《基于神经网络的预测PPT课件》由会员分享，可在线阅读，更多相关《基于神经网络的预测PPT课件（40页珍藏版）》请在装配图网上搜索。
1、神经网络及其应用5月20日 第十四章 基于神经网络的预测 系统建模、辨识和预测 线性系统预测问题 时域：ARMA模型 频域：传递函数矩阵 非线性系统预测问题 静态：多层前向网络 动态：具有内部反馈的动态网络 基于神经网络的预测原理 正向建模 逆向建模 电力系统负荷预报 将一周的7天，每天都看做一种类型 输入：15维向量 前一天每隔2小时测量一次的电力负荷，采用公式 进行归一化 最低气温、最高气温和天气特征（晴天、阴天和下雨对应0，0.5，1） 输出：12维向量 minmax min xx xxx 用电负荷及气象特征 构建网络：BP网络 输入维数：n1=15（取值范围0-1） 隐含层神经元个数n
2、2=2n1+1=31-tansig 输出层神经元个数：12-logsig 训练参数： 训练函数：trainlm；学习函数：learngdm；性能函数：mse；训练次数：1000；训练目标：0.01；学习率：0.1 例一：基于BP网络的电力系统负荷预报 河道浅滩演变预测 选取影响因子（尽量不相关） 上游来流量Q 上游输沙量G 下游水位ZD 河床形态 目标 浅滩断面年内最小水深H min 年平均预计厚度Z HB / 样本数据 构建网络：BP网络 输入维数：n1=4（取值范围0-1） 隐含层神经元个数n2=916-tansig 输出层神经元个数：2-logsig 训练参数： 训练函数：trainlm
3、；学习函数：learngdm；性能函数：mse；训练次数：500； 例二：基于BP网络的河道浅滩演变预报 预测步骤 影响因素选取 原始数据归一化 隐藏层神经元个数实验 测试 构建网络：RBF网络 BP网络预测精度比较高，但训练误差收敛比较慢。 RBF网络直接根据P和T创建，速度快主要的影响因素spread 例三：基于RBF网络的河道浅滩演变预报 地震预报 输入向量：7个预报因子 目标向量 实际发生的震级 学习震例 构建网络：BP网络 输入维数：n1=7（取值范围0-1） 隐含层神经元个数n2=15-tansig 输出层神经元个数：1-logsig 训练参数： 训练函数：trainlm；学习函数
4、：learngdm；性能函数：mse；训练次数：1000； 例四：基于BP网络的地震预报 测试数据 地震分类（聚类）预测 分（聚）为三类：一般、中等和严重地震 地震活动指标为11项 地震活动指标年值 自组织竞争Kohonen网络 自组织竞争网络聚类预测 选取特征指标 根据样本集进行聚类（网络训练） 应用网络进行预测 例五：基于Kohonen网络的地震预测 交通运输能力预测 输入向量：8个主要影响因素 交通运输能力预测 目标向量：三个主要运量 广义回归神经网络GRNN 线性层比较特殊 nprod环节：纯线性组合 GRNN与RBF的区别 GRNN RBF隐 藏 层 W1 P 可 调B1 0.832
5、6/srpead 0.8326/srpead线 性 层 W2 T 可 调B2 无 可 调 基于GRNN的货运预测 例六：基于GRNN的交通运输能力预测 数据归一化 创建网络 通过测试选择spread参数 股市预测 股市中的数据看做一个时间序列 前N个值作为输入 后M个值作为输出 股票数据 例七：基于RBF网络的股票预测 将3天的股票数据作为网络的输入向量 输出为当天的股票价格，M=1 样本个数K= L- （M+N）+1 = 7 中间层的神经元个数为50 Spread取1-5 5个样本用作训练 2个样本用作测试 财务失败预测 LVQ的网络结构 例八：基于LVQ网络的财务失败预测 输入：5个财务指
6、标 输出：分为两类（破产公司/正常公司） 预设概率：0.5-0.5 竞争层神经元：8个（多个核心） 前10个样本做训练 后4个样本做测试 农作物虫情预测 例九：基于BP网络的农作物虫情预测 输入维数：n1=4（取值范围0-1） 隐含层神经元个数n2=9-tansig 输出层神经元个数：4-logsig 训练参数： 训练函数：trainlm；学习函数：learngdm；性能函数：mse；训练次数：50 预测精度较差 小结 神经网络可用于受多个影响因素共同影响的指标的预测 针对不同的问题选择不同的网络类型 但影响因素的选择仍是关键 系统建模、辨识和预测 线性系统预测问题 时域：ARMA模型 频域：传递函数矩阵 非线性系统预测问题 静态：多层前向网络 动态：具有内部反馈的动态网络 基于神经网络的预测原理 正向建模 逆向建模 构建网络：BP网络 输入维数：n1=4（取值范围0-1） 隐含层神经元个数n2=916-tansig 输出层神经元个数：2-logsig 训练参数： 训练函数：trainlm；学习函数：learngdm；性能函数：mse；训练次数：500； 例二：基于BP网络的河道浅滩演变预报 测试数据 交通运输能力预测 目标向量：三个主要运量 广义回归神经网络GRNN 线性层比较特殊 nprod环节：纯线性组合
基于神经网络的预测PPT课件
