BP神經(jīng)網(wǎng)絡模型預測未來

1、BP神經(jīng)網(wǎng)絡模型預測未來BP神經(jīng)網(wǎng)絡算法概述簡介與原理BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，該網(wǎng)絡的主要特點是： 信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經(jīng) 隱含層逐層處理，直至輸出層，每一層的神經(jīng)元狀態(tài)只影響下一層神 經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預測 誤差調(diào)整網(wǎng)絡權(quán)值和閾值，從而使 BP神經(jīng)網(wǎng)絡預測輸出不斷逼近期 望輸出。BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)如下圖所示：Xi輸入層隱含層輸出層Y1圖中值，BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖是BP神經(jīng)網(wǎng)絡的輸入值,是BP神經(jīng)網(wǎng)絡的預測為BP神經(jīng)網(wǎng)絡權(quán)值BP神經(jīng)網(wǎng)絡預測前首先要訓練網(wǎng)絡，通過訓練使網(wǎng)絡具有聯(lián)想記憶和預測能力。BP神經(jīng)網(wǎng)

2、絡的訓練過程包括一下幾個步驟。步驟一：網(wǎng)絡初始化。根據(jù)系統(tǒng)輸入輸出序列（X,Y）確定網(wǎng)絡輸入層節(jié)點數(shù)n,隱含層節(jié)點數(shù)I、輸出層節(jié)點數(shù)m、初始化輸入層、隱 含層和輸出層神經(jīng)元之間的連接權(quán)值 jk，初始化隱含層閾值a，給 定輸出層閾值b，給定學習速率和神經(jīng)元激勵函數(shù)。步驟二：隱含層輸出計算。根據(jù)輸入向量，輸入層和隱含層間連 接權(quán)值，以及隱含層閾值，計算隱含層輸出。步驟三：輸出層輸出計算。根據(jù)隱含層輸出，連接權(quán)值 和閾值，計算BP神經(jīng)網(wǎng)絡預測輸出。步驟四：誤差計算根據(jù)網(wǎng)絡輸出 和預期輸出 ，計算網(wǎng)絡預測步驟五：權(quán)值更新。根據(jù)網(wǎng)絡預測更新網(wǎng)絡連接權(quán)值步驟六：閾值更新。根據(jù)網(wǎng)絡預測誤差更新網(wǎng)絡節(jié)點閾值

3、。步驟七：判斷算法迭代是否結(jié)束，若沒有結(jié)束，返回步驟二。F面是基本BP算法的流程圖熏期堂主辱護由的舞盡已計總敲兄迅提F愛新刪1BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)如下圖所示:XY1XYX輸入層隱含層輸出層BP神經(jīng)網(wǎng)絡預測的算法流程如下:步驟一：對初始數(shù)據(jù)進行標準化。步驟二：利用原始數(shù)據(jù)對網(wǎng)絡進行訓練。步驟三：對未來第t年第i類污染程度的河流長度比例進行預測。步驟四：利用第 年預測得到的數(shù)據(jù)作為樣本再對網(wǎng)絡進行訓練。步驟五：然后令t=t 1，回到Step2,直到t"0。2.建模步驟:Step 1建立如下網(wǎng)絡拓撲結(jié)構(gòu)表3網(wǎng)絡結(jié)構(gòu)網(wǎng)絡基本結(jié)構(gòu)輸入激發(fā)函數(shù)輸出激發(fā)函數(shù)學習方法精度10 15 1sigmoid函數(shù)sigmoid函數(shù)梯度下降法0.001Step 2網(wǎng)絡訓練1、樣本數(shù)據(jù)預處理2、利用處理后的數(shù)據(jù)對網(wǎng)格進行訓練。Step 3進行預測利用Levenberg_Marquardt的BP算法訓練函數(shù)，預測的算法流程如下：Stepl :對初始數(shù)據(jù)進行標準化。Step2 :利用原始數(shù)據(jù)對網(wǎng)絡進行訓練。Step3:對未來第t年第i類污染程度的河流長度比例進行預測。Step4：利用第t年預測得到的數(shù)據(jù)作為樣本再對網(wǎng)絡進行訓練。Step5:然后令 t=t+1，回到 Ste