冉鴻雁

（四川化工職業(yè)技術(shù)學(xué)院，四川瀘州 646005）

0 引言

物聯(lián)網(wǎng)技術(shù)是指通過無線射頻識(shí)別、無線紅外感應(yīng)器、無線全球定位系統(tǒng)以及無線激光掃描器等信息傳感設(shè)備.運(yùn)用多層網(wǎng)關(guān)協(xié)議,把任何物品與互聯(lián)網(wǎng)連接起來,進(jìn)行信息交換和通訊,以實(shí)現(xiàn)智能化識(shí)別視頻跟蹤與監(jiān)控和管理的一種新一代計(jì)算機(jī)網(wǎng)絡(luò)技術(shù).

1 物聯(lián)網(wǎng)灰色神經(jīng)網(wǎng)絡(luò)應(yīng)用物聯(lián)網(wǎng)關(guān)鍵技術(shù)研究

1.1 物聯(lián)網(wǎng)灰色GM(1,1)模型的建模

物聯(lián)網(wǎng)灰色物聯(lián)網(wǎng)預(yù)測(cè)方法建立GM(1,1)模型的實(shí)質(zhì)是對(duì)原始數(shù)據(jù)作一次累加生成,使生成數(shù)列呈現(xiàn)一定規(guī)律,通過建立微分方程模型,求得擬和曲線,用以對(duì)系統(tǒng)進(jìn)行物聯(lián)網(wǎng)關(guān)鍵技術(shù)預(yù)測(cè).設(shè)有時(shí)間序列作一階累加生成物聯(lián)網(wǎng)預(yù)測(cè)算法：

構(gòu)造一階線性微分方程后,可得該方程的白化微分方程為：

利用最小二乘法求解a,u有

1.2 基于輸入輸出GM(1,1)模型殘差和相對(duì)殘差研究

設(shè)原始離散非負(fù)數(shù)列X(0)：

殘差數(shù)列ε：(0)

相對(duì)殘差數(shù)列Δ：

1.3 基于物聯(lián)網(wǎng)灰色神經(jīng)網(wǎng)絡(luò)組合模型研究

利用多個(gè)數(shù)列分別建立物聯(lián)網(wǎng)灰色GM(1,1)模型.假設(shè)有m個(gè)相互關(guān)聯(lián)的數(shù)列,每個(gè)數(shù)列有n個(gè)數(shù)據(jù),物聯(lián)網(wǎng)灰色神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)預(yù)測(cè)模型如下：

(1)用m個(gè)數(shù)列分別建立m個(gè)物聯(lián)網(wǎng)灰色GM(1,1)模型;

(2)分別用這m個(gè)模型物聯(lián)網(wǎng)預(yù)測(cè)各數(shù)列的第2到第n個(gè)數(shù)據(jù),得到m個(gè)長度為n-1的數(shù)據(jù)序列P;

(3)取原始數(shù)列第2到第n個(gè)數(shù)據(jù),得到m個(gè)長度為n-1的數(shù)據(jù)序列T;

(4)將數(shù)據(jù)序列P作為神經(jīng)網(wǎng)絡(luò)的輸入向量,T作為神經(jīng)網(wǎng)絡(luò)的輸出向量,進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)與初始權(quán)值,閾值的設(shè)定;

(5)訓(xùn)練BP網(wǎng)絡(luò),得到網(wǎng)絡(luò)中對(duì)應(yīng)于每一個(gè)節(jié)點(diǎn)的一系列權(quán)值和閾值;

(6)再次用第一步建立的物聯(lián)網(wǎng)灰色GM(1,1)模型來物聯(lián)網(wǎng)預(yù)測(cè)未來時(shí)刻的值,即為物聯(lián)網(wǎng)灰色神經(jīng)網(wǎng)絡(luò)物聯(lián)網(wǎng)預(yù)測(cè)模型的結(jié)果.

2 基于物聯(lián)網(wǎng)灰色神經(jīng)網(wǎng)絡(luò)仿真應(yīng)用研究

2.1 輸入輸出層設(shè)計(jì)

本課題將與研究指標(biāo)物聯(lián)網(wǎng)輸出量相關(guān)的輸入變量分別進(jìn)行GM(1,1)模型進(jìn)行物聯(lián)網(wǎng)預(yù)測(cè),得到的幾個(gè)物聯(lián)網(wǎng)預(yù)測(cè)值作為BP神經(jīng)網(wǎng)絡(luò)的輸入,采用一個(gè)隱含層,傳遞函數(shù)為(0,1)S型函數(shù)輸出為研究指標(biāo)為物聯(lián)網(wǎng)輸出量的實(shí)際值.

2.2 隱含層神經(jīng)元數(shù)的確定

網(wǎng)絡(luò)訓(xùn)練精度的提高,一般對(duì)于三層前向網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)有如下經(jīng)驗(yàn)公式:

式中m:輸出節(jié)點(diǎn)數(shù)目；n：輸入層節(jié)點(diǎn)數(shù)目；α ：為1～10的常數(shù)；

2.3 網(wǎng)絡(luò)樣本數(shù)據(jù)的處理

隨著標(biāo)準(zhǔn)化后的數(shù)據(jù)范圍從0到1,在反饋灰色神經(jīng)網(wǎng)絡(luò)算法輸出的數(shù)據(jù)范圍也正好從0到1,所以這種標(biāo)準(zhǔn)化方法在反傳神經(jīng)網(wǎng)絡(luò)算法中,被用來標(biāo)度目標(biāo)值.有時(shí)為了允許預(yù)報(bào)值在一定范圍內(nèi)超界,訓(xùn)練樣本集目標(biāo)的范圍標(biāo)度轉(zhuǎn)化為0.2～0.10,即：

歸一化公式如下式：

神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)束后,再做反歸一化處理,便得到實(shí)際的輸出值即預(yù)報(bào)值.

反歸一化公式如下：

公式（9）和（10）中,xi'j表示經(jīng)標(biāo)準(zhǔn)化后的第i樣本第j變量的數(shù)據(jù)；xij表示原始空間量；xjmax和xjmin分別表示樣本集中變量j的最大和最小數(shù)據(jù).

2.4 基于訓(xùn)練樣本歸一化處理和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置

（1）訓(xùn)練樣本數(shù)據(jù)是從某物聯(lián)網(wǎng)即2012年8月1日到10月31日的實(shí)際生產(chǎn)記錄,根據(jù)要求從中選取了控制效果較好的48組數(shù)據(jù).

（2）為了便于物聯(lián)網(wǎng)灰色神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),將實(shí)際數(shù)據(jù)進(jìn)行了歸一化處理,將實(shí)際物理量分別劃為[0,1]區(qū)間的數(shù)值.

（3）采用Matlab程序設(shè)計(jì)語言編寫了物聯(lián)網(wǎng)預(yù)測(cè)程序,物聯(lián)網(wǎng)預(yù)測(cè)精度為0.01,最大訓(xùn)練次數(shù)為10000次,學(xué)習(xí)率η=0.7, 輸入層到隱含層的傳遞函數(shù)為Sigmoid函數(shù),隱含層到輸出層為線性傳遞函數(shù)Purelin,物聯(lián)網(wǎng)出量的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為7×20×1.

2.5 物聯(lián)網(wǎng)應(yīng)用實(shí)例

以某物聯(lián)網(wǎng)2012年7月到2012年9月的教育教學(xué)數(shù)據(jù),并檢驗(yàn)物聯(lián)網(wǎng)預(yù)測(cè)效果.取訓(xùn)練樣本數(shù)為48,網(wǎng)絡(luò)結(jié)構(gòu)：6-17-1,即：輸入節(jié)點(diǎn)為6個(gè),隱含層節(jié)點(diǎn)17個(gè),輸出節(jié)點(diǎn)1個(gè).

基于兩種模型的物聯(lián)網(wǎng)預(yù)測(cè)結(jié)果及比較,說明了物聯(lián)網(wǎng)灰色神經(jīng)網(wǎng)絡(luò)建模優(yōu)于單一的物聯(lián)網(wǎng)灰色GM(1,1),充分顯示了物聯(lián)網(wǎng)灰色神經(jīng)網(wǎng)絡(luò)的優(yōu)越性.

3 結(jié)束語

在物聯(lián)網(wǎng)出量預(yù)測(cè)過程中,應(yīng)用物聯(lián)網(wǎng)灰色GM(1,1)和BP網(wǎng)絡(luò)相結(jié)合建立的物聯(lián)網(wǎng)輸出量預(yù)報(bào)模型,是一種新型實(shí)用且精度比較高的時(shí)間序列物聯(lián)網(wǎng)預(yù)測(cè)方法,值得推廣和進(jìn)一步研究.

[1]神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論 焦李成 西安：西安電子科技大學(xué)出版社,1990

[2]神經(jīng)網(wǎng)絡(luò)及其在工程中的應(yīng)用 張際憲 宓霞 北京：機(jī)械工業(yè)出版社,1996