BP神经网络时间预测模型预.doc

基于BP神经网络的旅游人口增长时间预测模型 四川未来的旅游人数与之前数年的旅游人数有着必然的联系，旅游的人会因为之前到四川旅游的人的影响而决定是否到四川旅游，所以四川未来的旅游人数必然受到之前旅游人数的影响，这样我们就可以利用之前到四川旅游的人数时间数据列来预测未来到四川旅游的人数。模型背景：本模型是含有4个节点的网络，各节点之特性为Sigmoid型，且指定网络只有一个输出y,任一节点i的输出为Oi,并有10个样本(xk,yk)(k=1,2,3,10),对某一输入xk，网络输出为yk节点i的输出为Oik,节点j的输入为具体算法：1.输入时间序列P= ,X= (P2002年至2011年的年份，X指2002年至2011年到四川旅游的人数)2.对样本进行数值处理,使之变换成BP神经网络的输入模式对。这里我们采用数据移动平滑处理，公式为：3.初始化BP神经网络各层的权值和阈值，让各层的权值和阈值取个随机数作为初值，wij=random(),vjt=random()。这里利用MATLAB软件对BP神经网络模型的权值进行随机初始化，得到随机初始化权值。4.对每个模式进行如下循环：其中为网络实际输出，定义为：,且于是 当j为输出节点时： 若j不是输出节点，则有因此 5.计算bj和ci6.计算各层误差，误差函数定义为：7.判断是否循环至样本集总数，否则返回步骤4 8.计算总误差E，E为各样本误差总和并判断E是否满足精度要求，若E In nntobsu at 18 In newff at 86 In cg at 5 See help for NEWFF to update calls to the new argument list. net_1 = Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: 1; 1 inputConnect: 1; 0 layerConnect: 0 0; 1 0 outputConnect: 0 1 numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: 1x1 cell of inputs layers: 2x1 cell of layers outputs: 1x2 cell containing 1 output biases: 2x1 cell containing 2 biases inputWeights: 2x1 cell containing 1 input weight layerWeights: 2x2 cell containing 1 layer weight functions: adaptFcn: trains divideFcn: (none) gradientFcn: calcgrad initFcn: initlay performFcn: mse plotFcns: plotperform,plottrainstate,plotregression trainFcn: traingdm parameters: adaptParam: .passes divideParam: (none) gradientParam: (none) initParam: (none) performParam: (none) trainParam: .show, .showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail, .lr, .mc, .min_grad weight and bias values: IW: 2x1 cell containing 1 input weight matrix LW: 2x2 cell containing 1 layer weight matrix b: 2x1 cell containing 2 bias vectors other: name: userdata: (user information)inputWeights = -3.1111 3.1111 -3.1111 -3.1111 -3.1111 3.1111 3.1111 3.1111 -3.1111 -3.1111inputbias = 1.0e+003 * 6.2564 -6.2533 6.2502 6.2471 6.2440 -6.2409 -6.2378 -6.2347 6.2316 6.2284layerWeights = 0.3639 -0.9151 -0.8571 0.0433 -0.8065 0.6363 0.6351 0.4449 -0.7003 0.3192layerbias = 0.0372MSE = 1.5801e+011ans =2012 1.0496e+006 2013 1.0879e+0062014 1.1515e+00