徐香坤　徐化冰.沈陽工學院經(jīng)濟與管理學院.渤海船舶職業(yè)學院動力工程系

?

基于太陽黑子的BP網(wǎng)絡(luò)的研究

徐香坤1徐化冰2
1.沈陽工學院經(jīng)濟與管理學院2.渤海船舶職業(yè)學院動力工程系

摘要：本文研究如何利用BP神經(jīng)網(wǎng)絡(luò)建立基于神經(jīng)元網(wǎng)絡(luò)的非線性時間序列預測模型。 通過對太陽黑子非線性時間序列數(shù)據(jù)集進行了仿真實驗，對預測的結(jié)果進行了分析，實驗結(jié)果表明，模型具有較高的精度，可以對非線性時間序列進行穩(wěn)定的、準確的預測。

關(guān)鍵字：非線性 時間序列 預測 神經(jīng)元網(wǎng)絡(luò)

1　神經(jīng)元網(wǎng)絡(luò)概述

神經(jīng)網(wǎng)絡(luò)是指由大量與生物神經(jīng)系統(tǒng)的神經(jīng)細胞相類似的神經(jīng)元互連而成的網(wǎng)絡(luò)，這種神經(jīng)網(wǎng)絡(luò)具有某些智能和仿人的功能。人工神經(jīng)網(wǎng)絡(luò)是對人腦的一種模擬，具有高速信息處理的能力。根據(jù)不同的連接方式，可以得到不同種類的網(wǎng)絡(luò)。各神經(jīng)元之間的連接強度是由神經(jīng)網(wǎng)絡(luò)內(nèi)部加權(quán)系數(shù)所決定的。

2　神經(jīng)網(wǎng)絡(luò)預測模型的構(gòu)建

本節(jié)利用BP網(wǎng)絡(luò)進行非線性時序建模與預測的過程，并對太陽黑子年平均活動數(shù)進行建模與預測實驗。

2.1確定網(wǎng)絡(luò)類型和結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)模型從不同角度進行劃分，可以劃分為有教師的學習網(wǎng)絡(luò)與無教師的學習網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)可大致分成層狀的和網(wǎng)狀的等。本文選用了一個三層的BP神經(jīng)網(wǎng)絡(luò)，隱含層的轉(zhuǎn)移函數(shù)是tansig，輸出層的轉(zhuǎn)移函數(shù)是purelin，訓練算法是trainlm，即LM算法。

2.2BP網(wǎng)絡(luò)學習的過程

BP算法是一種用于多層前饋神經(jīng)網(wǎng)絡(luò)的學習算法，由輸入層、隱含層和輸出層組成。層與層之間采用全互連方式，隱含層可以有一個或多個。其基本思想是基于widrow-Hoff規(guī)則的LMS算法，利用實際輸出與期望輸出之差對網(wǎng)絡(luò)的各層連接權(quán)由后向前逐層進行校正的一種計算方法，使得網(wǎng)絡(luò)的實際輸出值與其期望輸出的均方差最小。BP網(wǎng)絡(luò)的學習過程包括兩個階段：第一階段是由前向后計算過程，第二階段是誤差反向傳播的過程。

2.3實驗過程及結(jié)果分析

本文選用了太陽黑子年平均活動數(shù)時間序列建立預測模型，通過神經(jīng)網(wǎng)絡(luò)預測模型的實驗結(jié)果進行分析，驗證其有效性。

（1）太陽黑子年平均活動數(shù)序列神經(jīng)網(wǎng)絡(luò)模型的建立

太陽黑子年平均活動數(shù)時間序列是典型的非線性時間序列，這里用240個太陽黑子年平均活動數(shù)作為樣本來建立BP網(wǎng)絡(luò)模型。

（2）實驗過程

本文考慮對240個太陽黑子年平均活動數(shù)進行一步預測，并選取預測步長為5，

即：

經(jīng)過預處理的240個太陽黑子樣本組成了235個模式對，用其中的35個模式對作為訓練集，其余200個模式對作為測試集。

具體的Matlab建模步驟如下：訓練集的輸入樣本導入Matlab，保存為taiyang_train

作為樣本訓練集的輸入文件；將與其對應的輸出值導入Matlab，保存為zhenshi _train，作為樣本訓練集的輸出文件；剩余的200個樣本模式對導入Matlab，保存為taiyang_test，作為樣本測試集；設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)和激發(fā)函數(shù)；網(wǎng)絡(luò)訓練和測試。

（3）實驗結(jié)果及分析

35個訓練樣本BP網(wǎng)絡(luò)的訓練，確定最佳的網(wǎng)絡(luò)結(jié)構(gòu)、不斷地改變參數(shù)來達到最好的訓練效果，在MATLAB中進行訓練的過程中選用合理的參數(shù)，經(jīng)過44 次學習獲得了最佳訓練結(jié)果，其中學習速率為0.01，最大學習步長為1000，學習目標為0.0001，隱含層為7個神經(jīng)元。通過實驗可看出，網(wǎng)絡(luò)輸出值和真實值的曲線幾乎完全重合，說明建立的BP神經(jīng)網(wǎng)絡(luò)對該例具有很好的擬合效果。在經(jīng)過訓練的網(wǎng)絡(luò)上對測試集中的數(shù)據(jù)進行測試。輸出的為相應的預測值。測試集的預測結(jié)果與實際值比較所得到的結(jié)果，可以看出預測總的趨勢是對的，只是在峰值上誤差大些。

3　結(jié)論

本文通過分析基于太陽黑子年活動數(shù)非線性時間序列的BP人工神經(jīng)元網(wǎng)絡(luò)預測模型，表明BP網(wǎng)絡(luò)對太陽黑子時間序列有較好預測能力。從而得出，BP網(wǎng)絡(luò)是非線性時間序列預測較好的工具，能達到預測所預期的效果。

參考文獻

［1］王明濤.預測方法有效性的進一步研究［J］， 預測 ，1997，16（3）： 50-31.

［2］王明濤.無效預測方法的剔除探析［J］， 統(tǒng)計與預測，1998， 1（4）： 29-31.

［3］丁晶，鄧育仁.隨機水文學［M］， 成都： 成都科技大學出版社， 1988， 33-226.

［4］程日失.常用預測方法及評價綜述［J］，四川師范大學學報（自然科學版），2002，25（1）：70-73.

［5］金光炎. 水文水資源隨機分析［M］， 北京： 中國科技出版社， 1993， 403