神经网络的反向传播范文

关键词：BP神经网络预测校园用电量

中图分类号：TM715文献标识码：A文章编号：1007-3973（2013）012-052-02

1引言

现在许多高校开始建立校园监测平台，用以观察高校的能耗特点，实现校园用量达到节能。但随着校园建筑物新建，招生数量的增多，或者用电设备增多，未能真正得到今后一段时间的校园每个月的用电数据，本文就通过预测对最近几年校园某个校区的用电量来。目前对电量预测的方法主要有回归模型预测、灰色预测等传统方法，其具有原理相对简单，理论比较成熟，但它对参数设定问题存在一定的困难而不能得到很好的预测效果。而BP神经网络即误差反向传播网络（BackPropagationNet-work）是目前人工神经中应用最为广泛的一种模型，具有自学习、自组织、自适应和很强的非线性映射能力，其结构简单，可操作性强，能模拟任意的非线性输入输出关系。利用Matlab仿真相关实验数据能够较好的得到预测的结果。

2模型建立

2.1神经网络结构

BP神经网络多个网络层构成，一般BP神经网络模型由一个输入层、多个中间层和一个输出层组成。在神经元中，一层包含多个隐含和一个输出层构成，并且一层含有多个神经元，在每层神经元是由权值和阈值连接的，而同层的神经元没有必然的联系。

2.2神经网络原理

BP神经网络的学习过程利用信号的正向和反向传播来实现学习训练。在正向传播学习过程时，输入信息经输入层之后，在隐含层学习训练再传播到输出层。一般情况下，都不能达到预测的结果，所以在输出层通过误差变化值又逆向传播，重新进入隐含层学习，通过正向和反向的反复迭代，当预测结果达到期望值时，将其结果输出，最终完成学习训练。

2.3BP神经网络输入、输出层神经元数和样本数据归一化

校园用电量影响因素很多，存在温度、节假日、天气等影响。本文主要考虑温度的影响，其输入层的神经元个数为5个，输出层神经元数的确定为1即校园用电量。

神经网络在学习过程中有温度、用电量等量纲的不同，会对神经网络学习效果造成影响，因此在这里考虑对数据统一归一化，再进行学习。

（1）将已知的历史数据利用归一化函数归一到[-1，1]之间，其函数为：

（2）将历史数据归一到[0，1]之间，对应的归一化函数为：

（3）历史数据归一到[0.1，0.9]之间，对应的归一化函数为：

利用网络模型预测后得到的结果，再通过反归一化函数求出预测结果，其函数为：

2.4BP神经网络隐含层和神经元数的相关数据的确定

隐含层数的层数及其神经元数的确定是整个网络模型建立的关键。理论已经证明：任意一个连续的函数都可以只用一个隐含层的网络以任意精度进行逼近。因此，本文选择根据实际情况考虑采用一个隐含层，而隐含层神经元数选用的个数目前也没有比较成熟的理论，通用的隐含层神经无数的确定经验公式有：i=+a

3预测实现

BP模型包括三层，分别为：输入层、隐含层能及输出层。输入层为4个神经元，即2010年和2011年每月的用电量和每月平均温度作为训练输入，输出层为1个神经元，即2012年每月的用电量。隐含层1层且神经元数设为12，传递函数为tansig，purelin，训练函数traingdx，学习函数learngdm。学习速度lr=0.05，目标误差goal=0.01，训练步骤设定最大为10000。

4结论

基于BP神经网络的电量预测得到的结果误差的绝对值最大值为0.05327，最小值为0.005195，平均绝对误差为0.0677。其数据基本满足预测要求。利用BP神经网络实现了对校园用电的预测能够掌握今后学校用电情况，希望通过本文的分析能够满足预测校园电力需求，为校园后勤、电力业局等相关部门提供有效决策依据，为校园节能用电提供更为可靠的数据，降低高校用电开支，在部分设备落后、线路老化而需进行改建的建筑提供参数依据。

参考文献：

[1]叶世伟.神经网络原理[M].北京：机械工业出版社，2004.

[2]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003：1-6，43-62.

[3]唐巍，高春成.并行自适应混沌优化方法在中长期电量预测中的应用[J].电网技术，2005，29（11）：30-31.

[4]牛东晓，曹树华，赵磊，等.电力系统负荷预测及其应用[M].北京：中国电力出版社，1998.

[5]毛李帆，姚建刚，金永顺，等.中长期电力组合预测模型的理论研究[J].中国电机工程学报，2010，30（16）.

神经网络的反向传播范文

B（PBackPropagation）网络是1986年由Rumelhart和McCelland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，而无需事前确定描述这种映射关系的数学方程。BP神经网络拓扑结构由输入层、隐含层和输出层构成。网络的学习过程由信息的正向传播和误差的反向传播两个过程组成。

输入层各神经元接收来自外界的输入信息，并传递给隐含层各神经元；隐含层是内部信息处理层，负责信息变换，根据信息处理的复杂程度不同，隐含层可以设计为单层或者多层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层输出处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐含层、输入层逐层反传。在周而复始的正向传播和误差反向传播过程，各层权值不断调整，一直进行到网络输出的误差减少到可以接受的程度，或者到达预先设定的学习次数为止。

用BP网络来进行教师教学质量评价，其过程可以分为测打分、网络训练和评价应用三个阶段。在测评打分阶段，由教学管理人员、督导专家、同行教师、学生等按照测试规定和程序，填写根据评价指标体系建立的测评量表，取得评价数据，并作归一化处理。在网络训练阶段，将训练样本输入给BP网络。网络经过训练学习并满足要求后，就可以用于教学评价，输入测评数据后其输出即为所对应的评价结果。

2教学质量评价指标体系的构建

2.1建立教学质量评价指标体系的思路

建立教学质量评价指标体系，除了遵循科学性与现实性原则、可行性与可比性原则、综合性与客观性原则、定性指标与定量指标相结合的原则、灵敏性原则、继承性与创新性相结合的原则等基本原则之外，还要考虑以下三点：1|)突出理论指导。以多元智能理论、形成性学习评价理论和发展性教育评价理论为基础，建立覆盖整个远程教育教学全过程，突出远程开放教育无时间、空间限制特点的指标体系。2)体现评价取向。通过建立科学、有效的远程教育教师教学质量评价体系,改变目前注重对教师教学工作量、工作结果进行评价的现状,把对教师的评价引导到发展性、过程性、重质量的取向上来。3)体现远程教育特点。指标体系不仅包含教学内容、教学态度、教学方法、教学效果等传统因素，还必须包括教学一体化设计、教学资源、网上教学组织、学习支持服务等体现远程教育特点的因素。

2.2教学质量评价指标体系的结构

远程教育教学质量评价体系由两级指标构成，其中一级指标包括教学态度、教学内容、教学实施、学习支持服务、教学效果5项，每个一级指标又分解为4个二级指标。

3基于BP神经网络的远程教学质量评价模型的建立

3.1确定网络结构评价网络的结构设计主要是根据要解决的具体问题，确定网络的输入空间、输出空间，确定网络隐含层节点数和激励函数。本设计中，因为指标体系二级指标设置了20项，则输入空间维数M=20；输入向量X=(X11,…X21,…,X54)；网络运行的结果将产生一个输出,则输出空间维数L=1，输出为Y。在BP网络中,隐含层神经元数H的确定是一个关键问题。可以使用公式H=（m+n）1/2+a确定（n,m分别代表输出和输入的节点个数，a为0～1之间的常数），但并一定是最优解。本文使用试凑法，先设置较少的节点数目进行训练，计算误差，然后逐步增加节点个数，用相同的样本进行训练，直到计算得到得误差最小，即为需要的隐含层节点个数。隐含层、输出层分别采用tansig、purelin函数，误差为0.001，训练次数上限1000，学习率为0.03，学习率增长系数为1.04，学习率减小系数为0.65，动量系数选为0.95。

3.2确定训练样本集训练样本集的确定是应用BP神经网络进行教学质量评价的重要环节。这里使用陕西电大2012年具有代表性的50名教师的评价数据作为对网络进行训练的样本。3.3训练和仿真选择前40组数据作为训练样本集,对该网络进行训练"经过567次的训练,网络误差达到了0.001的要求,将后10组数据作为检测样本输人已训练好的BP网络,检测结果如表2所示,网络的输出值与目标值（专家评价的结果）基本一致。

4结语

神经网络的反向传播范文篇3

关键词：神经网络；上证综合指数；Clementine；股价

中图分类号：F830.9文献标识码：A文章编号：1001-828X（2013）05-0-01

证券市场是一个资源重新配置的市场，在我们国家经济建设中起着非常重要的作用，和我们广大人们群众的生活息息相关。股价预测有着很大的应用价值，具有动态性、强非线性等特点。人工神经网络是一种模拟人脑神经网络结构，通过对研究对象的不断学习、训练，从而实现预测模型的方法。在股价预测方面，人工神经网络方法可以通过股票历史数据进行学习，从而找出股票价格的规律，实现对股票价格的准确预测。

一、神经网络模型简介

1.神经网络基本概念

神经网络模型是一种数学模型，它试图模拟人类大脑的功能。它由大量的人工神经元通过适当的方式互连构成，是一个非线性的自适应系统，用于智能决策和推断。

2.BP神经网络

目前神经网络有很多种，BP神经网络模型是用的比较多的一种模型。BP神经网络是一种基于有监督的学习、使用非线性的可导函数作为传递函数的前馈神经网络，由信息的正向传播和误差的反向传播两个过程组成，包括一个输入层、一个输出层以及一个或者多个隐层。输入层收到输入信号，传递给中间隐层各神经元，由最后一个隐层神经元传递到输出层各神经元的信息，经过进一步处理，完成一次正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不相符时，进入误差的反向传播过程。误差通过输出层，按照误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，一直进行到网络输出的误差减少到可以接受的程度。BP神经网络模型包括其输入模型、输出模型、作用函数模型、误差计算模型和自学习模型。

二、神经网络模型在股票分析预测中的应用

1.初始数据选取

本文拟以A股市场上证综合指数为研究对象，选取2012年1月4日至2013年4月17日期间每个工作日的上证综合指数的相关数据，利用Clementine软件的BP神经网络方法进行建模，对上证综合指数的走势进行分析和预测。在建模过程中，选取的变量为：开盘价、最高价、最低价、成交量、收盘价。

2.BP神经网络建模

3.分析与结论

下图为通过神经网络模型得到的次日收盘价格与次日预测结果之间的拟合图，从图中可以看出，尽管预测结果与真实值之间的变化趋势基本一致，但还是有一定的预测误差，这是因为股票价格不仅跟成交价和成交量有关系，还受政策因素、市场供应关系、季节因素、突发事件等影响。根据价量关系，对短期预测效果比较有效，如果希望对股票进行长期有效的分析，我们还需要考虑很多因素，包括宏观因素、上市公司财务状况及内部其他因素等。

参考文献：

[1]史忠植.神经网络[M].北京：高等教育出版社，2009：48-65.

[2]薛薇，陈欢歌.基于Clementine的数据挖掘[M].北京：中国人民大学出版社，2012：1-132；275-305.

[3]元昌安.数据挖掘原理与SPSSClementine应用宝典[M].北京：电子工业出版社，2009：234-257；550-555.

[4]杨富勇.神经网络模型在股票投资中的应用[J].计算技术与自动化.2010，29：108-112.

[5]范明，孟小峰，译.HanJ，KamberM.数据挖掘：概念与技术[M].北京：机械工业出版社，2012.

[6]张娴.数据挖掘技术及其在金融领域的应用[J].金融教学与研究，2003，6（04）：15-18.