BP神经网络预测模型及应用.doc

《BP神经网络预测模型及应用.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、BP神经网络预测模型及应用　　摘要采用BP神经网络的原理，建立神经网络的预测模型，并利用建立的人工神经网络训练并预测车辆的销售量，最后得出合理的评价和预测结果。　　【关键词】神经网络模型预测应用　　1BP神经网络预测模型　　1.1BP神经网络基本理论　　人工神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。该网络由许多神经元组成，每个神经元可以有多个输入，但只有一个输出，各神经元之间不同的连接方式构成了不同的神经网络模型，BP网为其中之一，它又被称为多层前馈神经网络。　　1.2BP神经网络

2、预测模型　　（1）初始化，给各连接权值（wij，vi）及阐值（θi）赋予随机值，确定网络结构，即输入单元、中间层单元以及输出层单元的个数；通过计算机仿真确定各系数。　　在进行BP网络设计前，一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面进行考虑，BP网络由输入层、隐含层和输出层组成。隐含层神经元个数由以下经验公式计算：　　（1）　　式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7.BP网络采用了有一定阈值特性的、连续可微的sigmoid函数作为神经元的

3、激发函数。采用的s型函数为：　　（2）　　式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7.计算值需经四舍五入取整。　　（2）当网络的结构和训练数据确定后，误差函数主要受激励函数的影响，尽管从理论分析中得到比的收敛速度快，但是也存在着不足之处。当网络收敛到一定程度或者是已经收敛而条件又有变化的时候，过于灵敏的反映会使得系统产生震荡，难于收敛。因此，对激励函数进行进一步改进，当权值wij（k）的修正值Δwij（k）?Δwij（k+1）<0时，，其中a为大于零小于1的常数。

4、这样做降低了系统进入最小点时的灵敏度，减少震荡。　　2应用　　2.1车辆销售量神经网络预测模型　　本文以某汽车制造企业同比价格差、广告费用、服务水平、车辆销售量作为学习训练样本数据。如表1。　　表1产品的广告费、服务水平、价格差、销售量　　月份广告费　　（百万元）服务水平价格差　　（万元）销售量　　（千辆）　　16.750.980.623.864　　25.510.990.263.164　　36.050.970.423.866　　45.750.990.223.645　　55.60.990.143.662　

5、　66.820.970.244.292　　77.260.990.255.115　　86.750.980.44.856　　96.530.990.454.717　　105.260.98-0.133.026　　115.60.990.143.662　　126.820.980.244.292　　图1是本文建立的车辆销售量神经网络预测模型。模型共3层，神经网络结构为3-6-1，输入层为3个神经元，分别对应广告费、服务水平、价格差；传递函数为线性传递函数（purelin）；隐蔽层有6个神经元，传递函数为s型传递函数（

6、1ogsig）；输出层有一个神经元，对应车辆销售量，传递函数同输入层一样为线性传递函数（purelin）。将销售量数据作为学习样本的输出节点值。将3个影响参数作为学习样本的输入节点值代入神经网络学习模型，以1-10月的数据为学习样本，11-12月的数据为验证数据。　　图1神经网络车辆销售量预测模型　　3结论　　（1）当网络的结构和训练数据确定后，误差函数主要受激励函数的影响。　　（2）在BP神经网络预测方法中，输入与输出之间高度非线性的映射特点，使它更适应非线性预测。　　（3）在BP神经网络预测方法中，

7、对权值的非严格性特点，有效地保存了各种预测方法所提供的有用信息，提高了预测的精度。　　（4）BP神经网络预测方法中的无后效性特点，减少了组合预测结果对真实值的偏离，并且提高网络整体的收敛性。　　（5）BP神经网络以神经元之间连接权值的形式存储数据，再以其自适应能力，给出客观的评价结果，从而克服了专家在评价过程中的主观因素。　　（6）在实际工作中，BP神经网络模型可选取适当多的样本参数进行学习训练，随着样本数量的逐步增多，结果将会更为精确。　　参考文献　　[1]朱英.改进的BP神经网络预测模型及其应用[J

8、].武汉理工大学学报（交通科学与工程版），2012.　　[2]鲍一丹，吴燕萍等.BP神经网络最优组合预测方法及其应用[J].农机化研究，2005（3）162-164.　　作者单位　　成都农业科技职业学院信息技术分院四川省成都市611130