基于某MATLAB地BP神经网络人群流量预测地实现

《基于某MATLAB地BP神经网络人群流量预测地实现》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、标准文档论文题目MATLAB基础上的BP神经网络人群流量预测学生姓名学号实用文案标准文档专业实用文案标准文档MATLAB基础上的BP神经网络人群流量预测摘要：通过对旅游景点、商业网点等人口密集场所的人群流量进行预测，对于合理控制旅游景点、商业网点等场所的人口数量，预防人群踩踏事故的发生具有非常重要的意义.本文首先介绍了人群流量的BP神经网络预测方法，并建立了四个BP神经网络模型，并结合模型编写了相应的MATLAB运算程序，随后用所建立的网络模型对德州市某路口单向的人群流量进行了预测，最后还分析了不同输入、输出结构、隐含层神经元的个数、以

2、及不同传递函数等因素对BP神经网络性能的影响.关键词：人群流量；BP神经网络；MATLAB1BP神经网络基本原理BP神经网络是一种常见的神经反馈网络，它是一种具有三层或者三层以上神经元的神经网络，其基本的结构包括输入层、隐含层以及输出层.当一个学习样本提供给输入神经元后，该神经元的激活值一般从输入层经过隐含层向输出层进行传播，在输出层的各个神经元获得网络的输入响应后，然后按照减少实际输出样本与网络输出之间误差的方向，从BP神经网络的输出层方向经过各隐含层最后回到输入层，进而达到逐步修正各连接权值的目的，这种算法就是BP算法.这也就是说B

3、P神经网络是通过反向的误差传播，在传播过程中不断修正其权值和阀值，进而使误差达到或者接近其理想水平的一种神经网络.BP神经网络从本质上来说是高精度的数值拟合的一种神经网络方法，它的基本原理就是把激励函数串联起来，通过改变各个激励函数的系数，从而达到减小误差的目的.BP神经网络因为其预测的精度高，网络训练效果好，自适应性强，稳定性好等特点而得到了越来越广泛的使用.BP神经网络作为一种较智能型的网络预测模型，在数学建模以及实际问题的解决中发挥着越来越重要的作用.图一为常见的带一个隐含层的BP神经网络的一般结构，图二为一个基本的BP神经元模型

4、.输入数据输入层隐含层输出层输出数据实用文案标准文档图1含一个隐含层的BP神经网络PfPapp图2基本的神经元模型2BP网络求解过程利用BP神经网络进行的求解过程可以按照以下六个步骤来进行（1）输入原始数据（2）将原始数据归一化处理（3）进行网络训练（4）对原始数据进行仿真（5）将仿真后得到的新数据与已知数据进行比较（6）对得到的新数据再进行仿真.3数据处理与数据拟合对原始数据进行预处理的方法主要有下面几个：（1）对原始数据归一化处理：此方法是将原始数据都变为-1-1之间的数，尽量消除原始数据在收集过程中所带来的一系列对实验结果可能造成

5、的影响，归一化处理所用到的函数主要有mapminmax、postmnmx、tramnmx等函数.当然，也可以利用公式进行MATLAB编程实现原始数据的归一化.（2）标准化处理：这一方法的目的是将收集到的原始数据都化为均值为0，方差为1的一组新的数据，标准化处理所用到的函数主要有prestd、poststd、trastd等函数.实用文案标准文档（3）主成分分析法：对原始数据进行正交处理，借此来减少输入的原始数据的维数，这一方法所用到的函数主要有prepca、trapca等函数.（4）相关性分析法和统计学回归分析法：对原始数据进行统计学的回

6、归分析和相关性分析，可以借助有关统计学软件进行，或者借助postrg函数编程实现.本文把收集到的德州市某路口2016年12月15—21日8:00—22:00的单向人群流量数据作为一个样本，每10分钟为一个时间间隔.我们每60分钟的数据作为一组，这样就把原始数据总共分成了14组.一般首先要对原始数据进行归一化处理，以防某些原始数据的特征被忽视.对原始数据进行归一化处理一般采用以下两种公式：或.我们知道人群流量越大，发生踩踏事故的概率就越大，因此本文采用公式进行原始数据归一化处理.归一化后的数据如下表所示：归一化后2016年12月17日德州

7、某路口单向8:10—22:00人群流量时间流量时间流量时间流量时间流量时间流量时间流量8:100.03579:200.175310:300.587711:400.792212:500.564914:000.56178:200.06499:300.142910:400.649411:500.870113:000.477314:100.47418:300.16239:400.175310:500.642912:000.701313:100.740314:200.45458:400.15919:500.373411:000.73712:100

8、.805213:200.584414:300.46758:500.191610:000.383111:100.792212:201.000113:300.564914:400.38199:000.15911