BP神经网络讲稿.pdf

《BP神经网络讲稿.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、因此本文第三章中将BP神经网络模型、灰色预测模型、指数平滑法模型以及组合预测模型预测A市2000~2008年用水量的预测结果与实际值的对比A市年用水量预测精度由低到高依次为：指数平滑法、灰色预测法、灰色指数组合预测法、BP神经网络法。预测方法分析•BP神经网络模型：这是由于BP神经网络具有强大的非线性映射能力，可以考虑多种因素的影响，具有误差反向传递的功能，并且BP神经网络在预测前不需要建立数学模型。特别的当时间序列观测值较多、且已知观测值序列的各个影响因素时，用BP神经网络预测城市需水量时精度

2、最高BP神经网络法适合做城市短期的用水量预测。•灰色GM(1,1)模型：灰色GM（1,1）模型本身属于指数函数所造成的结果，因此用该模型预测呈指数规律或近似呈指数规律变化，或者总体上呈单调较平缓变化的年时间序列时其精度基本可以满足要求，但不适合于时、日、月或季等周期性或波动性较强的时间序列的预测。•指数平滑法：当时间序列的预测值受到历史数据的影响较大，且序列具有非线性增加的趋势时，选用指数平滑法可以取得良好的预测效果，是不能反映特殊年份用水量的变化。•组合预测法：当单一预测模型的预测精度较低不能

3、满足实际要求时，可以考虑将多个预测模型进行组合预测，这样可以有效提高预测结果的精度。[13]遗传算法(GA，GeneticAlgorithm)是一种以达尔文的“自然进化论”和孟德尔的“遗传变异理论”为基础的全局随机搜索优化计算技术。GA的搜索始终遍及整个解空间，擅长全局搜索；而BP在用于局部搜索时显得比较有效，因此将两者结合起来，取长补短。首先用遗传算法对ANN初始权值进行优化，在解空间定出一个较好的搜索空间，然后再用BP算法在这个小空间搜索出最优解。基于LM改进BP：为了进一步减小振荡、加快收

4、敛速度，笔者利用LM算法对网络权值和阈值进行修正。该算法由经典Newton算法发展而来，利用非线性最小二乘法来推演Hessian矩阵的近似形式，大大地减少了计算量。LM算法的基本方法是:隐层节点数优化：BP网络隐层节点数直接影响着网络的容量、泛化能力、学习速度和输出性能。虽然神经网络神经元的冗余说明它具有良好的容错性，但冗余太多，网络性能势必会受到一定的影响，以致降低预测精度。根据节点之间相关性分散度大小合并删除结点，确定一个最佳的网络结构。马尔科夫模型原理按照某系统的发展，时间可离散为n0,

5、1,2,3，对每个系统的状态可[19]用随机变量表示，并且对应一定的概率，称为状态概率。当系统由某一阶段状态转移到另一阶段状态时，在这个转移过程中，存在着转移的概率，称为转移概率。如果转移概率只与目前相邻两状态的变化有关，即下阶段的状态只与现在状态有关而与过去无关，那么这种离散状态按照离散时间的随机转移系统过程，称为马尔可夫过程。2004年、2005年BP网络预测误差分别为31022%和91809%，马尔可夫修正后的预测误差分别为11083%和71000%。可见BP神经网络马尔可夫预测精度更高。

6、最后要感谢的是所有帮助过我，关心过我，爱护过我，指导过我，喜欢过我，暗恋过我，表白过我，倾慕过我，表扬过我，讨厌过我，恨过我，骂过我，打过我，亲过我，抱过我，拧过我，掐过我，拉过我，拽过我，甩过我，瞪过我，泡过我，咬过我，顶过我，踹过我，踢过我，蹬过我，黑过我，推过我，撞过我，偷过我，抢过我，损过我„„等等等等。因为相逢是一种缘分，没有这些人就没有如今的我。