改進的神經網絡算法在預測方法中研究與應用*

鄔希可

（華南理工大學工商管理學院 廣州 510000）

1 引言

神經網絡是深度學習的基礎，是以人腦中的神經網絡作為啟發，由大量的神經元相互連接，模仿生物學神經網絡結構和功能的數學模型和計算模型。神經網絡包括多種算法，其中BP神經網絡是目前應用最廣泛的神經網絡之一，主要是按照誤差逆向傳播算法訓練的多層前饋網絡，可以有效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，可以有效地應用于預測過程中。

分析目前專家學者對BP神經網絡的研究可知，文獻［1～4］將BP神經網絡中的學習率調整為自適應的結構，以此加快網絡的收斂速度，主要是在傳統BP神經網絡算法上對時變過程參數的神經元網絡進行改進，但對算法的局部最小問題和預測效果方面考慮的較少。文獻［5］提出最佳學習因子引入BP神經網絡算法中，提升算法在執行過程中的收斂速度，達到減少網絡訓練步驟的目的，但是此種研究對算法執行中的極小點問題沒有解決，而且改進較局限，并且在預測應用中效果不理想。文獻

［6～7］利用極限學習機的方法增加結構型反饋網絡，使得算法的學習速度加快，以致提升算法的預測效率，但是對預測精度考慮的較少，而且如果數據輸入過多，仍然會造成算法執行過慢的現象。部分文獻［8～10］針對BP神經網絡算法的隱含層進行改進，改進隱含層選權重的過程，提升算法的執行效率，從而實現預測效率的提升。

綜上所述，目前對神經網絡算法中的BP神經網絡算法研究較多，可利用BP神經網絡算法實現預測的目的，但是目前對BP神經網絡算法的改進有局限性，對網絡參數的考慮較少，對算法預測的效率和精度的提升效果不強。

2 BP神經網絡算法結構及流程

BP神經網絡是由三層及以上的網絡構成的，每層網絡都含有許多的神經元，網絡中的左側和右側神經元相連即可構成復雜的神經網絡［11～13］。BP神經網絡包括輸入層、隱含層、輸出層，原始的數據利用輸入層輸入，經過隱含層的處理，將結果傳送到輸出層，輸出層再利用誤差反傳的方式對網絡的參數權重進行調節，最終使得輸入值和期望值相接近［14～15］。輸出層再通過誤差反傳的方式調節不同參數的權重，進而使輸入值更逼近期望值，實現不斷對神經網絡調節的目的，但是傳統的BP神經網絡算法隱含層權值的選取存在不完善的地方，會影響算法的預測效率和精確度。

BP神經網絡算法主要為以下步驟：

Step1：確定模型參數；

Step2：確定模型的輸入量和期望輸出量；

Step3：訓練網絡，設定訓練次數，計算各層的輸入；

Step4：反向計算訓練誤差，修正權值和閾值，計算誤差指標。

3 基于遺傳算法的BP網絡模型構建

3.1 模型構建思路

改進后的模型結合遺傳算法和BP神經網絡算法的優點，利用多層的前饋傳播方式進行遺傳搜索的表示方法，可以克服遺傳算法和BP神經網絡算法自身存在的缺陷，可以更好地利用BP神經網絡的學習能力，對訓練集數據集進行訓練，提高檢驗數據集預測的準確率，同時也可以利用遺傳算法的全局搜索能力強的優點，對神經網絡的網絡層、輸入層神經節點、隱含層節點、傳遞函數等方面進行優化，使神經網絡結構達到最優，實現預測準確率和效率的提高，模型構建思路如圖1所示。

圖1 模型構建思路

1）網絡層數選取

神經網絡中的網絡層和節點數會對模型的預測結果產生重要的影響，層數選取過多會導致模型的計算壓力增大，層數選取過少會導致預測結果不正確。因此，要選取合適的神經網絡層數和節點數，這樣不僅會提升改進后的BP神經網絡算法的預測效率，也會提升改進后的BP神經網絡算法的預測精度。

輸入層是算法執行的起始環節，根據預測的目的，選取不同的變量對應不同的單元，即一個單元一個變量，同時為了提高算法預測的準確性，選取部分數據作為樣本值，確定目標數據，根據數據比例選取輸入層節點數。

隱含層節點數量的確定對算法的執行最為重要，根據映射定理，將節點與映射函數對應，無限節點可對應全部映射函數，對于有限節點來說，如果隱含層節點選取較少，會影響算法的預測準確率，使得訓練時間較少，對預測規律的的學習程度不夠，但是如果隱含層選取節點過多，又會影響算法的執行效率。所以，采用遺傳算法優化隱含層的節點選取過程，利用二進制數值編碼方式表示隱含層的神經元，最后再將神經元解碼，解碼為實數，用a表示神經元存在，b表示神經元不存在，也可以看作是隱含層神經元細胞數與二進制數是相同的。

2）傳遞函數

采用S型對數作為隱含層的傳遞函數，將數據進行歸一化處理，輸入向量與輸出向量都要滿足S型對數，式（1）代表隱含層的傳遞，式（2）代表隱含層的輸出。

傳遞函數選取后，需對算法進行訓練，此時利用遺傳算法降低算法執行過程中的目標誤差值，利用遺傳算法蟻群最優個體與其它不同的個體進行交叉、變異的訓練，在變異子代中找出算法中最優的個體，將此個體作為最優個體，執行下次訓練，即算法尋找最優的過程，持續進行訓練。

在式（3）中，P*代表最優群體，P代表當前最優個體。

在改進后的BP神經網絡中，整體具有非線性映射關系，如式（4）所示。

其中，（xj，tk）表示訓練樣本，激勵函數為f，w為輸入層和隱含層的連接權值，c表示隱含層輸出權值，閾值為θ，ω=（W，C，θ）。

3.2 改進后算法流程

遺傳算法和BP神經網絡算法結合后，算法從確定初始的網絡結構出發，利用遺傳算法初始化種群數量，進行遺傳優化，確定網絡權重，并不斷地調整權重。具體算法步驟如下：

Step1：確定網絡結構；

Step2：初始化種群數量，進行遺傳優化；

Step3：獲取網絡權重，計算誤差；

Step4：調整網絡權重；

Step5：輸出結果。

4 實驗結果及分析

實驗數據選取某食品2015年1月-2019年12月價格數據組成數據集，共計1134組。在全部數據中，根據時間序列等方式篩選數據，將數據分成訓練集和樣本集，對比分析預測效果。其中，網絡輸入節點數為50，輸出節點數1，學習速率設定0.1，算法迭代次數為6000。從算法的預測效率和預測精度兩個方面分析傳統的BP神經網絡算法和改進后的BP神經網絡算法。

1）預測效率

在實驗過程中，利用相同數據量、相同數據結構的食品價格數據組，分別執行傳統的算法和改進后的神經網絡算法，采用計時的方式記錄算法的執行時長，執行時間對比分析如表1、圖2所示。

圖2 執行時間對比

表1 執行時間對比分析

實驗結果可知，結合遺傳算法改進后的BP神經網絡算法相比傳統的BP神經網絡算法在一定程度上可以節省算法的運行時間效率，可以加快算法的執行速度，提高預測的效率。

2）預測準確率

在實驗過程中，對比分析算法的預測準確率要采用相同數據量、相同數據結構的食品價格數據組，實現數據對比分析的統一化，將數據組分為樣本集和預測集兩部分，分別執行傳統算法和改進后的算法，將預測集數據與模型輸出結果對比，分析算法的準確率，算法準確率對比分析如表2、圖3所示。

圖3 算法準確率對比

表2 算法準確率對比分析

實驗結果可知，結合遺傳算法改進后的BP神經網絡算法相比傳統的BP神經網絡算法在一定程度上可以提高算法預測的準確率，使得算法在預測過程中的精確度更強，更利于神經網絡算法在實際預測問題中的應用。

5 結語

本文通過對神經網絡算法的分析，研究了神經網絡算法中普遍用于預測的BP神經網絡算法，分析傳統BP神經網絡算法的不足，利用遺傳算法對BP神經網絡進行改進，優化算法權重選取過程，提升算法的預測效率和預測精度。得到了如下結論：

1）基于遺傳算法的BP神經網絡算法與傳統的BP神經網絡算法相比，可以提高算法在預測過程中的執行時間，提高預測效率。

2）基于遺傳算法的BP神經網絡算法與傳統的BP神經網絡算法相比，可以提高算法在預測過程中的準確率，提高預測精度。