基于人工神经网络的预测原理及MATLAB实现.pdf

内江师范学院学报第22卷第2期

·38·JOURNALOFNEIJIANGTEACHERSCOLLEGENo.2Vol.22

基于人工神经网络的预测原理及MATLAB实现
匡胤1,2

(1.内江师范学院计算机与信息科学系,四川内江641112;
2.内江师范学院网络应用项目开发重点实验室,四川内江641112)

摘要:为了提高科研项目评估的客观性和公正性,选用BP网络为模型,利用逆向建模技术和MATLAB
实现了“科研项目选题决策综合模糊评估系统”.测试数据表明该系统能较准确地对科研项目作出评估得分.
关键词:人工神经网络;预测原理;逆向建模;BP网络;MATLAB
中图分类号:TP183文献标识码:A文章编号:1671-1785(2007)02-0038-03

在系统建模、辨识、预测等应用中,对于线性辨识的系统并联,两者的输出误差用做网络的训
系统,在频域,传递函数矩阵可以很好地表达系统练信号.显然,这是一个典型的有教师学习问题.
的黑箱式输入/输出模型;在时域,利用自回归滑实际系统作为教师,向神经网络提供算法所需的
动平均(ARMA)模型通过各种参数估计方法,也期望输出.当系统是被控对象或传统控制器时,神
可以给出系统输入/输出的描述,比较完美的解决经网络一般采用多层前向网络的形式,可直接选
了线性系统预测问题.对于非线性系统,一般采用用BP网络或它的各种变形.而当系统为性能评价
基于非线性自回归滑动平均(NARMA)模型进行器时,则可选择再励学习算法,这时既可以采用具
预测.但是,很难为这种模型找到一个恰当的参数有全局逼近能力的网络,如多层感知器,也可选用
估计方法.因此,传统的非线性系统的辨识,在理具有局部逼近能力的网络,如小脑模型关节控制
论研究和实际应用方面都存在极大的困难.器(CMAC)等[2].
相比之下,神经网络在这方面显示出了明显1.2逆向建模
的优越性.由于神经网络具有通过学习逼近任意建立动态系统的逆模型,在神经网络控制中
非线性映射的能力,将神经网络应用于非线性系起着关键作用,并且得到了特别广泛的应用.其中
统的建模与辨识中,可以不受非线性模型的限制,比较简单的是直接逆建模法.
便于给出工程上易于实现的学习算法[1].直接逆建模也称为广义逆学习.从原理上说,
这是一种最简单的方法.拟预测的系统输出作为
1基于人工神经网络的预测原理及建模技术
网络的输入,网络输出与系统输入比较,相应的输
目前在系统建模与预测中,应用最多的是静入误差用于训练,因此网络将通过学习建立系统
态的多层前向神经网络,这主要是因为这种网络的逆模型.但是如果所辨识的非线性系统是不可
具有逼近任意非线性映射的能力.利用静态的多逆的,利用上述方法,将得到一个不正确的逆模
层前向神经网络建立系统的输入/输出模型,本质型.因此,在建立系统逆模型时,可逆性应该事先
上就是基于网络逼近能力,通过学习获知系统差有所保证.
分方程中的位置非线性函数.
2利用人工神经网络求解问题的一般步骤
1.1正向建模
正向建模是指训练一个神经网络表达系统正在实际应用中,面对一个具体的问题时,首先
向动态的过程,这一过程建立的神经网络模型称需要分析利用神经网络求解问题的性质,然后依
为正向模型.在正向模型的结构中,神经网络与待据问题特点,确定网络模型.最后通过对网络进行

收稿日期:2006-06-21
基金项目:四川省教育厅自然科学类重点项目(2004A176);四川省教育厅青年基金资助项目(2005B043)
作者简介:匡胤(1974-),男,四川内江人,内江师范学院讲师,硕士.研究方向:网络安全,智能计算.
2007年4月匡胤:基于人工神经网络的预测原理及MATLAB实现·39·

训练、仿真等,检验网络的性能是否满足要求.这家小组评估的方式完成,具有一定主观性,缺乏一
一过程一般包括:个统一、客观的尺度.因此,开发一个“科研项目选
2.1确定信息表达方式题决策综合模糊评估系统”,对申报的科研项目进
将领域问题及其相应的领域知识转化为网络行预测、评估,给专家小组提供参考意见,具有重
可以接受并处理的形式,即将领域问题抽象为适要意义.
合于网络求解的某种数据形式.为了充分体现出“模糊”的特性,系统采用人
2.2网络模型的确定工神经网络来实现该功能.BP网络由于结构简
主要是根据问题的实际情况,选择模型的类单,具有较强非线性映射能力,是神经网络中应用
型、结构等.另外,还可在典型网络模型的基础上,非常广泛的一种模型,因此选用BP网络来实
结合问题的具体情况,对原网络进行变形、扩充现[3-5].
等,同时还可以采用多种网络模型的组合形式.4.1输入/输出向量设计
2.3网络参数的选择对于项目申报人,从所在单位、年龄、职称、学
确定网络输入/输出神经