基于Mexican Hat小波網絡的時序預測

魏浩

摘要：該文采用一種Mexican Hat函數作為小波神經網絡的隱層神經元函數，利用神經網絡工具箱方法對石油探明儲量進行時序預測，仿真實驗表明，該預測模型預測精度優于Morlet小波函數構成的網絡，比BP網絡性能更好。

關鍵詞：小波神經網絡;Mexican Hat小波函數;工具箱;石油探明儲量;預測

中圖分類號：TP393? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）25-0225-02

石油探明儲量增長趨勢預測對于油氣規劃具有重要意義，預測結果的合理性主要取決于預測方法或模型的適用性等。采用石油探明儲量的時間序列進行趨勢預測能較好地反映內部特點，該方法是根據歷史數據遞推后續數據，對數據要求低，通常只需一維數據序列就能進行預測，但一般方法預測精確度較低，數據適應能力差。本文采用小波神經網絡進行時間序列建立預測模型，可以提高預測精度。

小波神經網絡有小波分析良好的時頻局部化性質又有神經網絡自學習、魯棒性和非線性函數逼近能力等，目前應用廣泛。小波網絡具有伸縮因子、平移因子，因此比一般的神經網絡具有更多的自由度和函數逼近能力，學習速度快等特點。

本文采用一種基于Mexican Hat小波函數取作神經網絡的隱層函數，利用神經網絡工具箱的方法對石油探明儲量的時序預測，通過仿真實驗說明有效性。

1 隱層神經元激勵函數

隱層激勵函數是決定神經網絡性能與品質的主要因素，可以選擇相當廣泛的函數類，如 Sigmoid、Gauss、樣條函數等，不同的小波基函數性能不同，本文采用Mexican hat小波作為激勵函數，但也可取Morlet小波函數或其他小波函數。

預測結果如圖2所示，詳細數據如表1所示。圖中，“*”為實際值，“o”表示預測值。采用絕對平均百分誤差計算。預測結果：MAPE=5.86% ，最大值預測精度值為10.9920% ，將網絡訓練與預測過程編制為一個程序，運行時間總計為1.1322s。

5 預測結果對比分析

同時采用Morlet小波神經網絡工具箱、BP神經網絡工具箱對圖2數據進行同樣的實驗，將BP、Morlet小波網絡、Mexican Hat小波網絡工具箱3種方法預測結果列表如表1所示。

由表1可知，本文采用的Mexican Hat小波神經網絡工具箱預測精度最高，達到MAPE=5.8466%，其次是Morlet小波網絡工具箱，BP神經網絡工具箱預測結果最差，多次實驗難以得到合理的結果，表明BP神經網絡很難適應本數據。由于小波神經網絡具有良好的特征提取能力，因此獲得了較好的結果。

6 結論

采用一種Mexican Hat小波神經網絡工具箱，對石油探明儲量進行預測實驗，表明其數據處理能力比編程實現小波神經網絡好很多，具有很強的魯棒性和實用性。仿真實驗證明了所采用方法的有效性和實用性。

參考文獻：

[1] 楊一文，劉貴忠，張宗平，等. 基于小波網絡的非線性時間序列預測及其在股市中的應用[J].模式識別與人工智能，2001，2（14） .

[2]? 潘玉民，鄧永紅，張全柱.小波神經網絡模型的確定性預測及應用[J].計算機應用，2013，33（4）.

[3] http：//www.bp.com/statisticalreview.

【通聯編輯：代影】