BP神经网络预测法

2024-06-15

BP神经网络预测法（共12篇）

BP神经网络预测法篇1

运用微生物废气净化技术的装置往往具有运行费用低、工艺设备简单、易于维护、脱除效率高、二次污染小等优势[1,2]。NOx是一类常见的大气污染物, 可由大量化石燃料燃烧过程中产生, 是目前关注较多的大气污染物。研究表明:运用生物法在实验室条件对NOx不能达到稳定处理。一项技术能否得到推广应用的前提是在于该技术具有高效性、稳定性、可控制性、可预测性以及经济性等。因此还需要对生物法同步脱硫脱氮的机理作进一步的研究。此外, 人工智能及计算机技术的发展而产生了许多方法也为该实现该目标提供了其他思路。

人工神经网络是一种神经生物学与计算机技术结合下的智能算法, 主要模仿人脑对于信息的加工处理与反馈的过程。因此可通过将装置运行过程中的影响因素作为输入信息, 而将装置最终脱除率作为反馈信息的方法对生物法NOx填料塔建立神经网络模型。BP神经网络具有极强的非线性逼近能力[3], 不用明确输入输出数据之间的函数关系, 通过调整其连接权值和阈值即可对新的数据做出预测。

BP神经网络在环境领域也具有广泛的运用:张俊等将BP神经网络运用于医疗垃圾焚烧炉温度自动控制当中, 实现了控制系统对焚烧温度的自动控制以达到更大焚烧效率[4]。陈作超等利用BP神经网络对生物滴滤塔对有机废气的处理过程进行建模, 取得了较好预测效果[5]。韩伟等在对造纸厂废水的处置研究当中, 利用BP神经网络结合NSGA-2等对处置过程进行优化, 为废水处理多目标优化方面提供了参考[6]。

1 研究对象

本研究是基于双塔式脱硫脱氮的工艺对实验室产生的模拟烟气进行处置的装置的, 实验装置的核心部分为两个串联的填料塔, 每个单塔被分隔成上下两段各段装填有陶粒。通过一定方法使陶粒表面生长出生物膜并通过滴灌营养液维持其生长。实验中营养液主要添加的营养成分为K+、Mg2+、PO43-等。生物膜上的微生物起着脱除SO2和NOX的作用。主要通过化学滴定法分别产生模拟烟气中的SO2和NOX, 然后通过气泵将产生的气体从第一个填料塔的底部从下至上鼓入并排出并进入下一个填料塔直至排出至大气中。实验装置如图1所示。

装置在运行的过程中, 接通采样口以便测量SO2和NOX浓度, 经过长时间的实际运行发现, 一般SO2在前一个填料塔中即可得到处置, 处置率可达100%[7], 进入后一个填料塔的主要为NOX, 习惯称该柱为脱氮柱, 也是本研究主要针对的装置。

氮柱内的微生物主要通过硝化作用与反硝化作用处置NOx, 处置后元素氮或成为菌体大分子的组成部分, 或成为N2进入空气, 或成为NO3-存在于循环液, 但仍然有一部分保持不变直接被排入空气中。由于脱除机理比较复杂, 塔内诸多因素都能够影响NOx的脱除率。

2 研究模型的建立

经过前期的研究论证, 主要采用的以下营养液p H值、循环量, 通气量, 进出气体NOx的浓度, 温度值, 且这些影响因素都可以采取一定手段进行控制, 比较符合自动控制实际, 预测目标是通过测定出气口NOx浓度得到的脱除率。同时为了减少其它难测量或量化因素影响, 同时也考虑到工业运用的实际情况, 测量主要在3天内完成, 最终以每日间隔30分钟采集上述数据。最终完成60组的采集。每隔测定一定数量的数据后微调影响因素使之能覆盖比较理想的范围。最终结果如表1所示。

3 结果与讨论

3.1 基于BP神经网络的生物法烟气NOX净化装置模型

将各项数据输入MATLAB并归一化后, 因本研究采用5个影响因素因此输入层的神经元为5个, 预测的结果为脱除率故输出层的神经元数为1个。根据精确度以及网络性能考虑, 隐层采用单层含10个神经元, 训练函数选择“trainlm”、传递函数为“tansig”、学习函数采用“learngdm”, 性能函数为“mse”, 随机选取60组数据中的70%作为训练数据。训练曲线如图2所示

可以看出在经过少量次数的迭代后均方差即可达到较小的范围内即6.36e-05, 并且BP神经网络模型也得到了建立。计算时间短且训练周期短, 这与所选取的Levenberg-Marquardt BP算法有关, 该训练算法对于较大规模的神经网络具有良好的性能。调用BP神经网络工具箱的回归分析显示如图3所示。

3.2 BP神经网络模型的验证

在对剩下的30%即18组数据作验证的结果如图4所示。

工

预测结果在MATLAB神经网络函数Perform值为0.000691338008632761, 结合图4表明BP神经网络可以为本研究的装置提供预测作用, 从实际的测量值看出, 即使在较短的周期内脱除率随着时间呈毫无规律的变化, 而BP神经网络由于其本身特性可对该变化建立相关的模型并进行预测。

4 结语

经过研究论证, 对于生物法烟气脱硫脱氮技术装置的BP神经网络模型的建立是可行的, 该BP神经网络模型能够提供预测作用。

摘要：对生物法烟气NOX净化技术的脱除效果进行有效精确地预测, 是该技术在应用中具有高效稳定的性能的前提, 只有满足这一条件才有可能被推广应用。本研究基于所在实验室处置模拟烟气净化装置中的脱氮装置, 采集相关数据并使用了BP神经网络这一智能算法对净化过程进行建模与预测最后验证了预测的结果。结果表明建立此类技术的BP神经网络模型是可行的, 模型具有预测的作用, 并可为后续的研究提供一定参考与基础, 在将来的研究工作中结合成熟的自动控制技术、运用精密的传感器件收集各影响因素的水平与大小。系统通过得到各种数据不断地对网络进行训练与自适应来产生一个精确的处置模型, 进而调整各种影响因素的水平以达到实现高效稳定脱除的目标。有望推进生物法脱硫脱氮技术在工业上运用的进程, 同时也为理论方面的研究提供一定的参考价值。

关键词：BP神经网络,生物法,烟气,脱氮技术,脱除率

参考文献

[1]毛永杨, 邹平, 孙佩石.生物法烟气脱硫脱氮研究进展[C].中国环境科学学会学术年会论文集, 2012:2136-2141.

[2]毛永杨, 王海玉, 孙珮石.生物法同时脱除高温烟气中SO2和NOx的实验研究[J].云南大学学报 (自然科学版) , 2012, 34 (2) :227-231.

[3]高平, 刘志坚, 袁立梅, GAO Ping, LIU Zhi-jian, YUAN Li-mei.基于BP神经网络的唐山房价预测[J].河北联合大学学报 (社会科学版) , 2015, (2) :48-50

[4]张俊, 熊桂林.基于BP算法的垃圾焚烧过程温度控制研究[J].计算机测量与控制, 2006, 14 (7) :918-920.

[5]陈作超, 马海芳.生物滴滤塔废气处理过程的神经网络建模[J].数字技术与应用, 2013, (8) :50-51.

[6]韩伟, 黄明智.基于NSGA-2和BP网络的造纸废水厌氧消化过程多目标优化[J].造纸科学与技术, 2014, (6) :145-147.

[7]曾二丽, 孙珮石, 王洁.生物膜填料塔SO2废气净化性能研究[J].环境污染治理技术与设备, 2006, 7 (10) :26-29.

[8]Wang Ying, Lu Cuijie, Zuo Cuiping.Coal mine safety production forewarning based on improved BP neural network.International Journal of Mining Science and Technology 25 (2015) :319-324

[9]杨建刚.人工神经网络实用教程[M].浙江大学出版社, 2001, (1) .

[10]Wei D, Lu XY.An improved BP Neural Networks applied to classification[J].Energy Procedia 2011, 13:7065-9.

BP神经网络预测法篇2

BP神经网络在灌区需水量预测中的应用

随着塔里木河下游水量逐年减少的趋势,铁干里克灌区水资源危机显的`越来越严重.运用BP神经网络方法预测需水量,对灌区适时调整产业结构,保护生存和生态环境,促进区域社会经济和谐发展有重要意义.

作者：陈小强胡向红袁铁柱张建 CHEN Xiao-Qiang HU Xiang-Hong YUAN Tie-Zhu ZHANG Jian 作者单位：新疆农业大学,水利与土木学院,新疆,乌鲁木齐,830052刊名：地下水英文刊名：UNDERGROUND WATER年，卷(期)：31(6)分类号：P641.8关键词：铁干里克灌区 BP神经网络需水量预测

BP神经网络预测法篇3

关键词大麦；净光合速率；预测；BP神经网络模型

中图分类号：S512.3 文献标志码：B 文章编号：1673-890X（2016）06--02

净光合速率（Pn）是评价植物生长状况的重要指标之一，因此净光合速率一直是植物生理研究的一个重点。影响Pn的主要因素有：环境二氧化碳浓度，光照强度、温度和水[1]。青稞作为青藏高原地区藏族人民的主要粮食作物和动物饲料，对当地经济和人民生产生活中发挥着重要的作用[2]。由于高原独特的自然地理条件，研究青稞的Pn对提高青稞的产量和提高藏族人民的生活水平有着重要的意义。目前，研究青稞的Pn与环境因素之间的关系主要集中在研究Pn与光照强度，Pn与水[3]等。系统地研究和预测Pn与环境二氧化碳浓度、光照强度、温度和水之间的报道较少。

BP神经网络（Back Propagation neural network）是最重要的人工神经网络模型之一，广泛地应用于非线性系统的模式识别和预测方面有着广泛的应用。Li等人通过利用偏最小二乘回归与BP神经网络预测番茄的光合速率发现BP神经网络拟合的结果精确度高于偏最小二乘回归[4]。

本研究主要目的是：利用BP神经网络研究大麦Pn与环境二氧化碳浓度、光照强度、温度和水之间的关系，建立最优BP神经网络模型，并将神经网络的预测值与观测值进行比较，探讨神经网络对大麦Pn预测的实用性。

1 材料与方法

2010年11月5日，将大麦（Hordeum vulgare L.）品种矮白青稞种子按照行距15 cm、株距10 cm播种于西华师范大学试验田（北纬30.812°，东经106.067°）。为使植株长势尽可能均一，统一进行水肥管理。

2011年5月的第1个星期，此时供试材料处于灌浆期。数据测定当天天气晴朗无云，从07：00-19：00，选择5株长势较好且均一的大麦主分蘖植株，利用Li-6400型便携式光合仪测定大麦旗叶的光合日变化，记录的数据主要有：净光合速率（Pn）、光照强度（PARo）、环境二氧化碳浓度（二氧化碳）、气孔导度（Cond）、气温（Tair）、相对湿度（RH）、叶片温度（Tleaf）和蒸腾速率（Trmmol）等。每隔1h测定一次，每株的旗叶重复测定3次，待Pn稳定后保存数据。

将每片旗叶重复测量3次的数据求平均值作为该植株的光合日变化数据，共得到65个数据。然后将65个数据随机分成2组：第1组包含55个数据，用于BP神经网络训练；第2组包含10个数据，该组数据用于BP神经网络测试。该组的Pn观测值在称为测试值，而神经网络计算输出的Pn称为预测值。BP神经网络模型的训练和预测利用Matlab 6.5进行。其中气温、环境二氧化碳浓度、相对湿度和光照强度作为BP神经网络的输入层，Pn作为输出层。为了评价BP神经网络的准确性，定义了测试值和预测值之间的均方误差（Mean square error，MSE）。

（1）

方程（1）中yt和?t分别代表观测值和计算值[5]。为了找出大麦Pn最优的BP神经网络模型参数，首先固定学习速率为0.05，将迭代次数设为1 000、2 000、3 000、4 000进行BP神经网络训练，每个迭代次数进行5次训练，并计算出每次的测试值和测试值的MSE（Mean Square Error）（见表1）。然后为找出最优学习速率，我们将迭代次数设置为最优的迭代次数，而学习速率分别设置为0.05、0.06、0.07进行BP神经网络训练，每个参数进行5次训练，并计算出测试值和预测值的MSE（见表2）。最终将最优参数对应的预测值和测试值作图比较（见图1）。

2 结果与分析

表1显示了BP神经网络学习速率为0.05，不同迭代次数对大麦Pn预测值MSE的影响。表1第一列代表不同的4个迭代次数，最后一列代表5次训练所得MSE的平均值。由表1可见：当迭代次数为2 000次时，5次训练所得的平均值最小为1.500。其中当迭代次数为4 000时，第2次训练所得的MSE在所有训练结果中的MSE最小为1.369。

表2显示了BP神经网络迭代次数为2 000时，不同学习速率下大麦Pn预测值与观测值的MSE。表2第一列代表不同的学习速率，最后一列代表5次训练所得MSE的平均值。由表2可见：当学习速率为0.06时，5次训练所得的MSE平均值最小为1.500。其中当学习速率为0.05时，第4次训练所得的MSE在所有训练结果中的MSE最小为1.314。

图1显示了利用BP神经网络程序计算大麦Pn的预测值与测试值之间的差异。由图1可见，预测值和测试值之间比较接近，部分测试值和预测值几乎完全重合。

图1 大麦净光合速率观测值与BP神经网络最优预测值比较

3 结论与讨论

净光合速率是评价植物生长情况的重要因素，其受到各种环境因素的影响。以往利用线性模型或偏最小二乘回归模型研究Pn与环境因素的关系表明：Pn与环境因素不是简单的线性关系。本研究利用BP神经网络对大麦的Pn与环境因素中的环境二氧化碳浓度，光照强度、温度和水进行拟合和预测，结果表明BP神经网络在迭代次数为2 000次（见表1），学习速率为0.06时得到的BP神经网络模型是大麦净光合速率最优、最稳定的模型（见表2）。其中第2次训练得到的神经网络其MSE最小为1.368（见表2）。由图1可见，该网络预测的净光合速率预测值与实际测试值比较接近，部分测试值与预测值几乎完全重合。这说明BP神经网络在预测大麦的净光合速率方面具有较高的准确性，这与以往的研究结果一致[5]。本研究表明，BP神经网络可以广泛地用于预测植物的净光合速率。

参考文献

[1]Blackman FF. Optima and limiting factors. Annals of Botany， 1905（19）：281-295.

[2]程明，李志强，姜闯道，等.青稞的光合特性及光破坏防御机制[J].作物学报，2008，34（10）：1805?1811.

[3]于智恒，寇立娟，王钢钢.农田水位及环境因素对小麦生理指标的影响预测[J].安徽农业科学，2010，38（34）：19252-19253.

[4]Li Ting， Ji Yuhan， Zhang Man， Sha Sha， Li Minzan： Comparison of Photosynthesis Prediction Methods with BPNN and PLSR in Different Growth Stages of Tomato[J].農业工程学报，2015（31）：222-229.

[5]Chen ZY， Peng ZS， Yang J， et al. A Mathematical Model for Describing Light-response Curves in Nicotiana tabacum L[J]. Photosynthetica， 2011，49（3）：467-471.

BP神经网络预测模型及应用篇4

1.1 BP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。

1.2 BP神经网络预测模型

(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:

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函数作为神经元的激发函数。采用的s型函数为:

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 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。

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3-61, 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 (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。

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, 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。

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

参考文献

[1]朱英.改进的BP神经网络预测模型及其应用[J].武汉理工大学学报 (交通科学与工程版) , 2012.

BP神经网络预测法篇5

为了寻求有效控制和改善环境质量的.相应措施,选用了英国伦敦Bloomsbury监测站的PM10小时平均浓度监测资料,采用“提前终止法”泛化改进的BP神经网络模型,预测PM10 24 h内的小时平均浓度.结果表明:采用BP神经网络法对大气污染物浓度进行预测,预测相对误差在2%～48%之间,且绝大部分在2%～17%之间,预测精度较高,泛化能力较好,为大气污染物浓度预测提供了一种全新的思路和方法.

作者：欧阳钧王爱枝 Ouyang Jun Wang Aizhi 作者单位：欧阳钧,Ouyang Jun(上海市长宁区环境监测站,上海,52)

王爱枝,Wang Aizhi(中国气象科学研究院上海办事处,上海,200011)

BP神经网络预测法篇6

【关键词】BP神经网络最小二乘法盾构故障

一、故障预测常用方法种类及特点

常用的故障预测种类有以下几种：

（一）曲线拟合法：本方法简单实用，好理解，较多的应用在监控机械装置的系统，缺点是预测误差结果比较大。

（二）卡尔曼滤波法：计算量小、预测精度高，主要用于线性系统，在非线性系统中需要进行扩展，但其模型的不确定性很差。

（三）灰色预测：该方法需将两个部分进行置换，即“随机过程”转换为“灰色过程”，把“随机量”处理成“灰色量”，然后在理论系统的模型GM（1，1）中进行处理。

（四）神经网络：具有学习记忆功能，能很好解决非线性系统问题，不对预测模型做限制，同时还能把以前的历史数据完整映射到未来的数据库中，可广泛用在故障检测中。实际使用广泛的神经网络预测有：BP神经网络和自组织特征映射网络。

二、最小二乘法与BP神经网络相结合的预测方法

基于本文采用最小二乘法与BP神经网络相结合的方法来预测故障，因此需要对所选取的数据样本集进行直线最小二乘法的拟合，然后用BP神经网络算法进行计算，最后将这些值作为样本集，输入到BP神经网络模型来进行训练预测。

（一）BP神经网络模型的构建

在构建神经网络之前，需将数据进行归一化处理，将归一化的数据样本构建成BP神经网络模型。在本论文的神经网络模型中，训练函数，学习函数，传读函数，性能函数，训练次数，训练误差，学习率分别为：traingdx，learngdm，logsig，mse，1000次，0.0001，0.08.输入层，输出层及隐层分别为：6，1，5。

（二）最小二乘法的直线拟合过程

根据最小二乘法的理论[4]及BP神经网络的模型可知，要预测故障，既是对出现故障的时间序列的预测，而预测时间序列X={Xt︱t=0，1，2…m}，实际上就是利用已知的{xk，xk-1…xk-n+1}来求xk+1。

将得到的数据样本再通过BP神经网络的算法对样本计算，得到其对应的各个参变量值，即给出Xk，得到期望值N（Xk），其中k=n-1，n…m，然后把这些值作为样本集，用在BP神经网络中来训练整个网络。

三、盾构机PU电流序列预测应用

（一）单一的BP神经网络的预测结果

单一的BP神经网络采用以1小时为间隔所提取得 100个PU电流数据作为样本集对进行训练，采用输入连续的6个PU电流值，紧接着输出相连续的一个PU电流值，即输入与输出层节点数比例为6：1，隐层节点数为5，将网络进行收敛，当达到预定精度以后，预测其结果如图1中曲线。

（二）最小二乘法及BP神经网络相结合的预测结果

用上面的样本集数据，对最小二乘法与BP神经网络的合成的样本进行训练，并进行网络收敛，当达到预定精度，预测其结果如图2中曲线所示。

（三）两者结果比较

图1和图2中的两条预测线分别代表PU实际电流变化曲线（实线）以及用神经网络预测的电流变化曲线（虚线）。可以看到，在图2中，这两种曲线的变化趋势比较接近，仅有极少的时间序列点有较大偏差，而图1中的两条曲线则在多个时间序列段出现较大的偏差，两条曲线走势明显偏离，所以，可以认为，采用合成的BP神经网络算法预测到的PU电流时间序列精度较高，比采用单一的BP神经网络更能客观反映盾构机的实际电流变化情况。虽然有个边点出现误差，也是未考虑机组负荷的影响。因此，整体上说合成的BP神经网络算法对盾构机的PU电流还是具有很高的预测能力。

图1 图2

四、总结

上述内容主要采用最小二乘法与BP神经网络结合的方法对盾构机的故障进行预测，将二者结合起来，可以充分利用二者的优点，优势互补。笔者将其应用到了实际的工作中，起到了良好的预测效果。

参考文献：

[1]蒋瑜，杨雪，阮启明.机械设备故障规律及运行趋势预测方法综述[J].机电一体化，2001（3）：14-17.

[2]陈敏泽，周东华.动态系统的故障预报技术[J].控制理论与应用，2003，20（6）：820-822.

[3]苏春华，罗雷，海军，梅检民，肖云魁.基于BP神经网络的汽车发动机寿命预测[J].军事交通学院学报，2009，11（4）：50-51.

BP神经网络预测法篇7

近年来, 以非线性为特征的人工神经网络 (Artificial Neural Network, ANN) 引起人们的广泛兴趣。人工神经网络具有大规模并行模拟处理非线性动力学和网络全局作用等特点, 能以任意精度逼近任意非线性函数, 同时还具有很强的自适应、自学习及其容错能力[8]。目前应用最广泛的ANN模型是由Rumelhart、McClelland于1985年提出的BP神经网络模型, BP神经网络是一种多层前馈神经网络 (Back-propagation, 反向传播) , 具有抑制与激活神经网络节点, 自动决定影响性能的参数及其影响程度的特点[9], 已在函数逼近、模式识别、分类、数据压缩等领域得到广泛应用。因此, 本文试图运用BP神经网络模型对福建省人口死亡率进行预测, 以期揭示人口死亡率动态变化规律, 掌握人口变化动态, 为经济社会发展和计划生育提供决策支持。

1 研究区概况

福建省位于北纬23°33′~28°20′、东经115°50′~120°40′之间, 地处亚热带, 背山面海, 气候温和, 雨量充沛, 四季常青。福建省地处中国东海之滨, 东隔台湾海峡与台湾省相望, 东北与浙江省毗邻, 西北横贯武夷山脉与福建省交界, 西南与广东省相连, 是中国距离东南亚、西亚、东非和大洋洲最近的省份之一。全省土地面积为12.14万平方公里, 其中山地丘陵占80%以上, 有“八山一水一分田”之称, 森林资源丰富, 是我国南方的重点林区之一。森林覆盖率65.95%, 居全国第一, 有“绿色宝库”之称。福建沿海有属亚热带海洋和大陆架浅海, 是寒暖流交汇地方, 鱼、虾、贝、藻种类繁多, 经济鱼、对虾、扇贝等海珍品资源丰富, 是我国的主要渔区。福建境内山峦起伏, 溪河纵横、山青水秀, 文物古迹众多, 旅游资源十分丰富, 武夷山被联合国教科文组织列入《世界自然与文化遗产名录》。

2 数据来源与处理

本文数据来源于福建省2013年统计年鉴[10], 对福建省1978—2012年的人口死亡率数据进行实证分析和检验, 并对2013—2015年人口死亡率进行预测。由于BP神经网络算法是一种梯度下搜索降法, 存在学习后期收敛速度慢、易于陷入误差函数的局部极小点;对于较大搜索空间, 多峰值和不可微函数不能有效搜索到全局最小点[11]。而Leven-berg-Marquardt优化方法与Bayesian正则化方法 (trainbr函数) 具有很好的推广能力, Leven-berg-Marquardt优化方法进行网络权值和阈值的最优化搜索, Bayesian正则化方法在网络训练过程中自适应地调节性能函数比例系数C的大小, 使其达到最优[12]。因此, 运用改进BP神经网络, 建立福建省人口死亡率预测模型。在进行BP神经网络算法前需对输入、输出节点数据做归一化处理, 即x’=x/xmax, 将输入样本矩阵范围控制在[0, 1]内。式中x为输入、输出节点值, xmax为节点最大值。

3 研究方法

3.1 BP神经网络模型

3.1.1 BP神经网络结构

人工神经网络 (ANN) 是由若干个人工神经元相互连接组成的广泛并行互联的网络, 是一种试图模拟人的神经系统建立起来的非线性动力学系统。神经网络理论的Kolmogrov定理证明[13]:具有n个输入神经元, 2n+1个隐含层神经元和m个输出神经元的3层BP神经网络可任意逼近任何紧致子集上的连续函数。3层BP神经网络结构可用图1表示。

3.1.2 BP神经网络学习规则

BP算法是一种监督式的学习算法, 主要思想就是通过学习样本与输出样本之间的误差乱来不断修正权值, 使网络的输出不断地接近期望的输出, 网络输出层的误差最小。通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标, 每一次权值和偏差变化都与误差的影响成正比, 并以反向传播的方式传递到每一层。其核心思想就是将输出误差以某种形式通过隐层向输入层逐层反传, 将误差分摊给各层的所有单元, 修正各单元权值[14]。神经网络算法步骤如下:

1) 网络初始化。给各连接权值分别赋一个区间 (-1, 1) 内的随机数, 设定误差函数e, 给定计算精度值ε和最大学习次数M;

2) 随机选取第k个输入样本及对应期望输出;

3) 计算隐含层各神经元的输入和输出;

4) 利用网络期望输出和实际输出, 计算误差函数对输出层的各神经元的偏导数δo (k) ;

5) 利用隐含层到输出层的连接权值、输出层的δo (k) 和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh (k) ;

6) 利用输出层各神经元的δh (k) 和隐含层各神经元的输出来修正连接权值who (k) ;

7) 利用隐含层各神经元δh (k) 和输入层各神经元的输入修正连接权。

8) 计算全局误差

9) 判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数, 则结束算法。否则, 选取下一个学习样本及对应的期望输出, 返回到第三步, 进入下一轮学习。

3.1.3 网络节点确定

网络输入层节点是系统的自变量个数, 输出层节点数就是系统目标个数, 隐含层节点数的选取较为复杂, 节点数太少, 网络难以识别样本, 容错性降低, 训练能力就会变弱, 无法完成精确预测;节点数太多, 会增加网络的迭代次数, 训练时间变长, 降低网络的泛化能力, 导致预测能力下降, 一般可按以下公式选取[15]: 为输入神经元数, n2为输出神经元数, a为0~10之间的常数。

3.2 灰色预测理论

灰色预测法是一种对含有不确定因素的系统进行预测的方法, 灰色系统是一种介于白色系统和黑色系统之间的一种系统。信息完全明确的系统称为白色系统, 信息完全不明确的系统称为黑色系统, 部分信息已知, 部分信息未知, 即信息不完全明确的系统称为灰色系统。灰色预测通过鉴别系统因素之间发展趋势的相异程度, 并对原始数据的生成处理来寻找系统变动规律, 从而建立预测模型来预测事物未来发展趋势。

3.2.1 GM (1, 1) 模型

GM (1, l) 模型是最常用的一种灰色模型, 它是单变量的一阶线性动态模型, 主要用于外推性预测, 具体建立模型步骤如下[16]:

设时间序列X (0) 有n个观察值, X (0) ={X (0) (1) , X (0) (2) , …, X (0) (n) }, 通过累加生成新序列X (1) ={X (1) (1) , X (1) (2) , X (1) (3) , …, X (1) (n) }, 则GM (1, 1) 模型相应的微分方程为:

式中, a为发展灰数, μ为内生控制灰数。

其中:

求解微分方程, 可得预测模型为:

3.2.2 模型检验

2) 关联度检验。根据关联度计算方法, 计算出 (i) 与原始序列X (0) (i) 的关联度系数, 然后计算出关联度, 一般来说, 当ρ=0.5时, 关联度大于0.6即可。

3) 后验差检验。

计算原始序列的标准差:

计算绝对误差序列的标准差:

计算小误差概率:

令ei=|Δ (0) (i) -Δ- (0) |, S0=0.674S1, 则P=p{ei

若残差检验、关联度检验、后验差检验都能通过, 则可以用所建模型进行预测;否则应进行残差修正。

4 人口死亡率预测实证分析

4.1 人口死亡率样本训练与预测

为对福建省人口死亡率进行验证和预测, 根据2013年福建统计年鉴1978—2012年人口死亡率数据进行建模和预测。影响人口死亡率因素众多, 在建立死亡率预测模型时很难找出所有的影响因素。而人口死亡率历史统计数据是所有影响因素相互作用的结果, 其中隐含包括了这些影响因素对人口死亡影响的规律。因此, 本文先使用单步预测, 然后再将输出反馈给输入端作为网络输入的一部分, 构建滚动神经网络预测模型。将外部因素对人口死亡率的影响规律通过神经网络模型进行表达, 而不需要人为分析影响人口死亡的外部因素, 避免了因选择外部因素不同造成的预测偏差。

以福建省1978—1982年、1979—1983年、…、2007—2012年人口死亡率数据作为网络输入, 1983、1984、…、2012年数据作为理想输出, 即以前5年数据为BP神经网络的输入变量, 以当年数据为网络输出变量, 其中1978—1982年、1979—1983年、…、2002—2006年共25组样本数据对网络进行训练, 2003—2007年、2004—2008年、…、2007—2011年共5组数据为验证样本集, 采用BP神经网络模型预测2013—2015年人口死亡率。本文运用MATLABR2013a中神经网络模块建立人口死亡率预测模型, 根据网络结构, 输入层节点选择5, 输出层节点数为1, 为了缩短训练的时间, 隐含层为1层, 经过反复测试, 节点数设为8, 见图2。

为对样本进行训练, 首先对BP神经网络的相关参数进行设置。BP神经网络创建:net=newff (minmax (P) , [8 1], {′tansig′, ′purelin′}, ′trainbr′) , 设置BP神经网络的隐含层神经元数、输出层神经元数, 隐含层神经元采用曲正切S型传递函数tansig激活函数, 输出层采用线性传递函数purelin, 网络训练算法采用trainbr函数。网络训练参数:设置网络训练次数, net.trainParam.epochs=5000;设置显示当前网络训练误差间隔次数, net.trainParam.show=50;设置网络训练目标误差, net.trainParam.goal=0.001;设置自学习的学习率, net.trainParam.lr=0.001。网络模型参数确定后, 对网络进行训练和测试, 神经网络训练图见图3。从图3可以看出, 网络学习训练到117次时, 就达到了学习精度0.0014253, 其学习速度较快, 训练数据与所设计的网络模型相符, 误差较小, 样本拟合情况理想, 见图4。

根据训练好的网络, 对2008—2012年的人口死亡率进行预测检验, 见表1。从表1可以看出, 改进BP神经网络预报结果相对误差率较小, 最小相对误差率为1.05%, 最大相对误差率为3.75%, 平均相对误差率为2.54%, 并且进一步预测2013年至2015年人口死亡率分别为5.59‰, 5.84‰, 5.67‰。可以看到BP神经网络预测未来人口死亡率还存在一个波动过程, 但是都在5.5%以上, 表明未来一段时间还存在控制人口死亡压力。

‰

4.2 GM (1, 1) 模型

运用灰色系统理论中的灰色预测GM (1, 1) 模型预测人口死亡率, 分析模型精度, 与BP神经网络进行对比分析。以1978—2007年作为原始数据, 通过GM (1, 1) 模型预测得到模型方差比C=0.2613<0.35, P=1.0000>0.95, 后验差检验通过, 表明模型具有较好的预测能力, 预测模型为:

2008年—2012年预测人口死亡率见表2, 从表2可以看出, GM (1, 1) 预测结果相对误差率较大, 最大相对误差率为8.40%, 平均相对误差率为5.91%, 进一步预测未来三年人口死亡率, 得到2013年人口死亡率为5.53‰, 2014年为5.50‰, 2015年为5.49, ‰, 基本在5.50‰左右跳动。

‰

5 结论与讨论

1) 通过BP神经网络模型, 以福建省1978—2007年的人口死亡率数据为训练样本, 2008—2012年人口死亡率为检验样本, 对人口死亡率进行预测检验。结果表明BP神经网络拟合效果理想, 模型训练117次结束, 预测数据的最大相对误差率、平均相对误差率分别为3.75%、2.54%, 预测精度较高。

2) 通过运用灰色预测模型GM (1, 1) 进行预测, 结果表明2008—2012年GM (1, 1) 灰色模型预测人口死亡率与实际死亡率误差为比BP神经网络模型预测误差大, 在建模样本相同的情况下, BP神经网络具有比其他数学方法更好的预测精度。

3) BP神经网络的非线性系统大大提高了模型预测精度, 但是由于BP神经网络算法是一种梯度下搜索降法, 易陷入误差函数的局部极小点, 在某些情况下不能有效搜索到全局最小点。因此在BP算法中采用Trainbr训练函数, 提高模型的泛化能力, 并且对隐含层节点数综合考虑, 增强模型预测性能。

4) BP神经网络用于人口死亡率预测具有其他预测方法所不具有的优越性, 预测结果较为精准, 避免了其他复杂模型难以掌握, 预测精度低的缺点, 在一些地区人口死亡率预测中已得到广泛应用, 说明BP神经网络模型预测结果可靠。

摘要：根据2013年《福建统计年鉴》上收集到的资料, 运用GM (1, 1) 模型以及MATLAB构建3层BP神经网络结构模型, 分别对福建省人口死亡率进行建模预测。结果表明:BP神经网络预测人口死亡率拟合结果优于GM (1, 1) 模型, 最小相对误差率为1.05%, 最大相对误差率为3.75%, 平均相对误差率为2.54%, 拟合结果显示模型可靠。BP神经网络非线性结构系统, 具有预测精度高, 可行性强的特点, 表明BP神经网络可用于未来人口规模预测, 为福建省经济社会发展战略与规划, 调整人口结构, 制定合理的人口决策提供参考。

BP神经网络预测法篇8

近年来,随着电力供需的日趋紧张,国家可持续发展战略的推行,如何有效进行电力负荷预测以经济合理地安排本网内各机组的启停,同时保证正常的用电越来越得到电力企业的重视。

采用BP神经网络来进行电力负荷预测,建立基于BP神经网络的电力负荷系统的模型。在南京市夏季电力负荷统计数据集上面的实验结果表明,BP神经网络能够对电力负荷进行较好地预测。

1 基于BP神经网络的电力负荷预测

1.1 基本思想

BP神经网络的新颖性在于它可以在不了解数据产生原因的前提下,对非线性过程建模,具有非线性映射、学习分类和实时优化的特征。根据这一特点,利用BP神经网络理论建立短期电力负荷系统的模型,通过对网络的训练以后,可以预测出短期电力负荷在已知的数据中任意两个数据s(t)和s(ti+T)(其中T为预测数据),由BP神经网络来拟合它们之间的演化函数关系:

在构造神经网络时,需要考虑的一些因素有隐含层节点数、输入层节点数、输出层节点数。实际上,输入层和输出层节点数可以根据要预测的数据变量个数确定。而对于隐含层节点数,采用德尔是TRT(Try Error Try)法并参考Kolmogorov定理确定:

式中,h为隐含层节点数;m为输入层节点数;p为输出层节点数;a为0~10之间的常数。

由于输入数据量纲的不一致,需要对输入数据进行标准化,采用如下公式:

而在输出层,需要将数据进行反归一化,得到预测的负荷数据,公式为:

式中,Xmax、Xmin分别为训练样本集中输入变量的最大值和最小值;Yi、Xi分别为输入样本归一化前后的值。

为了评价预测的准确性,定义了预测数据和真实数据之间的误差评价公式:

式中,ui为误差,pi为预测值,qi为实际值。

1.2 算法步骤

由上节的分析,运用BP神经网络进行电力负荷预测的具体步骤:

(1)对输入数进行标准化。

(2)设计神经网络的相关参数,即隐含层、输入层和输出层节点数。

(3)将实验数据分为训练和测试两部分。

(4)利用训练数据进行神经网络学习。

(5)利用学习好的网络对真实数据进行预测,并利用预测结果进行误差比较。

2 实验结果

实验采用南京市夏季负荷统计数据,其中包含了两类数据:纵向数据和横向数据。纵向选取了2011年6~8月每天的负荷情况,其中包括总有功及峰、平、谷时段的分时有功电量,横向选取了2007~2011年5年间8月份每天的负荷情况。

利用BP神经神经网络训练算法,设计两种方法进行预测:从纵向出发,由6月份的数据来预测7月份,来设计模型,从而推导出8月份需要预测的数据;从2007年8月份的数据推导出2008年8月份的数据,进而推导出2011年8月份需要预测的数据。将两种方法所得的数据与已知2008年8月份真实数据进行比较,进行误差分析和评价。

由于有4类数据,因此设置输入神经元和输出神经元均为4,隐层节点设置为10。运用BP神经网络算法使用纵向数据得出总有功、峰、平、谷的预测值,与实际值进行误差计算。2011年8月1日、10日、20日和30日的实际值、预测值及其误差如表1所示。

同样,运用BP神经网络算法,采用横向数据进行计算。2008年8月1日、10日、20日和30日的实际值、预测值及其误差如表2所示。

从实验结果来看,两种方法都都取得了很好的效果。预测值与实际值相比较的误差都较小。无论是运用纵向数据还是横向数据,都可较好地预测出电力负荷。BP神经网络具有很好的容错能力和很强的非线性映射能力,适应能力与学习能力良好,能较好地用于电力负荷预测。

尽管两种方法预测的结果都很好,但从表1、表2可以看出,纵向数据相比于横向数据预测的误差更小。原因可能是纵向数据的训练样本在时间上更接近需要预测的数据。

这个BP神经网络模型仍然有缺陷,例如某一天的误差较大。原因可能是搜集数据没有考虑到天气异常、节假日等因素的影响。

3 结语

从实验数据分析可以得出,BP神经网络对于电力负荷的短期预测有良好的预测精度,有着广泛的应用前景,但还存在各种因素考虑不足导致预测偏差较大的问题,需要继续进行探索。

参考文献

[1]张俊妮.数据挖掘与应用[M].北京:北京大学出版社,2009

[2]韩哲.人工神经网络及其在电力短期负荷预测中的应用研究.2009

[3]刘莉.基于BP神经网络的电力短期负荷预测.2011

BP神经网络预测法篇9

一、BP神经网络概述

BP网络是1986年由Rumelhart和Mc Celland为首的科学家小组提出, 是一种按误差逆传播算法训练的多层前馈网络, 是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系, 而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法, 通过反向传播来不断调整网络的权值和阈值, 使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层和输出层。BP算法的基本思想是: (1) 学习过程由信号的正向传播与误差的反向传播两个过程组成。 (2) 正向传播时, 输入样本从输入层传入, 经各隐层逐层处理后, 传向输出层。 (3) 若输出层的实际输出与期望输出不符, 则转入误差的反向传播阶段。误差反传是将输出误差以各种形式通过隐层向输入层逐层反传, 并将误差分摊给各层的所有单元, 从而获得各层的误差信号, 此误差信号即作为修正各单元权值的依据。 (4) 这种信号正向传播与反向传播的各层权值调整过程, 是周而复始地进行的。权值不断调整的过程, 也就是网络的学习训练过程。此过程一直进行到网络输出误差减小到可接受的程度, 或者到预先设定的学习次数为止。

二、实证分析

本文将黄金期货市场中的每组数据都看作时间序列进行处理, 因此先假设有时间序列

x={xi|xi∈R, i=1, 2, …, L}, 并希望通过序列的前N个值预测出后M个值。换言之, 即是希望将序列的前N个值映射为后M个值, 在欧式空间中实现从N维到M维的非线性映射, 从而达到对时间序列进行预测的目的。此外, 本文提出了一种数据划分的方法来构造BP神经网络的训练集, 即是 (x1, x2, …x N;Xn+1, …xn+M) 。对于长度为L的时间序列, 可以构造的样本个数为K, 其中K=L- (M+N) +1。

(一) 数据来源及处理

根据上海期货交易所发布的合约表, 黄金期货合约的合约月份为当月、下月及随后的两个季月, 考虑到如果选择单个合约, 选取的数据将会存在不连续的情况, 而且样本容量较小。所以本文选取沪金指数中的每日收盘价与每日均价来作为样本数据 (因为每日平均价即是黄金期货的结算价, 和收盘价一样都非常重要) , 样本选取的区间均为2012年7月26日至2013年5月29日, 共400个数据。其中采用前190个交易日的收盘价和平均价作为BP神经网络的训练集, 即时间序列长度L=190, 来预测后10个交易日的黄金期货每日收盘价和每日平均价。然后将每6天作为一个周期, 6天的黄金期货每日平均价 (每日收盘价) 数据作为BP网络的输入向量。输出则为下一天的股指期货价格每日平均价 (每日收盘价) 。因此, 输入层的神经元个数为N=6, 输出层的神经元个数为M=1, 样本个数K=184个。所以训练集的向量形式为 (xi, xi+1, …xi+4;xi+5) , 其中i=1, 2…, 184。由于原始数据间差异性可能相差较大, 为了防止小数湮灭的情况发生, 本文采用归一化公式对原始数据进行预处理。将其处理到区间[0, 1]之间。

(二) BP神经网络设计

由于两组序列的时间跨度和样本容量均一致, 所以下面仅以每日平均价为例来阐述BP神经网络的设计过程。

网络结构的设计是指需要确定网络层数, 以及输入层、输出层、隐层的相关参数。输入层的节点设计只需根据输入数据的个数就可以确定。输出层节点的确定与输入层相同, 也是只需根据输出层所需结果个数就可以确定。隐层节点的确定, 则是一件比较复杂的事情。如果隐层神经元个数设置太小, 则神经网络能得到解决问题的信息太少, 容错性较差;但是如果神经元个数设置太多, 不仅会出现过度训练的问题, 而且训练时间也会进一步加长。在通常情况下, 主要根据Kolmogorov定理[3]来确定隐层神经元的个数。

在BP网络中, 对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近, 因而一个三层的BP网络就可以完成任意的N维到M维的映射。由于本文是利用前6天的黄金期货每日平均价预测下一天的平均价, 故输入层的神经元个数为N=6, 输出层神经元个数为M=1。根据Kolmogorov定理知, 对于BP神经网络, 如果隐层层数为一层, 则隐层神经元个数为2N+1, 因此隐层的神经元个数为13。按照一般的设计原则, 网络中间层的神经元传递函数采用S型正切函数tansig。此外, 输出层神经元的传递函数选用S型对数函数logsig。这是因为输出向量的元素值在区间[0, 1]之间, 正好满足网络输出的要求。

(三) 实验结果与分析

本文利用Matlab7.1神经网络工具箱[4]中的函数分别对上述两组训练集进行训练, 分别预测出后10天的每日平均价和收盘价并与它们各自的实际值进行对比, 得出相对误差。在训练100次之后, 每日平均价的训练误差为0.0004, 每日收盘价的为0.0005, BP神经网络基本趋于稳定, 其训练误差曲线如图1所示 (其中左为每日平均价的训练误差曲线, 右为每日收盘价的训练误差曲线) :

本文根据已设计好的BP神经网络模型, 模拟预测出后10天的黄金期货每日平均价和收盘价, 并将计算出的预测值进行反归一化处理。预测值与实际值的对比结果如表1所示:

由图1和表1的结果可知, 无论是对每日平均价还是收盘价而言, 它们与实际结果相比的误差均在3.5%以内, 有较高的精度和较为稳定的预测效果。可见, 单隐层BP网络的非线性映射能力比较强。因此, 可以用BP神经网络对黄金期货价格进行预测。

三、结论及建议

本文通过BP神经网络对上海期货交易所的黄金期货每日收盘价以及每日均价进行实际模拟, 预测出黄金期货最近10天的收盘价和均价, 并将预测结果与实际的黄金期货价格进行比较, 发现无论是收盘价的预测价格还是均价的预测价格都与其实际价格十分接近, 相对误差均小于3.5%, 模型有较高的精度和较为稳定的预测效果, 说明利用BP神经网络预测黄金期货价格是可行的。与发达国家的黄金期货市场相比, 我国的期货市场还存在许多问题, 例如流动性不足, 个人投资者较少, 交易时间过短等问题。针对这些问题, 本文提出以下建议:首先, 使投资主体多元化并创建迷你黄金期货合约。其次, 延长黄金交易时间。最后, 加强对黄金期货市场的监督力度, 并适时推出黄金期权等新金融衍生品来丰富市场, 增加市场的流动性。

摘要：本文在BP神经网络的基础上, 利用2012年7月26日至2013年5月29日期间黄金期货的每日平均价与每日收盘价, 对二者价格进行实际模拟和预测。模拟结果与实际相比, 有较高的精度和较为稳定的预测效果, 说明BP神经网络对黄金期货市场的预测是可行的。

关键词：黄金期货,价格预测,BP神经网络,平均价,收盘价

参考文献

[1]肖雄伟.论我国黄金期货投资风险的影响因素及投资策略[J].经济师, 2008 (3) :41-42.

[2]张晖, 罗江, 许文新.黄金期货是中国黄金衍生品市场发展的最优选择[J].黄金市场.2008, 29 (3) :4-7.

[3]刘耦耕, 李圣清, 肖强晖.多层前馈人工神经网络结构研究[J].湖南师范大学自然科学学报, 2004, 27 (1) :26-30.

BP神经网络预测法篇10

BP神经网络具有很强的非线性函数逼近能力、自适应学习能力、容错能力和并行信息处理能力, 在解决未知不确定非线性系统的建模、预测、控制方面有很大的优势[3,4], 利用地勘钻孔中与煤层瓦斯含量相关的数据预测煤层瓦斯含量, 不仅克服了常用测量方法的不足, 而且方便快捷, 经济性高, 也为矿井进行瓦斯涌出量预测、煤与瓦斯突出预测提供了新的途径。

1 BP神经网络原理及其算法

BP算法也称误差反向传播算法 (error back propagation algorithm) , 是一种多层网络的训练算法, 用来估计网络的连接权重值W和偏差值θ。当神经网络的拓扑结构确定后, 就可以从输入层经隐含层到输出层得到各层神经元的传导, 在此之后, 按减小希望输出与实际输出误差的方向, 从输出层经各中间层逐层修正各连接权重, 最后到输入层。随着这种误差的反向传播修正的不断进行, 网络对输入模式相应的正确率也不断上升, 最后达到预期的预测目标。

1.1 BP神经网络模型的构建

本文选取贵州某矿瓦斯等级鉴定报告中1+3号煤层瓦斯带中的部分数据 (见表1) , 通过该煤层地勘钻孔中不同采样低界深度、该取样深度煤体中的水分、灰分以及地勘钻孔煤层中CH4、CO2、N2百分含量来预测该深度煤层的瓦斯含量。

1.2 确定BP神经网络拓扑结构

根据BP神经网络的理论, 一般情况下使用一个单隐含层就可以得到比较理想的结果[5], 本预测数据相对比较简单, 因此该煤层瓦斯含量预测模型选用单隐层的三层神经网络。煤层地勘钻孔中的采样低界深度、水分、灰分以及煤体中CH4、CO2、N2百分含量6个参数作为神经网络模型的输入参数, 煤层瓦斯含量为输出参数, 隐含层节点数为13个, 使用软件MATLAB7.0中的神经网络工具箱newff函数创建BP训练网络, 输入层到隐含层的传递函数和隐含层到输出层的传递函数分别为S型的正切函数 (tansig) 和线性传递函数 (purelin) 。网络结构如图1所示。

(注:A为煤层瓦斯含量)

1.3 输入输出数据预处理及参数设置

为了加快网络的训练速度、减小模拟过程中的误差, 需对神经网络的输入输出数据进行一定的预处理。对输入向量P和目标向量T采用premnmx函数进行归一化处理, 其归一化编程语句为:[Pn, minp, maxp, Tn, mint, maxt]= (P, T) , 它将每组数据都量化到范围[-1, 1]内, 网络训练也是采用归一化的数据。训练结束后可以使用函数postmnmx函数将模拟结果还原成最初目标所用的单位[6]。

训练的网络模型参数设定为:学习率0.02, 最大训练次数80000, 训练要求精度0.0001。训练过程中当满足目标精度要求或达到最大迭代次数时, 自动停止训练。

1.4 煤层瓦斯含量预测模拟

将建立的煤层瓦斯含量预测模型运用软件MATLAB7.0、通过编程的形式进行训练模拟, 训练误差变化曲线图如图2所示, 模拟训练结束后, 另外选取3组数据作为测试样本, 预测煤层瓦斯含量, 并与原始测得的数据进行了对比分析 (见表2) 。

从图2可以看出, 当网络学习迭代到75537次时, 就达到了学习精度0.0000999991, 网络趋于稳定。从表2可以看出, BP网络的预测值与实测值吻合较好, 相对平均误差为4.47%, 误差小于7%, 模型预测误差精度能满足实际的需要[7], 也验证了BP神经网络预测模型的正确性, 即可以作为煤层瓦斯含量的一个有效预测手段。

2 结论

1) 利用BP神经网络的优势建立的煤层瓦斯含量预测模型, 能很好地实现煤层地勘资料中不同采样低界深度煤体的水分、灰分、以及瓦斯组分中的CH4、CO2、N2百分含量与该采样点煤层瓦斯含量之间的非线性映射逼近关系, 验证了利用BP神经网络预测煤层瓦斯含量的正确性和可行性。

2) 利用煤层瓦斯地勘资料中不同采样点煤样的水分、灰分以及煤样瓦斯组分中CH4、CO2、N2的百分含量预测煤层瓦斯含量, 其方法简单, 工作量少, 很容易得出预测结果, 对于掌握采煤工作面瓦斯涌出量具有指导意义。

参考文献

[1]陈大力, 陈洋.对我国煤层瓦斯含量测定方法的评述[J].煤矿安全, 2008 (12) :79-82.

[2]俞启香编著, 矿井瓦斯防治[M].徐州:中国矿业大学出版社.1992:20-41.

[3]张德丰.MATLAB神将网络应用设计[M].北京:机械工业出版社.2009:1-9.

[4]张瑞林.现代信息技术在煤与瓦斯突出区域预测中的应用[D], 重庆大学.2004:54-57.

[5]宁齐元, 刘祖德, 游曦鸣等.基于BP神经网络煤与瓦斯突出强度预测模型[J].煤矿开采, 2011, 16 (6) :19-20.

[6]刘锦伟, 谢雄刚, 方井.基于遗传算法的煤层注水效果分析[J].工矿自动化:2016, 30 (8) :47-51.

BP神经网络预测法篇11

关键词：BP神经网络；特细砂混凝土；强度预测模型

中图分类号：TV431 文献标识码：A 文章编号：1674-1161（2014）06-0062-03

1 混凝土强度的预测方法

1）利用鲍罗米公式预测。此方法主要是用鲍罗米公式预测混凝土28 d的强度：

由于在很长一段时间内，混凝土工程中使用的水泥品种和强度等级较单一，混凝土的组成材料也比较简单，因而用该关系式预测的混凝土强度具有较好的准确性。

2）其他经验公式预测。通过其他经验公式来预测不同龄期的混凝土强度。

3） FCT预测。利用FCT混凝土测试仪的探头和内置的混凝土强度与水灰比坍落度的函数关系曲线，通过检测新拌制混凝土的水灰比、坍落度和探头扭矩，可比较快捷地预测出新拌制混凝土的强度，相对误差也较小。

2 BP神经网络预测的过程

1）确定BP网络模型中输入、输出变量的个数。决定混凝土强度的因素有很多，如水灰比、砂率、水泥用量、砂用量、石子用量以及级配等。特细砂配制混凝土与普通中砂存在较大区别，要遵循“三低两掺”的配制原则。因此，在利用BP神经网络预测特细砂混凝土强度时主要考虑水灰比、砂率和水泥用量3个因素。将这3个指标作为BP神经网络的输入量，输出量为混凝土28d抗压强度。

2）定义网络的拓扑结构，确定单隐层或者多隐层以及隐层神经元数目。本网络有1个输入层、1个输出层和1个隐层构成。输入层有3个节点，输出层有1个节点。1987年Hecht-Nielsen提出隐层节点的数目为2N+l，其中N为输入节点数。N=1，则隐层有7个节点。每1个节点表示1个神经元，上层节点与下层节点之间通过权连接，层与层之间的节点采用全互联的连接方式，每层内节点之间没有联系。

3）选择训练算法。本网络采用的是基于数值优化的Levenberg-Marquardt算法（简称LM算法），该算法是对BP算法的改进，利用近似的二阶导数信息，比原始的BP算法快，不仅可提高网络学习速度，而且增加算法的可靠性，用于混凝土的强度预测效果也较好。

4）选择学习算法。在该网络中，通过改变隐含层神经元的个数、隐含层和输出层的神经元传递函数、选择合适的学习算法等使建立的网络能达到预定的误差要求。本网络在隐含层上的激活函数采用S型对数函数logsig，其数学表达式为：

本网络的学习算法采用默认的带动量项的BP学习规则learngdm，网络的性能函数也采用默认的均方差性能分析函数mse。根据以下代码创建1个符合上述要求的BP网络：

3 网络训练与预测结果分析

本网络主要预测特细砂混凝土28 d抗压强度这一指标。本次预测网络选用实验室中几组配制的边长为150 mm的立方体标准试件配合比及实测28 d抗压强度作为资料。选16组试验数据作为训练样本资料，8组作为测试样本资料，对网络训练的各个参数进行设置。将上述试验数据转化为样本数据，取前16组作为训练样本，取后8组作为测试样本。试验数据如表1所示。

基于MATLAB软件进行运算，结果如图1所示。

预测值与实测值对比情况如衅2所示。

表2是通过MATLAB程序运算得到的预测结果值及误差值。从表2可看出：预测值绝对误差最大为2.61，相对误差最大不超过10.00%，平均相对误差为2.32%，相对误差的方差为27.09。因此，该模型预测精度是比较高的，在工程应用中能够满足实际生产的要求。

实际值与预测值的拟合程度良好，输出值=0.93×目标值+2.5。通过MATLAB程序确定实际值与期望值的相关系数达到0.962 87，相关性非常显著，说明了特细砂混凝土28 d抗压强度的预测值与实测值拟合程序比较高。

4 结语

试验结果表明，建立的网络性能较好，预测结果与实际情况比较接近。说明预测建立的基于MATLAB的BP神经网络具有较好的泛化能力，利用特细砂这一特殊细骨料所配制的混凝土，其强度预测是可行的。通过预测特细砂混凝土抗压强度，可以从理论上丰富特细砂的研究，为特细砂用于工程实际质量控制提供途径。

参考文献

[1] 韩敏，席建辉.神经网络法在混凝土强度研究中的应用[J].建筑材料学报，2001（4）：191-195.

[2] 胡明玉，唐明述.神经网络在高强粉煤灰混凝土强度预测及优化设计中的应用[J].混凝土，2001（1）：13-16.

[3] 李瑞锋.BP神经网络在现场混凝土强度预测中的应用研究[D].天津：天津大学，2008.

[4] 刘婷婷，章克凌.人工神经网络在混凝土强度预测中的应用[J].粉煤灰综合利用，2005（4）：9-11.

BP神经网络预测法篇12

瓦斯是一种无色无味的气体,瓦斯达到一定的浓度会致人窒息死亡,也会引起爆炸。瓦斯如果燃烧不充分,很容易释放一氧化碳,引起中毒事件。瓦斯涌出量是一个非常复杂的现象,和开采技术、地质构造、煤体类型、煤层深度等有关。瓦斯涌出量模型系统是一个非线性时变系统,预测难度很大。目前,国内很多研究者采用各种方法对瓦斯涌出量的预测进行了研究。文献[1]采用支持向量机理论,构建了基于实验数据的瓦斯涌出量预测模型。文献[2]利用粒子群优化支持向量机,对瓦斯涌出量与各参数进行非线性建模,提高了瓦斯涌出量预测精度。文献[3]将等维新息模型应用到瓦斯涌出量预测中,取得了较好的预测效果。文章将BP神经网络应用到了瓦斯涌出量预测中,并对提出的模型进行了仿真。

1 瓦斯涌出量

1.1 瓦斯涌出量定义

瓦斯涌出量可以分为相对瓦斯涌出量和绝对瓦斯涌出量。相对瓦斯涌出量表示平均每产1吨煤所涌出的瓦斯量(单位:m3/t)。绝对瓦斯涌出量表示单位时间内从煤层以及采落的煤中涌出的瓦斯量(单位:m3/min)。

1.2 影响瓦斯涌出量的主要因素

①煤层埋藏深度:煤层埋藏深度是影响瓦斯含量重要因素之一,煤层埋藏深度越深,地应力越大,瓦斯向地表运动距离增大,煤层和围岩的透气性降低,瓦斯更容易在矿井内部积聚,从而造成瓦斯涌出量增加。②煤层厚度:瓦斯涌出量随煤层厚度的增加反而减少。③煤层瓦斯含量:在其他影响瓦斯涌出量因素不变的情况下,煤层瓦斯含量越高,瓦斯涌出量越打大。④开采进度:绝对瓦斯涌出量和开采进度一般成正比关系。⑤开采规模:一般瓦斯涌出量随开采规模的增大而增加。

影响矿井瓦斯涌出量的因素除了以上所述外,还与开采工艺、地面大气压力等因素息息相关。

2 BP神经网络

2.1 BP神经网络模型

BP神经网络是一种前向反馈型网络,由输入层、隐层和输出层组成[4]。各层的节点数量根据实际需求设定。目前已经证明含有一个隐含层的BP神经网络可以实现以任意精度近似任何连续非线性函数。BP神经网络模型图如图1所示[5]。

2.2 BP神经网络学习算法

BP神经网络学习过程是一种有导师监督学习的过程。学习算法一般可以分为信号正向传播和误差反向传播两个过程。学习算法如下[6]:

(1)初始化网络的各个权值,并选择神经元激活函数,比如选择S型函数:

每个节点的输出为:

式中,Oi,j为第i层第g个神经元的输出,wi,j,g为第i-1层第g个神经元连接到第i层第j个神经元的权值。

S型函数图如图2所示。

(2)选择误差函数衡量网络学习状态。文章采用误差平方和函数:

P(t)=∑Pi(t),Pi(t)是单个样本的误差平方和。其中,Pi(t)=0.5∑[diyi(t)]2,di是目标输出。

(3)将误差函数值与目标精度ε比较,如果P(tε,则结束,否则进入误差反向传播过程。误差反向传播采用梯度下降算法。设学习率为η,则第g个神经元到第j个神经元连接权值的调整公式如下:

式中的式中的xk,j是第k层第j个节点的输出。

上式表明,对第i层输出节点的偏导数能转变成第i+1层输出节点的偏导数,这样层层递推,直至输出层。输出层的偏导数可以用(4)式表示:

算法运行过程中,网络不断调整各个权值,直到网络输出误差符合设定的误差要求。BP神经网络学习流程图如图3所示。

3 仿真与分析

3.1 瓦斯涌出量预测BP神经网络的构建

BP神经网络的构建主要是确定网路的参数,相关参数可以使传感器测得的数据和一些经验知识。系统构建了3层网络结构来预测瓦斯涌出量。输入节点为6个,输出节点为1个,根据2 M+1(M为输入节点数)的原则,隐层节点数为13个。6个输入节点分别代表煤层埋藏深度、煤层厚度、煤层瓦斯含量、煤层间距、日进度和日产量。1个输出节点代表瓦斯涌出量。瓦斯涌出量预测模型如图4所示。

3.2 瓦斯涌出量预测BP神经网络参数确定和训练

训练前设置输入节点、输出节点、隐层节点数分别为6、13、1,采用trainlm学习算法,最大训练次数为10 000,训练精度要求为1e-2,学习率为0.01,训练迭代过程参数为10。训练过程采用了表1中的16组样本[7],在数学软件MATLAB下对网络进行了训练,训练过程误差曲线变化图如图5所示。

从图5可以看出,经过1 446次迭代训练,网络输出误差达到了系统设置的要求。

3.3 结果验证

为了验证训练后的BP神经网络在瓦斯涌出量预测上的效果,采用表2中的二组样本进行瓦斯涌出量预测,最终得到表3的预测结果。

由表3可以看出,期望输出分别是4.92和8.04,实际预测输出为4.9125和8.049 3,期望输出和实际输出基本吻合。

4 结束语

瓦斯涌出量关系到煤矿开采安全和矿工的生命。文章提出了一种基于BP神经网络的瓦斯涌量预测方法。在MATLAB下的仿真结果表明,基于BP神经网络的瓦斯涌量预测方法能准确地预测瓦斯涌出量,该方法具有一定的实用价值。

摘要：瓦斯涌出量预测是一项烦琐复杂的工作。为了有效预测瓦斯涌出量,文章提出一种基于BP神经网络的瓦斯涌出量预测方法。该方法构建的BP神经网络具有6个输入、1个输出,并采用16组样本对网络进行训练,使用2组样本进行预测。仿真结果表明,基于BP神经网络的瓦斯涌出量预测方法预测精度能够满足需求。

关键词：瓦斯,神经网络,训练

参考文献

[1]王巍,刘德胜.基于支持向量机理论的煤矿瓦斯涌出量预测研究[J].煤矿机械,2011,32(02):78—80.