基于改进BP神经网络的价格预测模型研究.pdf
- 文档编号:3176778
- 上传时间:2022-11-19
- 格式:PDF
- 页数:6
- 大小:1.24MB
基于改进BP神经网络的价格预测模型研究.pdf
《基于改进BP神经网络的价格预测模型研究.pdf》由会员分享,可在线阅读,更多相关《基于改进BP神经网络的价格预测模型研究.pdf(6页珍藏版)》请在冰豆网上搜索。
第44卷第8期2013年8月东北农业大学学报JournalofNortheastA函culturalUniversity44(8):
133-137Aug2013网络出版时间201381916:
41:
00【URLhttp:
wwwcnkinetkcmsdetail231391S201308191641013html基于改进BP神经网络的价格预测模型研究孙红敏,吴静婷,李晓明(东北农业大学电气与信息学院,啥尔滨150030)摘要:
人工神经网络是一种人工智能算法,具有强大功能,可任意逼近非线性连续函数。
面对畜产品价格变化的复杂因素,文章运用MATLAB实现各种BP神经网络的设计和训练,利用改进的神经网络算法即在权值中引入动量项,输入层至隐含层的传递函数采用S型曲线,隐含层至输出层的传递函数采用线性函数,对东北地区畜产品价格进行预测。
结果显示模拟数据与实测数据拟合性很好、预测精度较高、泛化能力较好,可为畜产品价格预测提供一种全新思路和方法。
关键词:
人工神经网络;畜产品价格;预测中图分类号:
F3237文献标志码:
A文章编号:
10059369(2013)08013305孙红敏。
吴静婷,李晓明基于改进BP神经网络的价格预测模型研究【J】东北农业大学学报,2013,44(8):
133137SunHongmin,WuJingtingLiXiaomingStudyonpricepredictionmodelbasedonimprovedBPneumlnetworkJJoumalofNortheastAgriculturalUniversity,2013,44(8):
133-137(inChinesewithEnglishabstract)StudyonpricepredictionmodelbasedonimprovedBPneuralnetworkSUNHongmin,WUJingting,LIXiaoming(SchoolofElectricityandInformation,NortheastAgriculturalUniversity,Harbin150030,China)Abstract:
Artificialneuralnetworkisanartificialintelligencealgorithmwhichhaspowerfulfunction,itcanbearbitrarynonlinearcontinuousfunctionapproximationAccordingtothecomplexfactorsofanimalproductspricechanges,thispaperusesMATLABtorealizeallkindsofdesignandtrainingofBPneuralnetwork,usingtheimprovedneuralnetworkalgorithmbyintroducingthemomentumintheweightsofitems,thetransferfunctionoftheinputlayertohiddenlayerusestheStypecurve,thetransferfunctionofhiddenlayertooutputlayeruseslinearfunction,livestockproductpriceforecastingofnortheastResultsshowthatthesimulateddataandexperimentaldatafitting。
highforecastingaccuracy,generalizationabilityishigherThisstudyprovidesanewthoughtandmethodforanimalproductspricepredictionKeywords:
artificialneuralnetwork;animalproductsprice;prediction畜产品在我国畜牧业经济和国际贸易中占有重要地位,畜产品价格作为畜牧业生产成本和畜产品供求关系的具体反映,不仅与企业生产销售和经济利益相关,且与国家宏观经济政策相关,其变化是市场关注焦点n,。
如果畜产品价格下降,其前向关联产业,比如屠宰及肉类加工业、液体乳及乳制品制造业、皮革、毛皮、羽毛(绒)及其制品业,将会受到很大冲击口】。
因此,对畜产品价格进行正确预测,不仅可以作为企业及养殖户生产决策的前期准备,也可以为国家相关政策的制定提供科学依据,进而提高畜产资源的高效配置,促进畜牧产业又好又快发展。
收稿日期:
2012-0120基金项目:
国家自然科学基金(70771033);黑龙江省研究生创新科研基金项目(YJsc)【2012007HLJ)作者简介:
孙红敏(1971一),女,教授,硕士,研究方向为农业信息技术。
E-maihsunhongminlll126com万方数据东北农业大学学报第44卷目前畜产品价格预测系统中常采用的方法或模型有ARIMA模型预测、灰色系统、组合预测。
上述模型大多是通过长期时间积累预测价格趋势,不能对畜产品价格的频繁波动现象做出准确预警。
面对畜产品价格非线性、周期性、变化迅速和影响因素多、彼此之间不存在相关性等特点,本文用BP神经网络进行预测,并得出良好预测结论。
1基于BP神经的价格预测模型一般原理人工神经网络是通过模仿人脑神经元间信息传递机理所建立的一种可处理复杂系统问题的智能算法,它具有自组织学习记忆的能力,对环境变量具有较好的响应。
BP算法是非循环多级网络的训练算法。
其主要思想是将学习过程分为两个阶段:
第一阶段,在给出输入环境信息的基础上,通过隐含层的逐层传递,最终到达输出层,这一过程称为正向传播;第二阶段,在输出结果未能达到预期期望输出值时,则通过逐层递归计算各层期望与输出的误差,根据误差计算结果调整各层权重,这个过程称为反向传播或反馈”,。
通过正向传播和反馈,不断地计算误差和调节权重,最终使输出结果逐渐逼近实际值,从而完成网络的训练。
BP网络模型在误差反向传播(ErrorBackPropagation,BP)算法基础上加以改进。
网络结构也是由输入层、隐含层和输出层组成,相邻各层之间节点单方向互连,前层输入可以向后层传播,但后层输出不能向前层反馈,同一层的神经元间不互相传递信息。
如图1所示。
BP网络前层的调节主要通过后层的误差传播相连结。
具体为:
首先计算输出层的误差,由传递函数和连接权值估算前导层误差,再利用此时的误差估计更前一层的误差,如此反复获得整个网络的误差估计,完成将输出端的误差沿着与输入信号传送相反方向逐级向网络的输入端传递过程。
2网络的改进由于BP算法是基于梯度下降这个本质的,不可避免地存在以下缺点:
在训练过程中收敛速度较慢;容易早熟,即陷入局部最优;网络瘫痪的问题【5】。
解决上述问题是改进BP模型的关键。
通过在权值调整式中增加动量项的方法选择学习步长,以提高网络学习效率,从而改善网络的学习性能。
输出层隐含层输入层图1三层BP神经网络结构Fig1ThreelayerBPneuralnetworkstructure学习步长叼的选择至关重要,叼过大收敛速度快,但可能引起网络不稳定;田小可避免不稳定,但收敛速度大大减慢。
通过在权值调整式中增加动量项方法可以克服这一矛盾,加人动量项的修正公式如下:
WkWk1)
(1)n,2n,一叩i丁+丘m一J()d训:
l口=。
i一77去+七ioP)
(2)a叫:
I6=bi一叼等+后(6i一6:
-1)(3)a伽:
I其中,疙为动量项学习率。
通过对P神经网络进行改进,可以使网络有效收敛,大大提高网络的收敛速度和泛化能力。
3BP网络的建立31数据预处理数据与处理目的:
(1)为了消除向量间的量纲差异,确保各因子之间具有可比性或同等地位;
(2)加快网络在训练过程中的收敛速度;(3)防止数据溢出。
在训练、测试以及模拟之前都需要将样本集进行数据归一化处理。
归一化通常有3种:
线性、正切和反余切。
在Matlab神经网络工具箱中,归一化和反归一化函数有3种:
premnmx、postmnmx和tramnmx函数将数据归一化到(一1,1)之间。
其中,premnmx是初步建立的归一化函数,tramnmx是直接利用premnmx已建立好的归一化模型对下一组数据归一化,postmnmx是反归一化函万方数据第8期孙红敏等:
基于改进BP神经网络的价格预测模型研究135数;prestd、poststd、trastd,与上述类似,只是归一化之后数据分布在(0,1)之间;mapminmax函数具有归一化和反归一化的功能,但须对其语法进行改变,归一化的结果也是在(O,1)之间。
归一化处理可以使收敛速度更快,计算结果更精准。
为提高首先速度和性能,采用如下的归一化方法(见式(4),反归一化与之相反。
rq,:
)=rainmax(b)(4)其中,bU,k)=(PO,|
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 BP 神经网络 价格 预测 模型 研究