net)，netj=n i=0vijxi ，k=1，2，…m
f(x)=1 1+e-x ，BP學習算法權值調整計算公式為：
Δwjk=η(dk-ok)ok(1-ok)yj
Δvij=η(l k=1δ0k wjk)yj(1-yj)xi
δ0k =(dk-ok)ok(1-ok)
η∈(0，1)
2 應用實例
2.1 矽肺預測的影響因素
大量研究表明，肺泡巨噬細胞和肺泡上皮細胞在肺組織炎癥反應及纖維化病變的啟動、發展過程中起到最為關鍵的作用，主要是通過分泌細胞因子、炎性介質等生物活性物質，發揮直接或間接的生物學作用。這些CK包括：白介素（interleukin，IL）、腫瘤壞死因子（tumor necrosis factor ，TNF）、轉化生長因子（transforming growth factor，TGF）等。根據分泌細胞因子不同將Th 細胞分為Th1 和Th2 兩種類型。Th1主要分泌白介素-2（interleukin-2，IL-2）、白介素-12（interleukin-12，IL-12）、白介素-18（interleukin-18，IL-18）、干擾素-γ（Interferon-γ，IFN-γ）等，主要介導細胞免疫應答，與炎癥有關，具有抗纖維化作用，可抑制成纖維細胞的增殖及纖維的生成。Th2主要分泌白介素-4 （interleukin-4，IL-4）、白介素-5 （interleukin-5，IL-5）、白介素-10 （interleukin-10，IL-10）、白介素-13（interleukin-13，IL-13）、單核細胞趨化蛋白-1 （monocyte chemoattractant protein-1，MCP-1）等，而Th2主要介導體液免疫反應，可促進成纖維細胞的增生，導致膠原蛋白合成增加，并抑制膠原蛋白的降解，最終導致細胞外的基質蛋白沉積和纖維生成。Th1 型和Th2 型免疫應答之間存在著交互的負反饋作用，維持著正常的免疫平衡。其負反饋調節通常就是靠產生的細胞因子起作用的，即一型CK可以下調另一型CK的功能。Th1/Th2型CK失衡可導致機體對損傷的異常反應。總之，矽肺病人存在CK網絡的平衡紊亂，其錯綜復雜的調控機制可能參與矽肺的發生和發展［6~9］，如圖2所示。
圖2 細胞因子網絡調控圖
2.2 矽肺預測的BP網絡模型的設計
本研究運用神經網絡的模型方法，對矽肺預測進行設計，得出其預測模型。
2.2.1 輸入層、隱含層、輸出層的設計
矽肺纖維化輸入層的確定：根據meta分析和微分方程網絡模型確定生物活性介質為輸入層。
轉貼于
對于矽肺預測，應當依據其關鍵要素來確定輸入層各因素，在神經網絡模型中，輸入層可以選定白介素（interleukin，IL）、腫瘤壞死因子（tumor necrosis factor ，TNF）、轉化生長因子（transforming growth factor，TGF）等。根據分泌細胞因子不同將Th 細胞分為Th1 和Th2 兩種類型。Th1主要分泌白介素-2（interleukin-2，IL-2）、白介素-12（interleukin-12，IL-12）、白介素-18（interleukin-18，IL-18）、干擾素-γ（Interferon-γ，IFN-γ）作為輸入層，輸入單元數為8，隱含層節點的確定參考下面單元計算公式：
c=n+m+a
其中c 為隱層單元數，n為輸入神經元個數，m 為輸出神經元個數，a 為1~10之間的常數。本研究中，隱層單元數計算如下：
8+2+1≤c≤8+2+10
即：4.33≤c≤13.33
根據c 的計算值，由小到大改變節點數訓練并檢驗其精度，當節點數的增加誤差不進一步減小時，其臨界值即為應采用的值。最后，經過網絡的實際訓練結果比較，選定網絡隱含層節點為9，此時網絡能較快地收斂至所要求的精度。
2.2.2 初始權值的確定
在神經網絡模型中，初始權值選取對于輸出結果是否最接近實際，及是否能夠收斂、學習時間的長短等關系很大。初始權值太大，使得加權之后的輸入和N落在了網絡模型的s型激活函數的飽和期中，從而會導致φ′(·)非常小，而由于當 φ′(·)0時，則有δ0，使得Δwji 0，最終使得調節過程沒有什么效果。所以權值及閾值的初始值應選為均勻分布的小數經驗值，約為(-2.4/F，2.4/F)之間，其中F為所連單元的輸入層節點數。本模型輸入端節點數為11，所以初始值約為(-0.2，0.2)，可隨機選取［4］。
2.2.3 目標值及學習步長的選取
對矽肺預測之前，應先根據影響矽肺預測的因素進行綜合預測。在實際操作時，還應結合經驗值。若Sigmoid函數選取反對稱函數——雙曲正切函數，綜合評估指標的目標值D的范圍也應在［-1，1］之間，也即是綜合指標的無量綱數值在［0，1］之間。通常輸出單元的局部梯度比輸入端的大，所以輸出單元的學習的步長應比輸入單元小一些［5］。
通過以上分析可得網絡模型結構如圖3。利用Delphi語言編制了BP人工神經網絡模型計算機程序進行訓練集樣本訓練，訓練輸入節點數為8，表1為矽肺預測輸入訓練樣本和檢測樣本，當誤差給定E＝0.00005，學習步長為0.1，經200次訓練，網絡精度達到要求，如表2和圖4所示。表1 矽肺預測輸入訓練樣本和檢測樣本表2 訓練樣本訓練次數網絡誤差
樣本經200次訓練后，網絡誤差滿足精度要求，隱含單元到各輸入單元的權值和閾值及輸出單元到各隱含單元的權值和閾值調整為表3和表4所示。
由于矽肺預測神經網絡模型經訓練后，網絡精度已經達到要求，可以用檢驗樣本檢測預測效果，如表5所示。
從預測結果看，最大相對誤差為4.0%，最小相對誤差為0.2%，預測效果非常明顯，該網絡的檢驗性能穩定，可以很好的對矽肺進行預測。表3 隱含單元到各輸入單元的權值和閾值表4 輸出單元到各隱含單元的權值和閾值表5 檢驗樣本及矽肺預測結果
3 討論
本研究通過采用神經網絡的方法，探討矽肺纖維化同生物活性介質之間的關系，并建立了矽肺纖維化的影響因素和Ⅰ型膠原、Ⅲ型膠原的BP神經網絡，從預測效果看，能夠較準確的預測矽肺纖維化。但還應當看到神經網絡應用到預測還有許多不盡如意的問題，主要的弱點之一是它是一種黑盒方法，無法表達和分析被預測系統的輸入與輸出間的關系，因此，也難于對所得結果作任何解釋，對任何求得數據做統計檢驗； 二是采用神經網絡作預測時，沒有一個便于選定最合適的神經網絡結構的標準方法，只能花大量時間采用湊試法，從許多次實驗中找出“最合適”的一種。本研究在矽肺預測上運用神經網絡建模上進行了初步的探討，對網絡模型的拓展性、收斂性等問題還有待于進一步的研究 。
參考文獻
1 高宏生， 伍瑞昌， 張雙德， 等. 基于meta分析和微分方程模型的肺纖維化細胞因子調控網絡研究. 軍事醫學科學院院刊，2008，32（3）：312~316.
2 高宏生，楊霞，丁朋，等. 應用meta分析肺纖維化TNF-α的時空變化. 武警醫學院學報，2008，17（8）：561~562.
3 劉萍 王世鑫 陳蕾，等. 矽肺患者血清克拉拉細胞蛋白和表面活性蛋白D的改變. 中華勞動衛生職業病雜志， 2007， 25(01):18~21.
4 韓力群.人工神經網絡理論、設計及應用.化學工業出版社，2001.
5 何海龍，王青海，王精業.神經網絡在裝備保障性評估中的應用. 系統工程理論與實踐，2003，9：111~116.
6 Kohonen T.Self-Organization and Associative Memory. Berlin Heidelberg:Springer-Verlag，1984.
7 Lapedes A，Farber.Nonlinear signal processing using neural networks :prediction and system modelling［R］.Technical Report LA-UR-87-2662，Los Alam os National Laboratory.Los Alamos.NM，1987.
8 Wang CH， Mo LR， Lin RC， et al. Artificial neural network model is superior to logistic regression model in predicting treatment outcomes of interferon-based combination therapy in patients with chronic hepatitis C.Intervirology，2008，51(1):14~20.
9 Kato H， Kanematsu M， Zhang X，et al. Computer-aided diagnosis of hepatic fibrosis: preliminary evaluation of MRI texture analysis using the finite difference method and an artificial neural network.AJR Am J Roentgenol， 2007，189(1):117~122.
10 Piscaglia F， Cucchetti A， Benlloch S，et al. Prediction of significant fibrosis in hepatitis C virus infected liver transplant recipients by artificial neural network analysis of clinical factors. J Gastroenterol Hepatol， 2006，18(12):1255~1261.
第4篇：神經網絡預測方法范文
關鍵詞:負荷預測;神經網絡;唐山電網;電力系統;電力負荷
中圖分類號:TM714文獻標識碼:A文章編號:1009-2374 (2010)13-0124-02
一、預測意義
唐山是具有百年歷史的沿海重工業城市,是河北省經濟中心,同時也是中國經濟發展前景最好的城市之一。特別是最近幾年,隨著國家產業結構與河北戰略布局的調整,重大項目紛紛在唐山興建,預計在未來幾年唐山地區經濟仍將快速增長。根據唐山電網用電情況統計數據,唐山電網2001年用電量158.266億千瓦時,2008年用電量538.509億千瓦時,平均年增長17.9%。綜合考慮唐山地區經濟發展與用電量增長因素,預計未來幾年唐山電網電力負荷將保持較高的增長。中長期電力負荷預測是電力系統規劃的基礎,它在電力系統規劃、新發電廠和發配電系統的建立過程中起到重要的指導作用。為了滿足唐山電網負荷不斷增長的需要,增加供電可靠性,對該地區進行科學合理的電力系統規劃勢在必行。因此,對唐山電網中長期的電力負荷進行預測具有重要意義。
二、預測方法選擇
目前,電力負荷預測的研究已經十分成熟,許多方法和模型被引用到電力負荷預測中,其中比較常用的預測方法有以下幾種:回歸分析法、時間序列法、指數平滑法、神經網絡法、灰色模型法、優選組合預測法、小波分析預測技術等。以上負荷預測的方法都有自身的優缺點以及適用范圍。電力系統專家經過長期負荷預測實踐,建議中長期電力負荷預測使用時間序列法與灰色模型法。由于未來幾年唐山市將投產幾個重大項目,唐山電網負荷將呈現不規則的跳躍式增長。因此,按照常規的預測方法對唐山電網的用電負荷進行預測將無法獲得較滿意的數據擬合度。神經網絡算法能夠實現較復雜的非線性映射,對大量的非結構性、非準確性規律具有自適應能力,應用于電力系統負荷預測,能夠得到比傳統預測方法更好的效果。因此,本文嘗試使用神經網絡算法預測唐山電網的用電負荷。
三、預測模型的建立
(一)確定神經網絡輸入量
輸入層是神經網絡結構的第一層次,該層次輸入量的確定關系到神經網絡訓練的效率。特征量取得太少,則不能起到區分判斷作用;取得太多則影響網絡的訓練速度。因此,合理地選擇輸入量,能提高網絡的訓練速度和預測精度。為了簡化模型的結構,提高預測的精度,本文綜合考慮中長期電力負荷預測的相關因素以及唐山電網的用電特點,確定以下五種影響電力負荷的經濟因素作為神經網絡的輸入量即:“唐山地區的生產總值(GDP);第一產業用電量占總用電量的比重;第二產業用電量占總用電量的比重;第三產業用電量占總用電量的比重;生活用電量占總用電量的比重。”
(二)構造神經網絡結構
本文應用的神經網絡是由輸入層、輸出層和隱含層三層網絡結構構成。理論研究已證明對于任何在閉區間上連續的函數,只要隱含層神經元數目足夠多,就可以用只含一個隱含層的網絡結構以任意精度來逼近,所以本文隱含層只取一層。第一層為輸入層,神經網絡的輸入神經元為五種影響唐山電網用電負荷的經濟因素,因此該層的神經元個數為5個;第二層是隱含層,隱含層神經元數根據下式求得:
或或h=lg2n (1)
其中k為樣本數,n為輸入層神經元數,m為輸出神經元數,h為隱含層神經元數,a為1～10之間的常數。第三層是輸出層,因為輸出結果只有一個指標即唐山電網某年的用電量,所以輸出神經元的個數是1。從而確定本文的神經網絡結構為5×3×1。
(三)神經網絡的訓練算法
由于標準BP算法中,人為憑經驗選取學習率和動量因子,往往會對網絡學習速度產生較大影響,甚至會因為學習率選取不當而導致學習中發生振蕩而不能收斂,這些缺點將影響整個預測的精度。本文采用改進的批處理式Vogl快速算法,進行網絡訓練。在網絡訓練過程中根據訓練的實際情況自適應改變學習率η及動量因子α的大小:當前的誤差梯度修正正確,則增大學習率,加入動量項;否則減少學習率,甩掉動量項。這樣初始η值就可以相對隨意的選取,避免上述缺點。自適應改變η及α的修正公式如下:
(2)
上式中ΔE=E(J)-E(J-1),表示神經網絡前后相鄰兩次學習過程中誤差函數的變化量。φ略大于1,β略小于1。E (J)為神經網絡第J次訓練過程中的誤差函數:
(3)
式中:pt',和Ot分別表示神經網絡對應于第t個輸入向量的期望輸出和實際輸出。
(四)預測實施
唐山電網2001～2008年用電量、生產總值以及各產業用電占比情況的歷史數據見表1:
表12001～2008年唐山電網用電情況統計
年份 生產總值
/萬元 用電量
/億千瓦時 一產用電
/% 二產用電
/% 三產用電
/% 生活用電
/%
2001年 9150473 158.266 3.8 83.4 5.5 7.2
2002年 9993543 180.420 3.3 84.6 5.5 6.6
2003年 11022878 233.638 2.2 87.7 4.8 5.3
2004年 17616311 290.260 1.7 89.1 4.5 4.7
2005年 20276374 358.800 2.4 89.1 4.0 4.5
2006年 23621410 432.752 2.1 89.3 4.2 4.5
2007年 27794190 520.020 1.3 90.5 4.1 4.1
2008年 36132447 538.509 1.2 90.0 4.4 4.4
根據2001～2008年唐山電網用電量的歷史數據,分別使用時間序列法、灰色預測模型與神經網絡算法對唐山電網的用電量進行預測。使用2001～2006年的歷史數據預測2007年、2008年的用電量,并將預測結果與真實數據做對比,以分析三種預測方法的誤差。通過
Matlab軟件計算,三種預測方法的預測結果及誤差情況,見表2:
表2用電量預測值及誤差表
序號 年份 用電量 灰色模型 時間序列法 神經網絡
預測值 誤差 預測值 誤差 預測值 誤差
1 2007年 520.020 501.1 3.64% 487.9 6.41% 531.7 2.25%
2 2008年 538.509 512.4 4.85% 503.9 6.75% 559.4 3.88%
通過上表我們可以看出以上三種預測方法的誤差除了時間序列法的誤差較高外,都在允許的范圍內。灰色模型與神經網絡算法都可以較準確的預測出唐山電網的用電量。相比而言,神經網絡算法預測對于歷史數據的擬合度更高,神經網絡算法更適用于唐山電網中長期的電力負荷預測。因此,本文使用神經網絡算法對唐山電網未來五年的用電負荷進行預測,通過Matlab軟件計算,預測結果見表3:
表3唐山電網用電負荷預測
序號 年份 年用電量(億千瓦時) 年最大負荷(MW)
1 2009 584.282 7637.677
2 2010 625.182 8172.314
3 2011 665.819 8703.514
4 2012 725.077 9478.127
5 2013 781.633 10217.42
四、結論
本文研究了神經網絡算法在唐山電網中長期電力負荷預測中的應用。研究結果表明,應用神經網絡算法比時間序列法、灰色模型有更高的預測精度,神經網絡算法可以較準確的預測唐山電網中長期的電力負荷。
參考文獻
[1]于之虹,郭志忠.數據挖掘與電力系統[J].電網技術,2001,25(8).
第5篇：神經網絡預測方法范文
關鍵詞： 灰色系統模型，神經網絡，電信業務預測
中圖分類號：TN92 文獻標識碼：B
1 引言
電信業務預測是通信網絡分階段建設規劃的前提條件，同時也是規劃期內電信業務量和投資預估的必要條件之一。預測方法的選擇直接關系到預測結果的精確程度。傳統的預測方法很多，如趨勢外推法，成長曲線法等，但這些預測方法預測結果均為平滑的曲線，無法直觀描述出電信業務隨季節及其他外部環境引起的波動。因此，神經網絡法便給傳統預測方法進行了很好的補充。近年來神經網絡算法逐漸得到預測科學工作者的重視，已經在預測領域中得到了廣泛的應用，神經網絡預測法是一種由多個神經元以某種規則連接而形成的層次網絡結構，其基本原理是這些神經元之間“相互協作”，它有許多優點，對環境因素引起的波動性具有良好的適應性；對非線性輸入輸出關系的學習更具有優越性，其描述問題的能力很強。但是傳統的神經網絡算法（如BP神經網絡）是一種基于誤差函數梯度下降的學習方法，學習過程收斂速度較慢；其次，有些神經網絡訓練開始時初始權值是隨機給定的，這對網絡的訓練效果也會有極大影響，甚至導致網絡陷入局部最小點。
灰色系統理論是一種研究少數據，貧信息、不確定性問題的新方法，它以部分信息已知、部分信息未知的“小樣本”、“貧信息”不確定系統為研究對象，通過對“部分”已知信息的生成、開發，提取有價值的信息，實現對系統運行行為、演化規律的正確描述和有效監控。
2 灰色神經網絡模型結構及算法
3 數據來源及實證結果
對于移動通信運營商來說，VLR用戶數（拜訪位置寄存器）隨節假日的波動很大，尤其是人口輸入/輸出城市，節假日大量外來人口的返鄉/外出，會給當地運營商的核心網及無線載頻處理能力帶來較大的考驗，因此，合理準確的預測出該地市未來VLR用戶數可以很大程度上幫助運營商為用戶數的變化做好系統的擴容準備工作。對于某個運營商的VLR用戶數，影響其變化的因素很多，比如節假日，季節性因素，人均通信消費指數，當地的移動電話普及率，該運營商收費用戶數、品牌影響力，終端價格，競爭對手、市場特征等，本人根據各因素對VLR用戶數影響程度的大小，從中選取了該運營商收費用戶數、節假日、當地移動電話普及率、品牌影響力、競爭對手5個最重要的因素來預測某地市移動運營商的VLR用戶數。
該論文中，本人選取該地市的過去3年（36個月）的VLR用戶數進行驗證，首先取前30個月的數據作為訓練樣本，通過灰色神經網絡學習100次后預測最后6個月的數據與實際VLR用戶數做比較，如圖4所示。
從上圖可以看出，灰色系統模型預測結果與實際值相比，誤差在10%以內，并很好的反應了VLR用戶的波動性，因此可以說明灰色系統模型比較適合小樣本預測問題，在實際預測中，若與傳統預測方法相結合，并合理加權，預測準確度將更高。
4 結束語
本文為其他神經網絡模型所存在易于陷入局部最優解等缺陷而提出了基于灰色基礎模型的神經網絡算法，并利用所設計的灰色系統模型神經網絡算法，選擇我國某地市的移動公司VLR用戶數作為數據樣本，對該公司的VLR用戶數進行預測，并對比其他神經網絡模型，實證結果表明，灰色系統模型神經網絡算法，相對其他神經網絡而言，其預測效率和準確率大大得到提高，在電信業務預測方面具有較好的應用前景。
參考文獻：
[1]WANG Q， STOCKTON D J， BAGULEY P. Using neural networks in cost model development process [C].Proc of the 16th National Conf on Manufacturing Research， UK：Professional Engineering， 2000
[2]SMITH A E， MASON A K. Cost estimation predictive modeling： regression versus neural [J].Engineering Economist， 1997
[3]何 芳 陳 收：基于擴展卡爾曼濾波的神經網絡學習算法在股票預測中的應用[J].系統工程，2003
[4]史峰：MATLAB 神經網絡30個案例分析，北京航空航天大學出版社，2010.4
[5]Jatomder N D. Gupta， Sexton R S. Comparing back-propagation with a genetic algorithm for neural network training[J].Omega，1999，
第6篇：神經網絡預測方法范文
中圖分類號: TP273 文獻標志碼:A
Gas emission prediction model of hybrid pi.sigma fuzzy neural network
PAN Yu.min*, ZHAO Li.yong, ZHANG Quan.zhu
College of Electronic Information Engineering, North China Institute of Science and Technology, Beijing 101601, China
Abstract:
A gas emission prediction model built by using reasoning method of hybrid pi.sigma fuzzy neural networks is proposed. The model adopts Gaussian function as a Fuzzy membership function, and the membership functions and conclusions parameters of the model can be adjusted online dynamically. Compared with the neural network prediction model, the method has characteristics of clear physical meaning, clear principle, fast convergence, high prediction accuracy and so on, the simulation results show the effectiveness of the method. In order to facilitate the practical application, we develope a Graphical User Interface （GUI） application interface in the Matlab environment. To solve the problems of unstable prediction results of neural network, to set training accuracy, the contradiction between training accuracy and prediction accuracy, and evaluation of generalization ability of the neural network in prediction process, experimental research is carring out, and the conclusions are given.
A gas emission prediction model built by using reasoning method of hybrid pi.sigma fuzzy neural networks was proposed. The model adopted Gaussian function as a Fuzzy membership function, and the membership functions and conclusions parameters of the model can be adjusted online dynamically. Compared with the neural network prediction model, the method has characteristics of clear physical meaning, clear principle, fast convergence, high prediction accuracy and so on, and the simulation results show the effectiveness of the method. In order to facilitate the practical application, we developed a Graphical User Interface （GUI） application interface in the Matlab environment. To solve the problems of unstable prediction results of neural network, to set training accuracy, the contradiction between training accuracy and prediction accuracy, and evaluation of generalization ability of the neural network in prediction process, experimental research was carried out, and the conclusions were given.
A gas emission prediction model established by using reasoning method of hybrid pi.sigma fuzzy neural networks was proposed. The model adopted Gaussian function as a fuzzy membership function, and the membership functions and conclusions parameters of the model could be adjusted online dynamically. Compared with the neural network prediction model, the method has characteristics of clear physical meaning, clear principle, fast convergence, high prediction accuracy and so on. The gas emission data of a coal mine simulation results show that the prediction has a high accuracy, fast convergence and the prediction results can be repeated, it is proved that the method is effective. In order to facilitate the practical application, the authors developed a Graphical User Interface (GUI) application interface in the Matlab environment, and gave the method and prediction results. The experiments also show that, for the data, the generalization ability of the model is best when the training accuracy is set 0.001, and the training accuracy and the prediction accuracy of the model do not have positive relationship.Key words:
hybrid pi.sigma neural fuzzy network; gas emission; prediction; Graphical User Interface （GUI）
0 引言
瓦斯事故是煤礦安全生產中最主要的地質災害，也是制約煤碳生產可持續發展的“瓶頸”。預防與監控瓦斯事故歷來受到世界各主要采煤國的高度重視，也是國內外學者廣泛關注的重要課題，實現從源頭上治理瓦斯災害，準確預測瓦斯涌出量是解決問題的關鍵之一。
瓦斯涌出量是一個非常復雜的地質參數，它受許多因素的影響，如地質構造、煤層厚度、煤體結構、埋藏深度等自然因素，以及與開采技術相關，這些因素本身是隨機變量，各因素之間相互制約、互為因果。因此，瓦斯涌出量實際上是一個多變量、時變、灰色、高度非線性及復雜的動力學系統，通常很難精確預測。瓦斯涌出量的大小不僅反映不同煤層的危險程度，同時也是決定開發新井、新采區、新工作面規模、通風、安全技術水平的重要指標以及煤層氣資源評價的基礎［1］。
對瓦斯涌出量的預測研究，以前蘇聯、波蘭、德國、英國、法國等起步較早；我國在這方面的研究最早的是煤炭科學研究總院撫順分院。目前，瓦斯涌出量的預測方法主要有：礦山統計法、瓦斯含量法、分源預測法、類比法、瓦斯地質法、數學模型法、速度
預測法［2］，這些方法屬于線性預測法。近年來，出現了灰色系統預測、模糊綜合評判法、神經網絡預測等非線性預測方法，其中以神經網絡預測方法尤為突出，近年來獲得了廣泛應用，取得了一系列研究成果[1-3,12］。
目前神經網絡預測方法主要是以BP(Back.Propagation)和徑向基函數（Radical Basis Function，RBF）神經網絡為主。其顯著特點是僅借助于樣本數據， 即可實現由Rn空間(n為網絡輸入節點數)到Rm空間(m為輸出節點數)的高度非線性映射，而且這種映射可以由足夠的訓練樣本來保證。神經網絡不依賴精確的數學模型，容錯性和魯棒性強，有很強的非線性函數逼近能力，為瓦斯涌出量這一高度非線性的預測提供了一個全新的途徑。
但是，在采用神經網絡設計瓦斯涌出量預測模型時也存在如下幾個問題：
1)網絡結構設計尚無統一的理論依據；
2)預測結果通常為隨機值；
3)機理缺乏透明度；
4)初始參數確定問題；
5)過度擬合現象；
6)局部極小問題。
其中大多數問題需要在實驗過程中加以確定，采用試湊法，從多次實驗中找出“最合適”的一種。由于影響神經網絡預測能力的參數很多，上述方法未必能找到真正意義上的最合適的預測模型結構和參數。為此，本文提出了一種采用混合pi.sigma模糊神經網絡的瓦斯涌出量預測的新方法，并開發了仿真預測可視化應用界面。
1 混合pi.sigma模糊神經網絡
神經―模糊建模預測是近年來基于模糊集理論發展起來的一種新的預測方法。最新研究表明，將人工神經網絡和模糊邏輯推理相結合構成的自適應神經―模糊推理系統具有收斂速度快、擬合能力強、預測精度高、網絡訓練結果確定等優勢，這些恰好是研究和建立煤與瓦斯突出危險性預測方法追求的目標。
模糊邏輯和神經網絡具有很強的互補性，它們都是對同一參考系――人腦智能的模擬，因此具有自然的內在聯系，類似“人腦”的軟硬件。神經網絡中引入模糊邏輯可使網絡具有邏輯推理能力， 彼此優勢互補，物理意義和推理過程清晰。
針對多維模糊推理中的推理規則龐大的問題，學者Takagi和Sugeno提出了一種新的模糊推理模型，即T.S模型[5]。該模型模糊規則中“if”部分與扎德規則中的“if”部分相似，但是其“then”部分是精確函數，通常是輸入變量的多項式。T.S模型可用少量的模糊規則生成較復雜的非線性函數，這在處理多變量系統時能有效地減少模糊規則個數，因而具有較大的優越性。由于T.S模型結論參數是線性函數而非模糊數，在實際系統中結論部分不能直接從專家經驗和操作數據中得到，必須通過一定的算法進行訓練。因此，模型參數的辨識成為建立T.S型模糊系統的主要問題。
2.3 網絡泛化能力
為了評價網絡的預測性能，采用泛化能力進行描述。泛化能力是指神經網絡學習算法對新樣本的適應能力，其目的是學習隱含在數據樣本中的規律，經過訓練后的網絡對非訓練樣本也能給出合理的輸出，該能力稱為泛化能力。
泛化能力是評價網絡預測性能的重要指標。需要指出的是，并非訓練的次數越多或者設置的訓練精度越高，就越能得出正確的預測結果。通常在網絡的訓練初期是學習數據的變化趨勢，隨著訓練次數的增加主要記憶樣本數值，因此過擬合狀態時對于非訓練樣本的泛化能力反而變差。
此外，預測的準確性與外部輸入樣本數據有很大關系，如果樣本數據不具有典型性和呈現一定的規律性，預測將失去意義。
泛化能力是衡量預測值與實測值差別的變量，采用平均相對變動值(Average Relative Variance，ARV)表示，ARV等價于網絡泛化能力。ARV越小，網絡的泛化能力越強，其表達式［14］為 :
ARV=∑Ni=1［x(i)－x^(i)］2∑Ni=1［x(i)－x(i)］2 (16)
其中:N是比較數據的個數，x(i)為實測數據，x(i)為實測數據的平均值，x^(i)為預測值。ARV越小，泛化能力越強。上述預測時的ARV=4.2658e-004，表明該預測模型有很強的泛化能力。
3 Matlab/GUI界面開發
目前，可視化界面開發以VC、VB多見，而利用Matlab/GUI進行界面開發的很少。相對VC、VB，Matlab軟件在復雜的數值分析、矩陣運算、信號及圖像處理等方面具有顯著優勢。在瓦斯涌出量預測時需要處理大量的數據，同時利用Matlab編寫的程序更易于嵌入Matlab/GUI界面，而且具有方便、快捷和靈活的特點。
為便于實際工程應用，按照上述混合pi.sigma模糊神經網絡原理，在Matlab/GUI環境中開發了仿真系統界面，如圖3所示。Matlab/GUI界面使用M文件和GUIDE融合制作可視化GUI仿真預測系統界面［15］。
該仿真界面可以全面顯示網絡訓練、預測及網絡參數等信息，使用者不需要知道代碼的具體內容，只要了解操作步驟即可很方便地操作界面，界面直觀友好。該系統支持三種方式導入數據： 1) *.mat文件數據；2) * .txt數據; 3) *.exl格式的數據。
操作流程：1)導入數據，選擇訓練樣本和檢測樣本數；2)選擇合適的網絡參數；3)點擊“網絡訓練”按鈕，將顯示訓練曲線、預測結果圖形；4)點擊“預測結果”按鈕會顯示底部數據，點擊“Close”按鈕關閉系統。
4 結語
本文提出了一種新型瓦斯涌出量混合pi.sigma模糊神經網絡預測模型，該模型具有物理意義清楚、原理和結構透明、網絡訓練速度快、預測精度高、預測結果非隨機等特點，并且隸屬函數和結論參數可在線調整，可充分發揮模糊邏輯和神經網絡各自的優勢，仿真結果證明了所建模型的有效性。筆者對常規模糊神經網絡同時進行了實驗比較，本文提出的方案明顯優于一般模糊神經網絡。通過開發Matlab/GUI界面，使仿真過程立體化，更接近工程實際應用，具有直觀、可視化等特點，因此本文提出的預測模型具有一定的實際應用前景。參考文獻:
［1］
唐朝偉, 何國田, 徐昌彪, 等. 神經網絡在采煤工作面瓦斯涌出量預測中的應用［J］. 計算機應用， 2007,27(12): 202-204.
［2］
王景山, 宋金棟, 張聰, 等. 礦井瓦斯涌出量預測方法綜述［J］. 能源技術與管理,2008(4): 49-51.
［3］
朱紅青, 常文杰, 張彬． 回采工作面瓦斯涌出BP 神經網絡分源預測模型及應用［J］．煤炭學報, 2007, 32(5):504-508.
［4］
楊新, 張陶紅, 余剛, 等. 基于ANFIS的選礦產品成本預測模型［J］. 系統仿真學報，2007,19(24):5688-5691.
［5］
傅惠, 許倫輝, 胡剛, 等. 基于Sugeno型神經模糊系統的交通流狀態預測算法［J］. 控制理論與應用，2010, 27(12):1637-1640.
［6］
楊奎河, 王寶樹, 趙玲玲. 模糊神經網絡在非線性短期負荷預測中的應用［J］. 控制理論與應用，2004,21(5):791-794.
［7］
王士同. 神經模糊系統及其應用［M］.北京:北京航空航天大學出版社,1998: 210-245.
［8］
劉金錕. 智能控制［M］. 北京：電子工業出版社，2009: 162-164.
［9］
金耀初, 蔣靜坪. 一種模糊神經網絡及其應用［J］. 浙江大學學報，1995,29(3): 340-347.
［10］
修杰, 夏長亮, 王世宇. 開關磁阻電機的pi.sigma模糊神經網絡建模［J］. 電工技術學報，2009,24(8):46-51.
［11］
彭曉波, 桂衛華, 李勇剛, 等. 動態T.S遞歸模糊神經網絡及其應用［J］.系統仿真學報，2009,21(18) :5636-5644.
［12］
曲.采煤工作面瓦斯涌出量預測的神經網絡模型［J］.中國安全科學學報, 1999,9(2):42-45.
［13］
劉思峰, 謝乃明. 灰色系統理論及其應用［M］. 北京: 科學出版社，2008: 48-52.
［14］
CHOLEWO T, ZURADA J M. Sequential network construction for time series prediction［C］// Proceedings of the IEEE International Joint Conference on Neural Networks. Houston:IEEE, 1997: 2034-2039.
第7篇：神經網絡預測方法范文
關鍵詞：新疆；棉花產量；神經網絡；預測
中圖分類號：F32 文獻標識碼：A
收錄日期：2012年9月5日
我國是紡織服裝業大國，棉花的穩定供給對我國棉紡業意義重大。2011年新疆棉花種植面積2，393.9萬畝，產量289.8萬噸，連續19年保持面積、單產、總產、調出量全國第一。棉花產業發展的穩定與否，不僅關系到國家棉花安全和棉紡工業穩定發展，也關系到新疆農村經濟發展和社會的穩定。而棉花產業的穩定發展，離不開棉花產量的預測。分析與預測新疆棉花產量，不僅可以了解新疆棉花產量的走勢，而且有助于統籌安排新疆棉花的種植、消費、出口等相關事宜，從而穩定棉花市場的供求，同時兼顧棉農的利益。
棉花屬于純經濟作物，受市場價格變化影響很大，因此棉花種植面積具有很大波動性，同時氣候變化對于棉花產量的影響至關重要。因此，相比糧食作物來說，棉花產量的預測具有較大難度。
時間序列預測和灰色系統GM（1，1） 等模型均是假設所有的影響因素都蘊含在單一歷史序列中，主要依靠總產量數據建立預測模型，需要的數據較少，比較容易操作；適合于具有長期趨勢的序列，對于波動比較劇烈的序列預測效果較差。目前，對新疆棉花產量預測的研究大部分都是此類。
回歸分析預測和神經網絡預測屬于因果關系預測，假定一個因素的變動是由另一個或幾個變量引起的，通過掌握自變量的變動可以知道因變量的變動趨勢。要求占有盡可能多的資料，而對數列的波動趨勢沒有特別要求。回歸分析需要假設關系的數量模型形式，然后用最小二乘法擬合，而神經網絡則不需要假設數量關系的形式，通過反復多次的學習和訓練達到模擬變量關系的目的。本文擬選用BP神經網絡對棉花總產量進行預測。
一、建立人工神經網絡模型的方法
第8篇：神經網絡預測方法范文
關鍵詞：短時交通流預測；時空相關分析；BP神經網絡；時間延遲
中圖分類號：TP391.9 文獻標識碼：A 文章編號：1007-9416（2017）03-0046-05
Abstract：Aiming at the shortage of traffic flow prediction based on single cross-section， the interaction of the adjacent cross-sections in the high speed road network is studied. Then according on the analysis of the spatial-temporal characteristics，a short-time traffic flow forecasting model based on the multiple cross-sections was established .The model is extended to the prediction model based on a single cross-section，and temporal-spatial characteristics of high speed traffic flow and time delay characteristics of space interaction are considered and they determine the input dimension of the forecasting model.Finally， BP neural network is the forecasting tool to estimate the prediction results.The experimental results show that the prediction model has higher prediction accuracy compared with the traditional single cross-section prediction model and improved the real-time performance and reliability of traffic flow prediction.It is of great significance to improve the traffic efficiency of high speed road.
Key Words：short-term traffic flow forecasting； spatio-temporal correlation analysis； BP neural network ； time delay
1 引言
高速公路作橐恢制氈榍抑匾的交通方式在客貨運輸中發揮著重要的作用，實時有效的交通預測信息可以誘導出行者的行為、解決或緩解交通擁堵等問題[1]。由于高速公路基本路段的交通流是非間斷交通流，上下游間交通狀態相互影響，上下游交通流參數分布具有一定相似性和延遲性，即整個路網是一個相互關聯、相互影響的系統。對交通流進行預測時，如果只考慮單一斷面的交通流數據，當出現車禍、天氣惡劣等偶然因素時，交通流的波動性變大，預測的準確性會降低[2]。目前國內外學者逐漸將交通流的時空關聯性用于短時交通流預測中，Wu 等[3]采用時空隨機效應模型對城市路網交通流量進行預測，不僅考慮了目標路段的歷史交通參數，還考慮了多個參考路段的交通參數；Min等[4]利用時空關聯性對實時路交通流進行預測；邱世崇等[5]提出了一種基于時空特性分析和數據融合的預測方法，利用最小二乘動態加權融合算法將基于時間序列數據預測結果和空間回歸估計預測結果進行融合輸出最終結果；丁閃閃等[6]提出了一種基于時空關聯和 BP_ Adaboost 的短時交通參數預測方法，先利用主成分分析對多個影響因素進行預處理，再采用Adaboost 算法對 BP 神經網絡進行優化。以上對路網時空相關性的考慮在一定程度上提高了預測精度，但往往忽略相鄰斷面空間相互作用的延遲性。
交通流短時預測預測方法主要分為兩類：第1類是基于傳統數理統計理論的方法，主要包括時間序列預測法、歷史均值預測法、卡爾曼濾波法[7]等；第2類是基于知識發現的智能模型，主要包括神經網絡預測、非參數回歸預測、支持向量機[8]等。第1類預測方法優點是方法模型簡單，缺點是隨著預測周期的縮短，交通流序列的非線性和隨機性增強，預測精度減小[9]。第2類預測方法可以充分逼近任意復雜的非線性和隨機性序列[10]，對短時交通預測具有很好的效果。其中，BP神經網絡是應用最廣泛的模型網絡，具有很好的非線性逼近能力[11]。
本文首先通過時空相關分析得到與待預測斷面相關性較大的歷史時段和相關斷面，然后對相關斷面和對應的時間延遲進行重構，構建BP神經網絡預測模型。與傳統方法相比，該模型考慮了上下游相鄰斷面序列的時間延遲，融合了斷面交通流的時空特性及BP神經網絡的非線性擬合優勢，提高了短時交通流的預測精度。
2 交通流序列的相關性度量
交通流序列包含了交通流的特征和運行規律，利用R/S分析來研究時間序列的長程相關性以及空間互相關系數來對空間斷面間交通流的相互作用進行分析。
2.1 R/S分析
R/S分析主要是通過計算Hurst指數來判斷時間序列是否具有長程相關性[12]。Hurst指數的計算過程如下：設時間序列為，則t個時間序列數據的均值為
（1） 由此求得累計偏差
（2）
（3）
標準差
（4）
由公式（1）-（4）算出R/S，根據式（5）通過最小二乘法算出Hurst指數。
（5）
其中Hurst指數的取值范圍為。
2.2 互相關系數
互相關系數經常用于研究復雜網絡各單元間的內在相互作用關系[13]。對研究斷面和的交通流時間序列和，互相關系數）計算公式為：
（6）
為交通流時間序列和基于的互協方差，計算公式為：
（7）
交通流時間序列、的均值為、和標準差為、。其中：
（8）
（9）
式中：為時滯參數[14]，是指兩個序列之間的時間間隔，反映了兩序列的產生在時間上的先后關系。高速公路基本路段上游觀測點的車輛按照一定速度行駛，經過一定的空間長度后達到下游觀測點，時滯參數即為交通流從上游傳遞到下游所涉及的時間上的延遲[15]，也稱為偏移時間。
3 交通流時空相關分析
時空相關分析研究空間中的對象隨時間變化的關系，反映了時空數據在時間和空間上的相互作用關系，本文利用四川省高速交通流斷面數據進行分析和驗證。
3.1 時間相關分析
對高速路交通流時間序列進行R/S分析，采樣時間為15min，采樣點分別為96個（1天）、480個（5天）、960個（10天），分別計算出Hurst指數為0.69-0.88，見表1，均大于0.5小于1，說明交通流序列具有長程相關性，這表明該交通流時間序列具有分形特性，即交通流序列未來變化趨勢與歷史變化趨勢成正相關，意味著上一時刻交通流的狀態影響當前r刻和下一時刻交通流的狀態，這也決定了交通流的預測要使用歷史時段的數據。
3.2 空間互相關分析
高速路交通流不僅隨時間變化，同時也受到空間因素的影響。現階段對交通流空間變化特性的分析和描述認為，交通流互相關性大小是空間距離的函數，隨著斷面間距離的增加，空間互相關性逐漸減小，對于同一路網，兩確定斷面間的空間互相關性隨著交通負荷的增大而增大。作為計算互相關系數大小的重要參數，時滯參數的大小同樣與空間距離有關。圖為研究斷面流量互相關系數及時滯參數與斷面間空間距離的關系。可以看出，互相關系數隨空間距離增加逐漸減小，減小至一定值時趨于平穩。時滯參數在0～100Km范圍內隨斷面間距增大而增大，間距超過100Km以后，在1～2間波動，主要原因是斷面間距過大，空間相互作用的影響變小。如圖1所示。
同時，兩斷面交通流序列的互相關系數大小也會隨著時滯參數變化而變化。任選兩上下游斷面，從圖2可以看出，兩斷面的互相關系數隨時滯的增大而減小，在時達到最大，在時互相關系數未達到最大，主要原因是兩斷面間的空間距離不能使交通流變化的相互作用立即體現。
4 基于BP神經網絡的交通流預測模型
根據時空相關分析結果可以找出與待測斷面時間相關性較大的歷史數據以及空間上相關性較大的幾個相關相鄰斷面，但是相鄰斷面間的空間相互作用是非線性的，所以建立預測模型時選取BP神經網絡作為預測工具。BP神經網絡是一種單向傳播的多層前饋網絡，包括輸入層、隱含層和輸出層，BP神經網絡的基本思想是輸入信號經隱含層和輸出層的非線性函數作用后輸出，且通過調整輸入值、輸出值和權值對神經網絡進行訓練可以以任意精度逼近任意非線性函數。目前BP神經網絡因其結構簡單、可操作性強、自適應能力強等優點已被廣泛用于模式識別、預測、函數擬合等領域。
4.1 預測模型的建立
該預測模型可簡述為：利用BP神經網絡建立待預測斷面與相關斷面的歷史數據建立歷史值與預測值的映射關系，由于時滯參數的存在，相關斷面的流量序列數據要按照對應的時滯進行重構。如圖3所示。
具體算法流程如下：
步驟1：確定待預測斷面與相關斷面
確定待預測斷面，根據時空特性分析確定與待預測斷面時空相關性較大的m 個相關斷面以及斷面與兩流量序列的時滯。
步驟2：獲取斷面數據
獲取待預測斷面當前時刻t及t之前的r個時刻的交通流量以及相關斷面在時刻和時刻對應的流量序列（即斷面經時滯對的交通流產生影響）。
步驟3：明確訓練樣本與預測樣本
確定訓練樣本和預測樣本，其中，訓練輸入為：
訓練輸出為斷面當前時刻t的流量值。預測輸入為：
步驟4：數據預處理
對輸入輸出數據進行歸一化處理，設和分別為為訓練樣本的最小值，為歸一化后的交通值，通過公式（10）使訓練樣本轉換到[0，1]區間。
（10）
步驟5：訓練網絡及預測
利用訓練集對BP網絡進行訓練，訓練結束后將預測集輸入訓練好的網絡，得到預測輸出后進行反歸一化就可得到待預測斷面t+1時刻的流量。
4.2 預測模型的實現
本文采用的是MATLAB提供的神經網絡工具箱，預測模型為一個三層前向型BP神經網絡，輸入層和輸出層的節點數分別由輸入向量和輸出向量的維數決定，若輸入向量為m維數據，則根據Kolmogorov定理，隱含層的節點可為2m+1個。要注意的是，不同的隱含層節點數會影響預測的精度，所以我們需要找到最佳的隱含層節點數。首先，使用MATLAB中的mapminmax函數對輸入輸出數據歸一化處理，然后使用newff函數來初始化神經網絡以及traindgm算法來訓練網絡，訓練網絡時需要不斷調整迭代次數或調整預測精度，直至使預測誤差降到最小，最后，用sim函數對BP網絡進行預測輸出以及預測結果進行反歸一化處理。
4.3 誤差結果及分析
為了衡量神經網絡預測結果，使用以下幾個性能指標：
平均絕對百分誤差（）：
（11）
均方根誤差（）：
（12）
式中：為預測值，為真實值。
4.4 實例仿真
選擇四川省某一斷面為待預測斷面，通過時空特性分析找出與該斷面相相關性較大的4個相關斷面以及分別對應的時滯。
本文選擇2013年5月6日至2013年5月20日待預測斷面的流量序列以及4個相關斷面的流量序列為訓練集，其中流量數據的采樣時間為15min，選擇2013年5月21日待預測斷面的流量序列以及4個相關斷面的流量序列為預測集。利用訓練集對BP神經網絡進行訓練后，用預測集對待預測斷面2013年5月21日的流量進行預測。其中，BP神經網絡的輸入層節點為8個，輸出層節點為1個，隱含層節點數為18個，訓練次數為10000次，訓練精度為0.001，學習率為0.01。為了對比分析，分別進行基于交通流時間相關性、空間互相關性以及時空信息的BP神經網絡模型進行預測，采用相同的網絡Y構。三種模型的預測結果如圖4所示。
從圖中可以看出，基于時空特性分析和BP神經網絡的短時交通流預測精度明顯比只基于交通流時間相關性、空間互相關性的BP神經網絡模型精度高。三種預測方法的性能指標比較見表2。
5 結語
本文通過對高速路交通流時間特性和空間特性的分析，深入分析了上下游斷面間空間相互作用的延遲性，構建了基于多斷面的BP神經網絡預測方法。通過實例仿真結果及誤差分析可知，該預測模型比只采用單一斷面數據的交通預測方法提高了精度，驗證了基于多斷面的時空預測方法的有效性。
參考文獻
[1]崔立成.基于多斷面信息的城市道路網交通流預測方法研究[D].大連：大連海事大學圖書館，2012.
[2]Lin S L，Huang H Q，Zhu D Q， et al. The application of space-time ARIMA model on traffic flow forecasting[C]//Machine Learning and Cybernetics， 2009 International Conference on.IEEE， 2009， 6： 3408-3412.
[3]WU Y J，CHEN F，LU C T，SMITH B L，CHEN Y.Traffic flow prediction for urban network using spatio-temporal random effects model. 91st Annual Meeting of the Transportation Research Board . 2012
[4]Min W，Wynter L.Real-time rode traffic prediction with spatio-temporal correlation[J]. Transportation Research Part C： Emerging Technologies. 2011， 19（4）： 606-616.
[5]邱世崇，陸百川，馬慶祿.基于時空特性分析和數據融合 的交通流預測[J].武漢理工大學學報（ 信息與管理工程版），2015，37（2）：156-160，178.
[6]丁閃閃，王維鋒，季錦章，等.基于時空關聯和BP_Adaboost的短時交通參數預測[J].公路交通科技，2016，05： 98-104.
[7]楊兆升，邴其春，周熙陽，等.基于時間序列相似性搜索的 交通流短時預測方法[J].交通信息安全，2014，06：22-26+43.
[8]姚智勝，邵春福，熊志華，等.基于主成分分析和支持向量機的道路網短時交通流量預測[J].吉林大學學報（工學版），2008，01： 48-52.
[9]郭偉，姚丹亞，付毅，等.區域交通流特征提取與交通狀態評估方法研究[J].公路交通科技，2005（7）：101-104.
[10]Messai N.， Thomas P.， El Moudni A. et al. Feed-forward and RTRL neural networks for the macroscopic traffic flow prediction and monitoring： the potential of each other[M]. 2003： 199-204.
[11]王秋平，舒勤，黃宏光.關于交通流量數據預測建模研究[J].計算機仿真，2016，02：194-197+464.
[12]賀國光，馮蔚東.基于R/S分析研究交通流的長程相關性[J].系統工程學報，2004，02：166-169.
[13]趙婷婷，張毅，周，等.城市路網交通流的空間相關性[J].清華大學學報：自然科學版，2011，51（3）：313-317.
第9篇：神經網絡預測方法范文
[關鍵詞] 光伏系統；發電量預測；模糊神經網絡
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 13. 077
[中圖分類號] TM615 [文獻標識碼] A [文章編號] 1673 - 0194（2017）13- 0180- 04
0 引 言
目前光伏發電量預測的方法主要有神經網絡法、灰色預測法、多元線性分析法這三種方法，通過對這三種預測模型進行比較，發現多元線性回歸和灰色理論雖然方法較為簡單，但是預測誤差也較大，而神經網絡法預測則可以比較準確但是預測過程較為繁雜。在基于神經網絡的預測中，多是以傳統的BP神經網絡為基礎模型，在此基礎上采用一些新的方法對BP網絡加以改進。例如在BP網絡的學習過程中采用Fletcher-Reeves共軛梯度算法，可以提高學習率，部分地簡化了預測過程，但輸入量過多，且預測的局限性較大。
在對比了眾多方法的優缺點之后，發現BP神經網絡普遍存在中間隱層數難以確定、輸入數據量過多，且學習時間過長等劣勢。因此本文提出了一種基于模糊神經網絡的預測模型，所選取的輸入量是和當天的發電量相關程度比較大的當天的平均氣溫以及當天的總日照量，模糊神經網絡的結構是由大量的先驗知識而設計出來的。在不影響預測精度的情況下，為了降低整個網絡的復雜程度，對整個網絡的模糊化層中的隸屬度函數及去模糊化層的輸出函數都做了適當的變化，解決了傳統神經網絡收斂速度慢的問題，從而使整個神經網絡結構簡潔，訓練速度較快，且預測精度較高。
1 模糊神經網絡
模糊神經網絡是在神經網絡和模糊系統的基礎上發展起來的，在模糊神經網絡出現之前，神經網絡與模糊系統都已有了多年的研究歷史，都有著較完備的理論基礎。
模糊神經網絡是一種將模糊邏輯推理的知識性結構和神經網絡的自學習能力結合起來的一種局部逼近網絡，融合彌補了神經網絡在數據處理方面的不足和模糊邏輯在學習方面的缺陷，是一個集語言計算、邏輯推理、分布式處理和非線性動力學過程為一身的系統。因此，它具有處理不確定信息的模糊推理能力和依據樣本數據進行學習的能力。模糊神經網絡主要利用神經網絡結構來實現模糊推理，從而使神經網絡的權值具有在模糊邏輯中推理參數的物理意義。
常見的模糊神經網絡有基于Mamdani推理的和基于Takgai-Sugeno推理的這兩種模糊神經網絡。基于Mamdani推理的模糊神經網絡多用于模糊邏輯控制器、模糊邏輯決策系統、模糊邏輯辨識系統等方面；基于Takgai-Sugeno推理的模糊神經網絡則是一種非線性模型，宜于表達復雜系統的動態特性。光伏系統的發電量由于受日照量、溫度、濕度、材料轉換率等多方面因素的影響，因此，光伏系統的輸出是一個不穩定的非線性變化的動態工程，所以本文所采用的就是基于Takgai-Sugeno推理的模糊神經網絡（簡稱TS模糊神經網絡）。
2 TS模糊神經網絡
2.1 TS模糊邏輯
在TS模糊邏輯系統中，模糊規則有著如下的特殊形式：
R（1）：if x1 is F1l，…，if xnis Fnl then
y l=P0l+P1lx1+…+Pnlxn
3 預測模型的建立
3.1 輸入量的確定
光伏電池之所以能發電，是由于當陽光照射到半導體材料的太陽能電池板上時，光能被吸收在太陽能電池內，并且產生電子（-）和空穴（+），而負價的電子多向n型聚集，正價的空穴多向p型聚集，因此，將太陽能電池的正面和背面接上電極與燈泡等負荷連接，就能產生流。因此，日照量是影響光伏發電發電量的重要因素之一，所以日照量應作為輸入量之一。此外光伏發電的發電量還受溫度、濕度、安裝角度、材料轉換率等眾多因素的影響，在這眾多因素中，溫度對光伏發電量的影響是較大的，因此將溫度作為另一個輸入量輸入到預測模型中。
本文的輸入量為日照量與溫度組成的一個2×1的列向量，因為本文所預測的是晴天一整日的發電量（單位kW?h/日），因此，日照量取一整日的日照量（單位kW?h/日），溫度取一整日的平均溫度（單位℃）。若輸入向量用x表示，一整天的日照量用h表示，溫度用t表示，則輸入量可表示為下面的形式：
x=[h，t]T
3.2 TS型模糊神經網絡結構與初始參數的確定
本文是針對全年晴天的當天發電量做出預測的，所以按季節劃分將全年的數據劃分成了春、夏、冬，由于秋天的日照量與溫度和春天的接近，所以在本文中并沒有單獨列出秋季，而是只按春、夏、冬三季的數據來建模預測。
由已有的先驗知識，可將數據按照春、夏、冬三季進行劃分，所以模糊神經網絡的規則層的隱層節點數也就為三，由于規則層已經確定，故可以知道模糊化層與去模糊化層的隱層節點數均為三個，因此可知本文的模糊神經網絡的預測模型結構如圖2所示。
3.3 TS型模糊神經網絡學習算法
設有輸入、輸出樣本為{（xl，dl），l=1，2，…，L}，在這里L表示訓練樣本的數量，為輸入向量，在本文中表示由當天日照量與當天平均溫度組成的一個2×1的列向量。將網絡誤差E設為：
E=■（yl-dl）2-||y-d|22
其中，y=[y1，y2，…，yL]T，表示神經網絡的實際輸出；d=[d1，d2，…dL]T，表示神經網絡的期望輸出；||.|2表示向量的2范數。
本文中，在不影響結果的前提下，為了降低神經網絡學習算法的復雜度，故將隸屬度函數變為：
ωij=exp-■（bij（xil-cij））2
將神經網絡的輸出函數變為：
yl =■ωij=（p0j+p1jx1l+…+pnjxnl）
因為本文是在MATLAB中進行編程預測，所以將各種數據都表示成矩陣的形式，通過對矩陣的處理，使模糊神經網絡的理解難度和操作難度都大大降低，因此，規定X=[x1，x2，…，xL]表示輸入樣本組成的n×L維矩陣；Ω=[ω1，ω2，…，ωL]表示輸入樣本X的隸屬度函數值ωl j所組成的m×L維矩陣；P=[p0，p1，…，pn]表示線性系數pi j所組成的m×（n+1）維矩陣；C=[c1，c2，…，cm]表示中心ci j所組成的n×m維矩陣；B=[b1，b2，…，bm]表示中心寬度bi j所組成的n×m維矩陣。
在訓練神經網絡時，首先計算隸屬度函數值ωl j所組成的矩陣Ω=[ω1，ω2，…，ωL]，在此基礎上計算神經網絡的輸出y及相應的誤差E；然后計算誤差E對系數矩陣P，B，C的偏導數，根據梯度下降法更新P，B，C；最后利用P，B，C來更新Ω，E等參數。如果未達到退出條件，則繼續迭代，達到了，則退出整個迭代過程，最終，就可以完成整個模糊神經網絡的訓練。在MATLAB中矩陣P和B的初始值可以由normrnd函數隨機生成，而矩陣C則可以由kmeans函數得到相應的初始聚類中心，通過訓練數據的學習過程，得到一個符合要求的模糊神經網絡。
4 預測模型的訓練與結果分析
為了使模糊神經網絡的訓練有較高的精度，需要大量的數據對模型進行評估訓練，本次模擬采用了120組數據進行預測，其中90組作為訓練樣本，30組作為測試樣本，所用的數據均是隨機模擬5kW光伏逆變器日發電量數據， 在訓練過程中，共取了90組數據來訓練，因此L=90；而規則數共有3條，因此這里m=3；而輸入的是有溫度與日照量組成的兩行一列的列向量，因此n=2；為了使訓練結果更加精確化，這里O置的最大迭代步數為1 000，迭代步長為0.001，圖3是訓練預測結果與實際結果的折線圖。
在圖中，實線表示預測輸出，用“+”表示實際輸出，而用虛線表示實際輸出與預測輸出之間的差值，從圖中可以明顯看出訓練好的模糊神經網絡符合要求。隨后，再將用于測試的數據帶入已訓練好的模糊神經網絡中，結果如圖4所示。
圖4是用于測試的數據的實際輸出與預測輸出的比較，“+”表示實際輸出，實線表示預測輸出，虛線表示實際輸出與預測輸出的差值。從預測的結果來看，相較于傳統的預測方法來說，本文所提出的模糊神經網絡的預測方法，不論是在預測精度上還是在訓練收斂速度上，都有一定程度的提高，雖說本文的原始數據并非實測數據，但是本文所用的數據皆是參考了大量資料之后擬合出的數據，所以有實際參考價值。
5 結 語
為了提高光伏并網系統的穩定性與安全性，本文提出了一種基于模糊神經網絡的電量預測模型。根據光伏系統的發電原理與大量的研究資料，確定了以每一天的日照量與平均溫度為整個系統的輸入量，來對這一整天的光伏系統的發電量做出預測，并且根據已有的先驗知識與相關理論，確定了本文所用的模糊神經網絡的結構。再通過擬合的符合實際的數據來訓練整個模型，最后通過一組測試數據來測試本預測模型是否達到要求。實驗結果表明，本模型能較為準確地預測出光伏發電系統一整天的發電量，具有一定的工程應用價值。
主要參考文獻
