改进bp网络与其在预测问题中应用地研究

《改进bp网络与其在预测问题中应用地研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、山东师范大学硕：}：学位论文改进BP网络及其在预测问题中的应用研究摘要预测是制定计划的前提，为决策提供依据。预测研究是人类生存和发展的关键活动。定量预测作为描述未来不确定事物的最准确、科学的方法，根据调查统计数据，运用统计方法、数学模型和算法，对事物未来发展的规模、趋势、速度等情况进行测定，具备客观、细化、规范化的优点，对于人类文明进步、经济社会发展、疾病灾害预防、探索未知世界等都具有举足轻重的作用。Back．Propagation神经网络是按照误差梯度下降原则进行权值调整的多级前馈神经网络，具有非

2、线性映射、自组织、误差反馈调整、泛化和容错等能力，是预测问题研究的重要工具，应用领域非常广泛。然而，基本BP网络的固有缺陷：易于陷入局部最小：收敛速度慢，训练时间长；收敛性能过分依赖于初始连接权值、学习率和动量因子的选择；隐藏层层数及隐层结点数难以确定等，严重影响了它的应用效果。针对缺陷进行改进后的BP网络通常是神经网络解决实际预测问题的首选，因为改进BP网络较之基本BP网络往往训练时问短，样本拟合率高，体现在预测问题上便是预测效率高、准确率高。在提出两种新型BaCk—Propagation神经网络

3、改进方案的基础上，致力于以改进Back．Propagation神经网络为主体的混合定量预测模型和方法的研究，以达到有效解决降雨量预报、人口数量预测问题的目的。主要研究工作如下：l、对BP网络的产生、基本原理、算法描述和优缺点进行总结和归纳，并综述了BP网络的诸多改进方法，为BP网络用于预测问题研究奠定基础。在分析、回顾预测研究和定量预测研究概况的基础上，着重讨论了因果关系类预测中的回归预测法和时间序列类预测中的移动平均法、指数平滑法。2、提出了两种BP网络的新型改进方案：加确保因子的改进BP网络(G

4、F．MBP)，它对Si舯oid函数的导函数进行分段处理，引入了确保因子，在理论上确保了充分的权值调整幅度，通过对于三个BenclⅡnark问题的仿真实验，发现确保因子取值接近O．9时，GF．MBP网络的训练收敛性和成功率都优于加动量项BP网络；基于二次动量项的改进BP网络(SOM．MBP)，在发挥一次动量项优势的基础上兼顾二次动量项增强(减弱)连接权变化幅度的辅助作用，提出一次动量因子和二次动量因子的量化关系，并借鉴Vo百算法动态调整权值变化幅度的成功经验。对于三个Benclllllark问题的实验

5、结果显示，SoM．MBP网络的收山东师范人学硕．卜学位论文敛速度极快，在连接权空间中的全局、局部搜索能力更强。3、改进BP网络用于解决降雨量预报问题，首先利用主成分分析法(PCA)降低所收集的气象数据的维数，然后选取GF．MBP网络学习气象数据中蕴含的内在规律，从而建立起PCA．BP降雨量预报模型。预测结果显示，基于GF．MBP算法的PCA．BP模型，比基于基本BP算法、加动量项BP算法的模型训练效率更高，预报准确率更高；比多元线性、非线性回归预测方法的预报准确率更高。4、改进BP网络用于解决人口数

6、量预测问题，根据人口数量增长变化的趋势，创新性地提出了灰色Ve曲ulst—BP模型。灰色Verhulst．BP模型既保持了灰色、，盯hulst模型S．型特征、充分利用确定性信息的优点，又将灰色Verhulst模型跟SOM．MBP网络有机融合，利用BP网络自学习、误差反馈校正能力强以及SoM．MBP网络快速收敛和权值空间中搜索能力强的优势对发展系数和灰作用量进行微调，以提高预测的准确率和适应性。采用GV-BP模型预测我国人口数量，无论在拟合已知数据，还是在短期、中长期预测上，都比两种常用时间序列类预测

7、法二次移动平均法、二次指数平滑法预测精度更高、适应性更强：跟同类其它灰色模型的比较中，GV-BP同样具有明显的比较优势。GV-BP模型对于具有S一型趋势时间序列类预测问题的研究具有重要的理论和实用价值。关键词：改进BP网络定量预测降雨量预报人口预测灰色模型中图分类号：TPl83：N945．24IIModifiedBack—Pr叩agationNeuralNetworksandItsApplicationResearchonPredictionProblemsABSTRACTPredictionist

8、llepremiseofplaIl-mal(ing，pr0VidingabaSjsfordecision—mal【ing．Studyonpredictionisakeyactivi锣forh啪ansllrviValaIlddevelopment．AsthemostaccumteandscieIlti矗cmethodtodescribeuncenainⅡlings，quantitatiVeprediction，basedonstatisticaldata，锄ployss