基于智能优化的神经网络数值预测方法研究
2016-04-12翟龙飞陈迎春杨冲贾波
翟龙飞 陈迎春 杨冲 贾波
【摘要】 本文基于短波信号接收信噪比预测数据对BP网络、GA+BP网络和PSO+BP网络分别在不同数据量的情况下进行仿真实验,然后以均方误差和训练时间为性能参考选出最优的GA+BP网络算法,最终将该算法应用于短波信号接收信噪比预测系统。
【关键词】 数值预测 神经网络 系统仿真
一、构建神经网络
1.1数据的采集
本预测系统的训练和预测数据是基于短波测量管理调度系统数据库。利用Matlab与SQL Server对接,然后在Matlab环境下从短波测量管理调度系统数据库中选取训练所需的6个输入变量:信号频率,信号幅度,信号带宽,信号调制方式,天线仰角和侦测时间(月、日、时、分)和1个输出变量:信噪比。
1.2数据的预处理
选取完训练数据后,对输入数据进行归一化处理,将其规整到一个范围区间,使得各变量之间具有相同地位,避免经过神经网络sigmoid传输函数误差震荡问题。然后针对归一化处理后的数据,选取一定时间段内的局部数据作为训练数据,进行数据的降维处理。最后用GA或PSO优化BP时,因为前面选取的是当前月份的数据,所以月份值一样,导致输入层月份值和隐层的连接权值无效,故应剔除掉月份值,否则产生的权值数与网络的权值数不一致。
1.3确定网络的隐层节点数
目前没有较好的确定隐层节点数的方法,主要用试凑法仿真比较和遗传算法全局寻优两种方法综合确定:单隐层,且隐层节点数为14。
1.4构建神经网络
在此设网络的隐层节点数为14,用newcf生成网络:
net = newcf(p2,t2,14,{‘tansig,purelin},trainlm); % 1个隐层
1.5 数据的保存
当短波信号接收信噪比预测后,要通过Matlab将预测值存入到SQL Server中的短波测量管理调度系统数据库。
二、仿真结果
三、系统测试
3.1系统测试及分析
在短波信号接收信噪比预测系统中,分别对BP网络、GA+BP网络和PSO+BP网络进行测试得表2中数据:
结果分析:因为这里的训练时间包括程序在系统中的运行时间和网络的训练时间,所以相较在MATLAB环境下进行的仿真实验,训练时间都长一些。由于系统测试时,会受到其他因素的影响,均方误差MSE也比MATLAB环境下进行的仿真实验时要大。但在系统测试中比较三种网络性能可以得出相同的结论:综合训练时间、MSE大小以及MSE的稳定性,GA+BP网络更适合于短波信号接收信噪比预测系统。