基于太阳黑子的BP网络的研究

2016-06-16徐香坤徐化冰沈阳工学院经济与管理学院渤海船舶职业学院动力工程系

数码世界 2016年6期

关键词：太阳黑子神经网络样本

徐香坤　徐化冰.沈阳工学院经济与管理学院.渤海船舶职业学院动力工程系

基于太阳黑子的BP网络的研究

徐香坤1徐化冰2
1.沈阳工学院经济与管理学院2.渤海船舶职业学院动力工程系

摘要：本文研究如何利用BP神经网络建立基于神经元网络的非线性时间序列预测模型。通过对太阳黑子非线性时间序列数据集进行了仿真实验，对预测的结果进行了分析，实验结果表明，模型具有较高的精度，可以对非线性时间序列进行稳定的、准确的预测。

关键字：非线性时间序列预测神经元网络

1　神经元网络概述

神经网络是指由大量与生物神经系统的神经细胞相类似的神经元互连而成的网络，这种神经网络具有某些智能和仿人的功能。人工神经网络是对人脑的一种模拟，具有高速信息处理的能力。根据不同的连接方式，可以得到不同种类的网络。各神经元之间的连接强度是由神经网络内部加权系数所决定的。

2　神经网络预测模型的构建

本节利用BP网络进行非线性时序建模与预测的过程，并对太阳黑子年平均活动数进行建模与预测实验。

2.1确定网络类型和结构

神经网络模型从不同角度进行划分，可以划分为有教师的学习网络与无教师的学习网络、神经网络可大致分成层状的和网状的等。本文选用了一个三层的BP神经网络，隐含层的转移函数是tansig，输出层的转移函数是purelin，训练算法是trainlm，即LM算法。

2.2BP网络学习的过程

BP算法是一种用于多层前馈神经网络的学习算法，由输入层、隐含层和输出层组成。层与层之间采用全互连方式，隐含层可以有一个或多个。其基本思想是基于widrow-Hoff规则的LMS算法，利用实际输出与期望输出之差对网络的各层连接权由后向前逐层进行校正的一种计算方法，使得网络的实际输出值与其期望输出的均方差最小。BP网络的学习过程包括两个阶段：第一阶段是由前向后计算过程，第二阶段是误差反向传播的过程。

2.3实验过程及结果分析

本文选用了太阳黑子年平均活动数时间序列建立预测模型，通过神经网络预测模型的实验结果进行分析，验证其有效性。

（1）太阳黑子年平均活动数序列神经网络模型的建立

太阳黑子年平均活动数时间序列是典型的非线性时间序列，这里用240个太阳黑子年平均活动数作为样本来建立BP网络模型。

（2）实验过程

本文考虑对240个太阳黑子年平均活动数进行一步预测，并选取预测步长为5，

即：

经过预处理的240个太阳黑子样本组成了235个模式对，用其中的35个模式对作为训练集，其余200个模式对作为测试集。

具体的Matlab建模步骤如下：训练集的输入样本导入Matlab，保存为taiyang_train

作为样本训练集的输入文件；将与其对应的输出值导入Matlab，保存为zhenshi _train，作为样本训练集的输出文件；剩余的200个样本模式对导入Matlab，保存为taiyang_test，作为样本测试集；设置网络结构、参数和激发函数；网络训练和测试。

（3）实验结果及分析

35个训练样本BP网络的训练，确定最佳的网络结构、不断地改变参数来达到最好的训练效果，在MATLAB中进行训练的过程中选用合理的参数，经过44 次学习获得了最佳训练结果，其中学习速率为0.01，最大学习步长为1000，学习目标为0.0001，隐含层为7个神经元。通过实验可看出，网络输出值和真实值的曲线几乎完全重合，说明建立的BP神经网络对该例具有很好的拟合效果。在经过训练的网络上对测试集中的数据进行测试。输出的为相应的预测值。测试集的预测结果与实际值比较所得到的结果，可以看出预测总的趋势是对的，只是在峰值上误差大些。