基于太陽黑子的BP網絡的研究

徐香坤　徐化冰.沈陽工學院經濟與管理學院.渤海船舶職業學院動力工程系

?

基于太陽黑子的BP網絡的研究

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

摘要：本文研究如何利用BP神經網絡建立基于神經元網絡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據集進行了仿真實驗，對預測的結果進行了分析，實驗結果表明，模型具有較高的精度，可以對非線性時間序列進行穩定的、準確的預測。

關鍵字：非線性 時間序列 預測 神經元網絡

1　神經元網絡概述

神經網絡是指由大量與生物神經系統的神經細胞相類似的神經元互連而成的網絡，這種神經網絡具有某些智能和仿人的功能。人工神經網絡是對人腦的一種模擬，具有高速信息處理的能力。根據不同的連接方式，可以得到不同種類的網絡。各神經元之間的連接強度是由神經網絡內部加權系數所決定的。

2　神經網絡預測模型的構建

本節利用BP網絡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進行建模與預測實驗。

2.1確定網絡類型和結構

神經網絡模型從不同角度進行劃分，可以劃分為有教師的學習網絡與無教師的學習網絡、神經網絡可大致分成層狀的和網狀的等。本文選用了一個三層的BP神經網絡，隱含層的轉移函數是tansig，輸出層的轉移函數是purelin，訓練算法是trainlm，即LM算法。

2.2BP網絡學習的過程

BP算法是一種用于多層前饋神經網絡的學習算法，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規則的LMS算法，利用實際輸出與期望輸出之差對網絡的各層連接權由后向前逐層進行校正的一種計算方法，使得網絡的實際輸出值與其期望輸出的均方差最小。BP網絡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實驗過程及結果分析

本文選用了太陽黑子年平均活動數時間序列建立預測模型，通過神經網絡預測模型的實驗結果進行分析，驗證其有效性。

（1）太陽黑子年平均活動數序列神經網絡模型的建立

太陽黑子年平均活動數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作為樣本來建立BP網絡模型。

（2）實驗過程

本文考慮對240個太陽黑子年平均活動數進行一步預測，并選取預測步長為5，

即：

經過預處理的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；設置網絡結構、參數和激發函數；網絡訓練和測試。

（3）實驗結果及分析

35個訓練樣本BP網絡的訓練，確定最佳的網絡結構、不斷地改變參數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，經過44 次學習獲得了最佳訓練結果，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個神經元。通過實驗可看出，網絡輸出值和真實值的曲線幾乎完全重合，說明建立的BP神經網絡對該例具有很好的擬合效果。在經過訓練的網絡上對測試集中的數據進行測試。輸出的為相應的預測值。測試集的預測結果與實際值比較所得到的結果，可以看出預測總的趨勢是對的，只是在峰值上誤差大些。

3　結論

本文通過分析基于太陽黑子年活動數非線性時間序列的BP人工神經元網絡預測模型，表明BP網絡對太陽黑子時間序列有較好預測能力。從而得出，BP網絡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