BP神经网络模型预测未来

神经网络模型预测未来BP BP 神经网络算法概述 简介与原理 BP 神经网络是一种多层前馈神经网络 该网络的主要特点是 信号前向传递 误差反向传播 在前向传递中 输入信号从输入层 经隐含层逐层处理 直至输出层 每一层的神经元状态只影响下一 层神经元状态 如果输出层得不到期望输出 则转入反向传播 根 据预测误差调整网络权值和阈值 从而使 BP 神经网络预测输出不断 逼近期望输出 BP 神经网络的拓扑结构如下图所示 1 X ij jk 1 Y 2 X 1 Y n X 输入层 隐含层 输出层 BP 神经网络结构图 图中 是 BP 神经网络的输入值 是 BP 神经网络的预 测值 为 BP 神经网络权值 BP 神经网络预测前首先要训练网络 通过训练使网络具有联想 记忆和预测能力 BP 神经网络的训练过程包括一下几个步骤 步骤一 网络初始化 根据系统输入输出序列确定网络输 X Y 入层节点数隐含层节点数 输出层节点数 初始化输入层 隐 n lm 含层和输出层神经元之间的连接权值初始化隐含层阈值 给 ijjk a 定输出层阈值 给定学习速率和神经元激励函数 b 步骤二 隐含层输出计算 根据输入向量 输入层和隐含层间 连接权值 以及隐含层阈值 计算隐含层输出 步骤三 输出层输出计算 根据隐含层输出 连接权值 和阈 值 计算 BP 神经网络预测输出 步骤四 误差计算根据网络输出 和预期输出 计算网络预 测误差 步骤五 权值更新 根据网络预测 更新网络连接权值 步骤六 阈值更新 根据网络预测误差 更新网络节点阈值 步骤七 判断算法迭代是否结束 若没有结束 返回步骤二 下面是基本 BP 算法的流程图 BP 神经网络的拓扑结构如下图所示 1 X ij jk 1 Y 2 X 1 Y n X 输入层 隐含层 输出层 神经网络预测的算法流程如下 BP 步骤一 对初始数据进行标准化 步骤二 利用原始数据对网络进行训练 步骤三 对未来第 年第 类污染程度的河流长度比例进行预测 ti 步骤四 利用第 年预测得到的数据作为样本再对网络进行训练 步骤五 然后令 回到 Step2 直到 1tt 10t 2 建模步骤 Step 1 建立如下网络拓扑结构 表 3 网络结构 网络 基本结构 输入激发 函数 输出激 发函数 学习 方法 精度 10 15 1 sigmoid 函数 sigmoid 函数 梯度 下降法 0 001 图 6 网络拓朴结构图 Step 2 网络训练 0 1Xt 0 1Xtn tXn 0 Xtn 输入层隐含层输出层 1 样本数据预处理 2 利用处理后的数据对网格进行训练 Step 3 进行预测 利用 Levenberg Marquardt 的 BP 算法训练函数 预测的算法流程 如下 Step1 对初始数据进行标准化 Step2 利用原始数据对网络进行训练 Step3 对未来第 t 年第 i 类污染程度的河流长度比例进行预测 Step4 利用第 t 年预测得到的数据作为样本再对网络进行训练 Step5 然后令 t t 1 回到 Step2 直到 t 10 B