BP神經(jīng)網(wǎng)絡(luò)預測模型參考范本

1、精品BP 神經(jīng)網(wǎng)絡(luò)模型基本原理( 1)神經(jīng)網(wǎng)絡(luò)的定義簡介神經(jīng)網(wǎng)絡(luò)是由多個神經(jīng)元組成的廣泛互連的神經(jīng)網(wǎng)絡(luò), 能夠模擬生物神經(jīng)系統(tǒng)真實世界及物體之間所做出的交互反應. 人工神經(jīng)網(wǎng)絡(luò)處理信息是通過信息樣本對神經(jīng)網(wǎng)絡(luò)的訓練, 使其具有人的大腦的記憶, 辨識能力 , 完成名種信息處理功能 .它不需要任何先驗公式, 就能從已有數(shù)據(jù)中自動地歸納規(guī)則, 獲得這些數(shù)據(jù)的內(nèi)在規(guī)律, 具有良好的自學習 , 自適應, 聯(lián)想記憶 , 并行處理和非線性形轉(zhuǎn)換的能力 , 特別適合于因果關(guān)系復雜的非確定性推理, 判斷, 識別和分類等問題. 對于任意一組隨機的, 正態(tài)的數(shù)據(jù) , 都可以利用人工神經(jīng)網(wǎng)絡(luò)算法進行統(tǒng)計分析, 做出擬

2、合和預測 .基于誤差反向傳播 (Back propagation)算法的多層前饋網(wǎng)絡(luò)(Multiple-layer feedforward network,簡記為BP網(wǎng)絡(luò)),是目前應用最成功和廣泛的人工神經(jīng)網(wǎng)絡(luò).( 2) BP 模型的基本原理 3學習過程中由信號的正向傳播與誤差的逆向傳播兩個過程組成. 正向傳播時, 模式作用于輸入層 , 經(jīng)隱層處理后 , 傳入誤差的逆向傳播階段, 將輸出誤差按某種子形式 , 通過隱層向輸入層逐層返回, 并“分攤”給各層的所有單元 , 從而獲得各層單元的參考誤差或稱誤差信號, 以作為修改各單元權(quán)值的依據(jù). 權(quán)值不斷修改的過程 , 也就是網(wǎng)絡(luò)學習過程. 此過程一直

3、進行到網(wǎng)絡(luò)輸出的誤差準逐漸減少到可接受的程度或達到設(shè)定的學習次數(shù)為止. BP網(wǎng)絡(luò)模型包括其輸入輸出模型, 作用函數(shù)模型 , 誤差計算模型和自學習模型.BP網(wǎng)絡(luò)由輸入層 , 輸出層以及一個或多個隱層節(jié)點互連而成的一種多層網(wǎng),這種結(jié)構(gòu)使多層前饋網(wǎng)絡(luò)可在輸入和輸出間建立合適的線性或非線性關(guān)系, 又不致使網(wǎng)絡(luò)輸出限制在-1 和1之間. 見圖( 1) .O 1O 2O iO m精品( 大于等于一層) W (1) W (L)( 3) BP 神經(jīng)網(wǎng)絡(luò)的訓練BP 算法通過 “訓練 ”這一事件來得到這種輸入, 輸出間合適的線性或非線性關(guān)系. “訓練”的過程可以分為向前傳輸和向后傳輸兩個階段：1 向前傳輸階段：從

4、樣本集中取一個樣本Pi ,Q j ,將 Pi 輸入網(wǎng)絡(luò)；感謝下載載計算出誤差測度E1 和實際輸出OiFL(.( F2 (F1( PW (1) )W (2) ).)W (L ) ) ；i(1)(2)L對權(quán)重值 W,W,.W各做一次調(diào)整 , 重復這個循環(huán) , 直到Ei.2 向后傳播階段 誤差傳播階段：計算實際輸出Op 與理想輸出Qi 的差；2用輸出層的誤差調(diào)整輸出層權(quán)矩陣； Ei1 m2 j 1(QijOij )；用此誤差估計輸出層的直接前導層的誤差, 再用輸出層前導層誤差估計更前一層的誤差 . 如此獲得所有其他各層的誤差估計；并用這些估計實現(xiàn)對權(quán)矩陣的修改.形成將輸出端表現(xiàn)出的誤差沿著與輸出信號

5、相反的方向逐級向輸出端傳遞的過程.網(wǎng)絡(luò)關(guān)于整個樣本集的誤差測度：EEii幾點說明 :一般地， BP網(wǎng)絡(luò)的輸入變量即為待分析系統(tǒng)的內(nèi)生變量（影響因子或自變量）數(shù)，一般根據(jù)專業(yè)知識確定。若輸入變量較多，一般可通過主成份分析方法 壓減輸入變量， 也可根據(jù)剔除某一變量引起的系統(tǒng)誤差與原系統(tǒng)誤差的比值的大小來壓減輸入變量。 輸出變量即為系統(tǒng)待分析的外生變量（系統(tǒng)性能指標或因變量），可以是一個，也可以是多個。一般將一個具有多個輸出的網(wǎng)絡(luò)模型轉(zhuǎn)化為多個具有一個輸出的網(wǎng)絡(luò)模型效果會更好，訓練也更方便。一般認為，增加隱層數(shù)可以降低網(wǎng)絡(luò)誤差，提高精度，但也使網(wǎng)絡(luò)復雜化， 從而增加了網(wǎng)絡(luò)的訓練時間和出現(xiàn)“過擬合”的傾向。在設(shè)計BP網(wǎng)絡(luò)時，確定隱層節(jié)點數(shù)的最基本原則是：在滿足精度要求的前提下取盡可能緊湊的結(jié)構(gòu)，即取盡可能少的隱層節(jié)點數(shù),可以優(yōu)先考慮 3層BP網(wǎng)絡(luò)（即有 1個隱層）。一般地， 靠增加隱層節(jié)點數(shù)來獲得較低的誤差，其訓練效果要比增加隱層數(shù)更容易實現(xiàn)。對于沒有隱層的神經(jīng)網(wǎng)絡(luò)模型，實際上就是一個線性或非線性（取決于輸出