如何建立bp神經網絡預測 模型

。

建立BP神經網絡預測模型，可按下列步驟進行：1、提供原始數據2、訓練數據預測數據提取及歸一化3、BP網絡訓練4、BP網絡預測5、結果分析現用一個實際的例子，來預測2015年和2016年某地區的人口數。

已知2009年——2014年某地區人口數分別為3583、4150、5062、4628、5270、5340萬人執行BP_main程序，得到[2015,?5128.呵呵3946380615234375][2016,5100.5797325642779469490051269531]代碼及圖形如下。

傷寒、副傷寒流行預測模型（BP神經網絡）的建立

由于目前研究的各種數學模型或多或少存在使用條件的局限性，或使用方法的復雜性等問題，預測效果均不十分理想，距離實際應用仍有較大差距rfid。

NNT是Matlab中較為重要的一個工具箱，在實際應用中，BP網絡用的最廣泛。

神經網絡具有綜合能力強，對數據的要求不高，適時學習等突出優點，其操作簡便，節省時間，網絡初學者即使不了解其算法的本質，也可以直接應用功能豐富的函數來實現自己的目的。

因此，易于被基層單位預防工作者掌握和應用。

以下幾個問題是建立理想的因素與疾病之間的神經網絡模型的關鍵：（1）資料選取應盡可能地選取所研究地區系統連續的因素與疾病資料，最好包括有疾病高發年和疾病低發年的數據。

在收集影響因素時，要抓住主要影響傷寒、副傷寒的發病因素。

（2）疾病發病率分級神經網絡預測法是按發病率高低來進行預測，在定義發病率等級時，要結合專業知識及當地情況而定，并根據網絡學習訓練效果而適時調整，以使網絡學習訓練達到最佳效果。

（3）資料處理問題在實踐中發現，資料的特征往往很大程度地影響網絡學習和訓練的穩定性，因此，數據的應用、納入、排出問題有待于進一步研究。

6.3.1人工神經網絡的基本原理人工神經網絡（ANN）是近年來發展起來的十分熱門的交叉學科，它涉及生物、電子、計算機、數學和物理等學科，有著廣泛的應用領域。

人工神經網絡是一種自適應的高度非線性動力系統，在網絡計算的基礎上，經過多次重復組合，能夠完成多維空間的映射任務。

神經網絡通過內部連接的自組織結構，具有對數據的高度自適應能力，由計算機直接從實例中學習獲取知識，探求解決問題的方法，自動建立起復雜系統的控制規律及其認知模型。

人工神經網絡就其結構而言，一般包括輸入層、隱含層和輸出層，不同的神經網絡可以有不同的隱含層數，但他們都只有一層輸入和一層輸出。

神經網絡的各層又由不同數目的神經元組成，各層神經元數目隨解決問題的不同而有不同的神經元個數。

6.3.2BP神經網絡模型BP網絡是在1985年由PDP小組提出的反向傳播算法的基礎上發展起來的，是一種多層次反饋型網絡（圖6.17），它在輸入和輸出之間采用多層映射方式，網絡按層排列，只有相鄰層的節點直接相互連接，傳遞之間信息。

在正向傳播中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層，每層神經元的狀態只影響下一層神經元的狀態。

如果輸出層不能得到期望的輸出結果，則轉入反向傳播，將誤差信號沿原來的連同通路返回，通過修改各層神經元的權值，使誤差信號最小。

BP網絡的學習算法步驟如下（圖6.18）：圖6.17BP神經網絡示意圖圖6.18BP算法流程圖第一步：設置初始參數ω和θ，（ω為初始權重，θ為臨界值，均隨機設為較小的數）。

第二步：將已知的樣本加到網絡上，利用下式可算出他們的輸出值yi，其值為巖溶地區地下水與環境的特殊性研究式中：xi為該節點的輸入；ωij為從I到j的聯接權；θj為臨界值；yj為實際算出的輸出數據。

第三步：將已知輸出數據與上面算出的輸出數據之差（dj-yj）調整權系數ω，調整量為ΔWij=ηδjxj式中：η為比例系數；xj為在隱節點為網絡輸入，在輸出點則為下層（隱）節點的輸出（j=1，2…，n）；dj為已知的輸出數據（學習樣本訓練數據）；δj為一個與輸出偏差相關的值，對于輸出節點來說有δj=ηj（1-yj）（dj-yj）對于隱節點來說，由于它的輸出無法進行比較，所以經過反向逐層計算有巖溶地區地下水與環境的特殊性研究其中k指要把上層（輸出層）節點取遍。

誤差δj是從輸出層反向逐層計算的。各神經元的權值調整后為ωij（t）=ωij（t-1）+Vωij式中：t為學習次數。

這個算法是一個迭代過程，每一輪將各W值調整一遍，這樣一直迭代下去，知道輸出誤差小于某一允許值為止，這樣一個好的網絡就訓練成功了，BP算法從本質上講是把一組樣本的輸入輸出問題變為一個非線性優化問題，它使用了優化技術中最普遍的一種梯度下降算法，用迭代運算求解權值相當于學習記憶問題。

6.3.3BP神經網絡模型在傷寒、副傷寒流行與傳播預測中的應用傷寒、副傷寒的傳播與流行同環境之間有著一定的聯系。

根據桂林市1990年以來鄉鎮為單位的傷寒、副傷寒疫情資料，傷寒、副傷寒疫源地資料，結合現有資源與環境背景資料（桂林市行政區劃、土壤、氣候等）和社會經濟資料（經濟、人口、生活習慣等統計資料）建立人工神經網絡數學模型，來逼近這種規律。

6.3.3.1模型建立（1）神經網絡的BP算法BP網絡是一種前饋型網絡，由1個輸入層、若干隱含層和1個輸出層構成。

如果輸入層、隱含層和輸出層的單元個數分別為n，q1，q2，m，則該三層網絡網絡可表示為BP（n，q1，q2，m），利用該網絡可實現n維輸入向量Xn=（X1，X2，…，Xn）T到m維輸出向量Ym=（Y1，Y2，…，Ym）T的非線性映射。

輸入層和輸出層的單元數n，m根據具體問題確定。

（2）樣本的選取將模型的輸入變量設計為平均溫度、平均降雨量、巖石性質、巖溶發育、地下水類型、飲用水類型、正規自來水供應比例、集中供水比例8個輸入因子（表6.29），輸出單元為傷寒副傷寒的發病率等級，共一個輸出單元。

其中q1，q2的值根據訓練結果進行選擇。表6.29桂林市傷寒副傷寒影響因素量化表通過分析，選取在傷寒副傷寒有代表性的縣鎮在1994～2001年的環境參評因子作為樣本進行訓練。

利用聚類分析法對疫情進行聚類分級（Ⅰ、Ⅱ、Ⅲ、Ⅳ），傷寒副傷寒發病最高級為Ⅳ（BP網絡中輸出定為4），次之的為Ⅲ（BP網絡中輸出定為3），以此類推，最低為Ⅰ（BP網絡中輸出定為1）（3）數據的歸一化處理為使網絡在訓練過程中易于收斂，我們對輸入數據進行了歸一化處理，并將輸入的原始數據都化為0～1之間的數。

如將平均降雨量的數據乘以0.0001；將平均氣溫的數據乘以0.01；其他輸入數據也按類似的方法進行歸一化處理。

（4）模型的算法過程假設共有P個訓練樣本，輸入的第p個（p=1，2，…，P）訓練樣本信息首先向前傳播到隱含單元上。

經過激活函數f（u）的作用得到隱含層1的輸出信息：巖溶地區地下水與環境的特殊性研究經過激活函數f（u）的作用得到隱含層2的輸出信息：巖溶地區地下水與環境的特殊性研究激活函數f（u）我們這里采用Sigmoid型，即f（u）=1/[1+exp（-u）]（6.5）隱含層的輸出信息傳到輸出層，可得到最終輸出結果為巖溶地區地下水與環境的特殊性研究以上過程為網絡學習的信息正向傳播過程。

另一個過程為誤差反向傳播過程。

如果網絡輸出與期望輸出間存在誤差，則將誤差反向傳播，利用下式來調節網絡權重和閾值：巖溶地區地下水與環境的特殊性研究式中：Δω（t）為t次訓練時權重和閾值的修正；η稱為學習速率，0＜η＜1；E為誤差平方和。

巖溶地區地下水與環境的特殊性研究反復運用以上兩個過程，直至網絡輸出與期望輸出間的誤差滿足一定的要求。該模型算法的缺點：1）需要較長的訓練時間。

由于一些復雜的問題，BP算法可能要進行幾小時甚至更長的時間的訓練，這主要是由于學習速率太小造成的，可采用變化的學習速率或自適應的學習速率加以改進。2）完全不能訓練。

主要表現在網絡出現的麻痹現象上，在網絡的訓練過程中，當其權值調的過大，可能使得所有的或大部分神經元的加權總和n偏大，這使得激活函數的輸入工作在S型轉移函數的飽和區，從而導致其導數f′（n）非常小，從而使得對網絡權值的調節過程幾乎停頓下來。

3）局部極小值。BP算法可以使網絡權值收斂到一個解，但它并不能保證所求為誤差超平面的全局最小解，很可能是一個局部極小解。

這是因為BP算法采用的是梯度下降法，訓練從某一起點沿誤差函數的斜面逐漸達到誤差的最小值。

考慮到以上算法的缺點，對模型進行了兩方面的改進：（1）附加動量法為了避免陷入局部極小值，對模型進行了改進，應用了附加動量法。

附加動量法在使網絡修正及其權值時，不僅考慮誤差在梯度上的作用，而且考慮在誤差曲面上變化趨勢的影響，其作用如同一個低通濾波器，它允許網絡忽略網絡上的微小變化特性。

在沒有附加動量的作用下，網絡可能陷入淺的局部極小值，利用附加動量的作用則有可能滑過這些極小值。

該方法是在反向傳播法的基礎上在每一個權值的變化上加上一項正比于前次權值變化量的值，并根據反向傳播法來產生心的權值變化。

促使權值的調節向著誤差曲面底部的平均方向變化，從而防止了如Δω（t）=0的出現，有助于使網絡從誤差曲面的局部極小值中跳出。

這種方法主要是把式（6.7）改進為巖溶地區地下水與環境的特殊性研究式中：A為訓練次數；a為動量因子，一般取0.95左右。

訓練中對采用動量法的判斷條件為巖溶地區地下水與環境的特殊性研究（2）自適應學習速率對于一個特定的問題，要選擇適當的學習速率不是一件容易的事情。

通常是憑經驗或實驗獲取，但即使這樣，對訓練開始初期功效較好的學習速率，不見得對后來的訓練合適。

所以，為了盡量縮短網絡所需的訓練時間，采用了學習速率隨著訓練變化的方法來找到相對于每一時刻來說較差的學習速率。

下式給出了一種自適應學習速率的調整公式：巖溶地區地下水與環境的特殊性研究通過以上兩個方面的改進，訓練了一個比較理想的網絡，將動量法和自適應學習速率結合起來，效果要比單獨使用要好得多。

6.3.3.2模型的求解與預測采用包含了2個隱含層的神經網絡BP（4，q1，q2，1），隱含層單元數q1，q2與所研究的具體問題有關，目前尚無統一的確定方法，通常根據網絡訓練情況采用試錯法確定。

在滿足一定的精度要求下一般認小的數值，以改善網絡的概括推論能力。

在訓練中網絡的收斂采用輸出值Ykp與實測值tp的誤差平方和進行控制：巖溶地區地下水與環境的特殊性研究1）將附加動量法和自適應學習速率結合應用，分析桂林市36個鄉鎮地質條件各因素對傷寒副傷寒發病等級的影響。

因此訓練樣本為36個，第一個隱含層有19個神經元，第二個隱含層有11個神經元，學習速率為0.001。A.程序（略）。B.網絡訓練。

在命令窗口執行運行命令，網絡開始學習和訓練，其學習和訓練過程如下（圖6.19）。圖6.19神經網絡訓練過程圖C.模型預測。

a.輸入未參與訓練的鄉鎮（洞井鄉、兩水鄉、延東鄉、四塘鄉、嚴關鎮、靈田鄉）地質條件數據。b.預測。程序運行后網絡輸出預測值a3，與已知的實際值進行比較，其預測結果整理后見（表6.30）。

經計算，對6個鄉鎮傷寒副傷寒發病等級的預測符合率為83.3%。表6.30神經網絡模型預測結果與實際結果比較c.地質條件改進方案。

在影響疾病發生的地質條件中，大部分地質條件是不會變化的，而改變發病地區的飲用水類型是可以人為地通過改良措施加以實施的一個因素。

因此，以靈田鄉為例對發病率較高的鄉鎮進行分析，改變其飲用水類型，來看發病等級的變化情況。

表6.31顯示，在其他地質條件因素不變的情況下，改變當地的地下水類型（從原來的巖溶水類型改變成基巖裂隙水）則將發病等級從原來的最高級4級，下降為較低的2級，效果是十分明顯的。

因此，今后在進行傷寒副傷寒疾病防治的時候，可以通過改變高發區飲用水類型來客觀上減少疫情的發生。

表6.31靈田鄉改變飲用水類型前后的預測結果2）選取桂林地區1994～2000年月平均降雨量、月平均溫度作為輸入數據矩陣，進行樣本訓練，設定不同的隱含層單元數，對各月份的數據進行BP網絡訓練。

在隱含層單元數q1=13，q2=9，經過46383次數的訓練，誤差達到精度要求，學習速率0.02。A.附加動量法程序（略）。B.網絡訓練。

在命令窗口執行運行命令，網絡開始學習和訓練，其學習和訓練過程如下（圖6.20）。C.模型預測。a.輸入桂林市2001年1～12月桂林市各月份的平均氣溫和平均降雨量。預測程度（略）。b.預測。

程序運行后網絡輸出預測值a2，與已知的實際值進行比較，其預測結果整理后見（表6.32）。經計算，對2001年1～12月傷寒副傷寒發病等級進行預測，12個預測結果中，有9個符合，符合率為75%。

圖6.20神經網絡訓練過程圖表6.32神經網絡模型預測結果與實際值比較6.3.3.3模型的評價本研究采用BP神經網絡對傷寒、副傷寒發病率等級進行定量預測，一方面引用數量化理論對不確定因素進行量化處理；另一方面利用神經網絡優點，充分考慮各影響因素與發病率之間的非線性映射。

實際應用表明，神經網絡定量預測傷寒、副傷寒發病率是理想的。其主要優點有：1）避免了模糊或不確定因素的分析工作和具體數學模型的建立工作。2）完成了輸入和輸出之間復雜的非線性映射關系。

3）采用自適應的信息處理方式，有效減少人為的主觀臆斷性。雖然如此，但仍存在以下缺點：1）學習算法的收斂速度慢，通常需要上千次或更多，訓練時間長。2）從數學上看，BP算法有可能存在局部極小問題。

本模型具有廣泛的應用范圍，可以應用在很多領域。從上面的結果可以看出，實際和網絡學習數據總體較為接近，演化趨勢也基本一致。

說明選定的氣象因子、地質條件因素為神經單元獲得的傷寒、副傷寒發病等級與實際等級比較接近，從而證明傷寒、副傷寒流行與地理因素的確存在較密切的相關性。

建立BP神經網絡地面沉降預測模型

。

基坑降水引起地面沉降的BP神經網絡預測模型建模過程如下：（1）樣本選擇因基坑降水引起的地面沉降量和距離基坑的距離關系密切，因此建模選用“基坑降水引起沉降工程數據（第二類）”（見表4.1）中的相關數據作為樣本進行學習訓練和檢驗。

（2）BP神經網絡結構設計對于BP網絡，對于任何在閉區間內的一個連續函數都可以用單隱層的BP網絡逼近，因而一個三層BP網絡就可以完成任意的n維到m維的映射。

根據網絡結構簡單化的原則，確定采用三層BP網絡結構，即輸入層為沉降點距基坑的距離L（m）、等效壓縮模量E（MPa）、水位降深H（m）和支護剛度n四個參數，輸出層為地面累積沉降量（mm），隱層層數為1層。

隱層的神經元數目選擇是一個十分復雜的問題，往往需要根據設計者的經驗和多次實驗來確定，因而不存在一個理想的解析式來表示。隱單元的數目與問題的要求，與輸入、輸出單元的數目有直接的關系。

隱單元數目太多會導致學習時間過長，誤差不一定最佳，也會導致容錯性差、不能識別以前沒有看到的樣本，因此一定存在一個最佳的隱單元數。

研究通過一次編程比較了隱層神經元個數分別為5、10、15、20、25、30、40時訓練速度及檢驗精度。

圖4.2BP神經網絡程序框圖（3）網絡訓練及檢驗BP網絡采用梯度下降法來降低網絡的訓練誤差，考慮到基坑降水地面沉降范圍內沉降量變化幅度較小的特點，訓練時以訓練目標取0.001為控制條件，考慮到網絡的結構比較復雜，神經元個數比較多，需要適當增加訓練次數和學習速率，因此初始訓練次數設為10000次，學習速率取0.1，中間層的神經元傳遞函數采用S型正切函數tansig，傳輸函數采用logsig，訓練函數采用trainlm，選用38組數據中的33組作為訓練樣本，5組作為檢驗樣本。

（4）網絡實現及檢驗效果使用MATLAB6.0編程建立基于BP神經網絡的基坑降水地面沉降預測模型（程序代碼見附件1），其訓練誤差及檢驗效果如下：圖4.3訓練誤差曲線圖4.4預測誤差曲線由圖4.3、圖4.4可見：樣本數據收斂，訓練誤差較小，中間層神經單元個數為10時預測精度較好，誤差小于20%，誤差滿足工程需求。

如何使用BP神經網絡預測物流相關內容？

關于樣本數據的來源，如果網上有公開的數據時最好的，如果沒有，可能要托關系拿到。具體預測哪些方面的內容，你是學物流專業的，你應該懂的更多。其實只要數據具有規律性，就能進行預測。

附件是一個預測實例，matlab編程，可供參考。

BP（BackPropagation）神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。

BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。

BP神經網絡模型拓撲結構包括輸入層（input）、隱層(hiddenlayer)和輸出層(outputlayer)。

BF神經網絡預測模型的MATLAB程序 30

。

首先數據初始化[nb,minb,maxb,na,mina,maxa]=premnmx(traindata,trainlabels);[nc,minc,maxc]=premnmx(testdata);用這個函數newff就可以得到BP神經網絡模型net=newff(minmax(traindata),[7,1],{'tansig','purelin'});參數可以用默認的，具體參數可以help一下看看如何設置訓練神經網絡net=train(net,nb,na);測試輸出nd=sim(net,nc);。

人工神經網絡預測 20

我的畢業論文也是做神經網絡預測的，關于這方面的程序或論文都挺多的，上網查一下，然后理解一下基本就可以了，但如果想做的更深的話就要系統的學習。

科技創新貴在新，你如果只是簡單的看書的話可能出不來新的東西，畢竟短時間內你是找不出神經網絡的缺陷在哪里，應如何創新。因為人們已經找出了針對已經發現的神經網絡缺陷的解決方法。

如果有需要的話可以郵件聯系，順便探討一下，我的郵箱是.。

神經網絡ART1模型

一、ART1模型概述自適應共振理論(AdaptiveResonanceTheory)簡稱ART，是于1976年由美國Boston大學S.Grossberg提出來的。

這一理論的顯著特點是，充分利用了生物神經細胞之間自興奮與側抑制的動力學原理，讓輸入模式通過網絡雙向連接權的識別與比較，最后達到共振來完成對自身的記憶，并以同樣的方法實現網絡的回想。

當提供給網絡回想的是一個網絡中記憶的、或是與已記憶的模式十分相似的模式時，網絡將會把這個模式回想出來，提出正確的分類。

如果提供給網絡回想的是一個網絡中不存在的模式，則網絡將在不影響已有記憶的前提下，將這一模式記憶下來，并將分配一個新的分類單元作為這一記憶模式的分類標志。

S.Grossberg和G.A.Carpenter經過多年研究和不斷發展，至今已提出了ART1，ART2和ART3三種網絡結構。

ART1網絡處理雙極型(或二進制)數據，即觀察矢量的分量是二值的，它只取0或1。二、ART1模型原理ART1網絡是兩層結構，分輸入層(比較層)和輸出層(識別層)。

從輸入層到輸出層由前饋連接權連接，從輸出層到輸入層由反饋連接權連接。

設網絡輸入層有N個神經元，網絡輸出層有M個神經元，二值輸入模式和輸出向量分別為：Xp=(，，…，)，Yp=(，，…，)，p=1，2，…，P，其中P為輸入學習模式的個數。

設前饋連接權和反饋連接權矩陣分別為W=(wnm)N×M，T=(tnm)N×M，n=1，2，…，N，m=1，2，…，M。

ART1網絡的學習及工作過程，是通過反復地將輸入學習模式由輸入層向輸出層自下而上的識別和由輸出層向輸入層自上而下的比較過程來實現的。

當這種自下而上的識別和自上而下的比較達到共振，即輸出向量可以正確反映輸入學習模式的分類，且網絡原有記憶沒有受到不良影響時，網絡對一個輸入學習模式的記憶分類則告完成。

ART1網絡的學習及工作過程，可以分為初始化階段、識別階段、比較階段和探尋階段。1.初始化階段ART1網絡需要初始化的參數主要有3個：即W=(wnm)N×M，T=(tnm)N×M和ρ。

反饋連接權T=(tnm)N×M在網絡的整個學習過程中取0或1二值形式。這一參數實際上反映了輸入層和輸出層之間反饋比較的范圍或強度。由于網絡在初始化前沒有任何記憶，相當于一張白紙，即沒有選擇比較的余的。

因此可將T的元素全部設置為1，即tnm=1，n=1，2，…，N，m=1，2，…，M。(1)這意味著網絡在初始狀態時，輸入層和輸出層之間將進行全范圍比較，隨著學習過程的深入，再按一定規則選擇比較范圍。

前饋連接權W=(wnm)N×M在網絡學習結束后，承擔著對學習模式的記憶任務。在對W初始化時，應該給所有學習模式提供一個平等競爭的機會，然后通過對輸入模式的競爭，按一定規則調整W。

W的初始值按下式設置：中國礦產資源評價新技術與評價新模型ρ稱為網絡的警戒參數，其取值范圍為0＜ρ≤1。2.識別階段ART1網絡的學習識別階段發生在輸入學習模式由輸入層向輸出層的傳遞過程中。

在這一階段，首先將一個輸入學習模式Xp=(，，…，)提供給網絡的輸入層，然后把作為輸入學習模式的存儲媒介的前饋連接權W=(wnm)N×M與表示對這一輸入學習模式分類結果的輸出層的各個神經元進行比較，以尋找代表正確分類結果的神經元g。

這一比較與尋找過程是通過尋找輸出層神經元最大加權輸入值，即神經元之間的競爭過程實現的，如下式所示：中國礦產資源評價新技術與評價新模型中國礦產資源評價新技術與評價新模型中國礦產資源評價新技術與評價新模型至此，網絡的識別過程只是告一段落，并沒有最后結束。

此時，神經元m=g是否真正有資格代表對輸入學習模式Xp的正確分類，還有待于下面的比較和尋找階段來進一步確定。一般情況下需要對代表同一輸入學習模式的分類結果的神經元進行反復識別。

3.比較階段ART1網絡的比較階段的主要職能是完成以下檢查任務，每當給已學習結束的網絡提供一個供識別的輸入模式時，首先檢查一下這個模式是否是已學習過的模式，如果是，則讓網絡回想出這個模式的分類結果；如果不是，則對這個模式加以記憶，并分配一個還沒有利用過的輸出層神經元來代表這個模式的分類結果。

具體過程如下：把由輸出層每個神經元反饋到輸入層的各個神經元的反饋連接權向量Tm=(t1m，t2m，…，tNm)，m=1，2，…，M作為對已學習的輸入模式的一條條記錄，即讓向量Tm=(t1m，t2m，…，tNm)與輸出層第m個神經元所代表的某一學習輸入模式Xp=(，，…，)完全相等。

當需要網絡對某個輸入模式進行回想時，這個輸入模式經過識別階段，競爭到神經元g作為自己的分類結果后，要檢查神經元g反饋回來的向量Tg是否與輸入模式相等。

如果相等，則說明這是一個已記憶過的模式，神經元g代表了這個模式的分類結果，識別與比較產生了共振，網絡不需要再經過尋找階段，直接進入下一個輸入模式的識別階段；如果不相符，則放棄神經元g的分類結果，進入尋找階段。

在比較階段，當用向量Tg與輸入模式XP進行比較時，允許二者之間有一定的差距，差距的大小由警戒參數ρ決定。首先計算中國礦產資源評價新技術與評價新模型Cg表示向量Tg與輸入模式XP的擬合度。

在式中，(tng*xn)表示向量Tg=(t1g，t2g，…，tNg)與輸入模式Xp=(，，…，)的邏輯“與”。當Tg=XP時，Cg=1。

當Cg≥ρ時，說明擬合度大于要求，沒有超過警戒線。以上兩種情況均可以承認識別結果。

當Cg≠1且Cg＞ρ時，按式(6)式(7)將前饋連接權Wg=(w1g，w2g，…，wNg)和反饋連接權Tg=(t1g，t2g，…，tNg)向著與XP更接近的方向調整。

中國礦產資源評價新技術與評價新模型tng(t+1)=tng(t)*xn，n=1，2，…，N。

(7)當Cg＜ρ時，說明擬合度小于要求，超過警戒線，則拒絕識別結果，將神經元g重新復位為0，并將這個神經元排除在下次識別范圍之外，網絡轉入尋找階段。

4.尋找階段尋找階段是網絡在比較階段拒絕識別結果之后轉入的一個反復探尋的階段，在這一階段中，網絡將在余下的輸出層神經元中搜索輸入模式Xp的恰當分類。

只要在輸出向量Yp=(，，…)中含有與這一輸入模式Xp相對應、或在警戒線以內相對應的分類單元，則網絡可以得到與記憶模式相符的分類結果。

如果在已記憶的分類結果中找不到與現在輸入的模式相對應的分類，但在輸出向量中還有未曾使用過的單元，則可以給這個輸入模式分配一個新的分類單元。

在以上兩種情況下，網絡的尋找過程總能獲得成功，也就是說共振終將發生。

三、總體算法設網絡輸入層有N個神經元，網絡輸出層有M個神經元，二值輸入模式和輸出向量分別為：Xp=(，，…，)，Yp=(，，…，)p=1，2，…，p，其中p為輸入學習模式的個數。

設前饋連接權和反饋連接權矩陣分別為W=(wnm)N×M，T=(tnm)N×M，n=1，2，…，N，m=1，2，…，M。

(1)網絡初始化tnm(0)=1，中國礦產資源評價新技術與評價新模型n=1，2，…，N，m=1，2，…，M。0＜ρ≤1。

(2)將輸入模式Xp=(，，…，)提供給網絡的輸入層(3)計算輸出層各神經元輸入加權和中國礦產資源評價新技術與評價新模型(4)選擇XP的最佳分類結果中國礦產資源評價新技術與評價新模型令神經元g的輸出為1。

(5)計算中國礦產資源評價新技術與評價新模型中國礦產資源評價新技術與評價新模型判斷中國礦產資源評價新技術與評價新模型當式(8)成立，轉到(7)，否則，轉到(6)。

(6)取消識別結果，將輸出層神經元g的輸出值復位為0，并將這一神經元排除在下一次識別的范圍之外，返回步驟(4)。

當所有已利用過的神經元都無法滿足式(8)，則選擇一個新的神經元作為分類結果，轉到步驟(7)。

(7)承認識別結果，并按下式調整連接權中國礦產資源評價新技術與評價新模型tng(t+1)=tng(t)*xn，n=1，2，…，N。

(8)將步驟(6)復位的所有神經元重新加入識別范圍之內，返回步驟(2)對下一模式進行識別。(9)輸出分類識別結果。(10)結束。四、實例實例為ART1神經網絡模型在柴北緣-東昆侖造山型金礦預測的應用。

1.建立綜合預測模型柴北緣—東昆侖地區位于青海省的西部，是中央造山帶的西部成員——秦祁昆褶皺系的一部分，是典型的復合造山帶(殷鴻福等，1998)。

根據柴北緣—東昆侖地區地質概括以及造山型金礦成礦特點，選擇與成礦相關密切的專題數據，建立柴北緣—東昆侖地區的綜合信息找礦模型：1)金礦重砂異常數據是金礦的重要找礦標志。

2)金礦水化異常數據是金礦的重要找礦標志。3)金礦的化探異常數據控制金礦床的分布。4)金礦的空間分布與通過該區的深大斷裂有關。5)研究區內斷裂密集程度控制金礦的產出。

6)重力構造的存在與否是金礦存在的一個標志。7)磁力構造線的存在也是金礦存在的一個重要標志。8)研究區地質復雜程度也對金礦的產出具有重要的作用。9)研究區存在的礦(化)點是一個重要的標志。

2.劃分預測單元預測工作是在單元上進行的，預測工作的結果是與單元有著較為直接的聯系，在找礦模型指導下，以最大限度地反映成礦信息和預測單元面積最小為原則，通過對研究區內地質、地球物理、地球化學等的綜合資料分析，對可能的成礦地段圈定了預測單元。

采用網格化單元作為本次研究的預測單元，網格單元的大小是，40×40，將研究區劃分成774個預測單元。

3.變量選擇(表8-6)4.ART1模型預測結果ART1神經網絡模型算法中，給定不同的閾值，將改變預測分類的結果。

本次實驗選取得閾值為ρ=0.41，系統根據此閾值進行計算獲得計算結果，并通過將不同的分類結果賦予不同的顏色，最終獲得ART模型預測單元的分類結果。分類的結果是形成29個類別。

分類結果用不同的顏色表示，其具體結果地顯示見圖8-5。圖形中顏色只代表類別號，不代表分類的好壞。將礦點專題圖層疊加以后，可以看出，顏色為灰色的單元與礦的關系更為密切。

表8-6預測變量標志的選擇表圖8-5東昆侖—柴北緣地區基于ARTL模型的金礦分類結果圖。

求，如何建立BP神經網絡故障預測模型！下面有數據，我在訓練時誤差極大，求原因。 20

。

net=newff(minmax(P),[30,30,30,1],{'tansig','tansig','tansig','purelin'},'traingda');%自適應學習速率這巧我也在做，這是我的，設置了30個，你自己參照著來吧。

?

總結

以上是生活随笔為你收集整理的bp神经网络预测模型原理,神经网络模型怎么预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。