改进的神经网络算法在预测方法中研究与应用*

2023-01-06邬希可

计算机与数字工程 2022年10期

邬希可

（华南理工大学工商管理学院广州 510000）

1 引言

神经网络是深度学习的基础，是以人脑中的神经网络作为启发，由大量的神经元相互连接，模仿生物学神经网络结构和功能的数学模型和计算模型。神经网络包括多种算法，其中BP神经网络是目前应用最广泛的神经网络之一，主要是按照误差逆向传播算法训练的多层前馈网络，可以有效学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，可以有效地应用于预测过程中。

分析目前专家学者对BP神经网络的研究可知，文献［1～4］将BP神经网络中的学习率调整为自适应的结构，以此加快网络的收敛速度，主要是在传统BP神经网络算法上对时变过程参数的神经元网络进行改进，但对算法的局部最小问题和预测效果方面考虑的较少。文献［5］提出最佳学习因子引入BP神经网络算法中，提升算法在执行过程中的收敛速度，达到减少网络训练步骤的目的，但是此种研究对算法执行中的极小点问题没有解决，而且改进较局限，并且在预测应用中效果不理想。文献

［6～7］利用极限学习机的方法增加结构型反馈网络，使得算法的学习速度加快，以致提升算法的预测效率，但是对预测精度考虑的较少，而且如果数据输入过多，仍然会造成算法执行过慢的现象。部分文献［8～10］针对BP神经网络算法的隐含层进行改进，改进隐含层选权重的过程，提升算法的执行效率，从而实现预测效率的提升。

综上所述，目前对神经网络算法中的BP神经网络算法研究较多，可利用BP神经网络算法实现预测的目的，但是目前对BP神经网络算法的改进有局限性，对网络参数的考虑较少，对算法预测的效率和精度的提升效果不强。

2 BP神经网络算法结构及流程

BP神经网络是由三层及以上的网络构成的，每层网络都含有许多的神经元，网络中的左侧和右侧神经元相连即可构成复杂的神经网络［11～13］。BP神经网络包括输入层、隐含层、输出层，原始的数据利用输入层输入，经过隐含层的处理，将结果传送到输出层，输出层再利用误差反传的方式对网络的参数权重进行调节，最终使得输入值和期望值相接近［14～15］。输出层再通过误差反传的方式调节不同参数的权重，进而使输入值更逼近期望值，实现不断对神经网络调节的目的，但是传统的BP神经网络算法隐含层权值的选取存在不完善的地方，会影响算法的预测效率和精确度。

BP神经网络算法主要为以下步骤：

Step1：确定模型参数；

Step2：确定模型的输入量和期望输出量；

Step3：训练网络，设定训练次数，计算各层的输入；

Step4：反向计算训练误差，修正权值和阈值，计算误差指标。

3 基于遗传算法的BP网络模型构建

3.1 模型构建思路

改进后的模型结合遗传算法和BP神经网络算法的优点，利用多层的前馈传播方式进行遗传搜索的表示方法，可以克服遗传算法和BP神经网络算法自身存在的缺陷，可以更好地利用BP神经网络的学习能力，对训练集数据集进行训练，提高检验数据集预测的准确率，同时也可以利用遗传算法的全局搜索能力强的优点，对神经网络的网络层、输入层神经节点、隐含层节点、传递函数等方面进行优化，使神经网络结构达到最优，实现预测准确率和效率的提高，模型构建思路如图1所示。

图1 模型构建思路

1）网络层数选取

神经网络中的网络层和节点数会对模型的预测结果产生重要的影响，层数选取过多会导致模型的计算压力增大，层数选取过少会导致预测结果不正确。因此，要选取合适的神经网络层数和节点数，这样不仅会提升改进后的BP神经网络算法的预测效率，也会提升改进后的BP神经网络算法的预测精度。

输入层是算法执行的起始环节，根据预测的目的，选取不同的变量对应不同的单元，即一个单元一个变量，同时为了提高算法预测的准确性，选取部分数据作为样本值，确定目标数据，根据数据比例选取输入层节点数。

隐含层节点数量的确定对算法的执行最为重要，根据映射定理，将节点与映射函数对应，无限节点可对应全部映射函数，对于有限节点来说，如果隐含层节点选取较少，会影响算法的预测准确率，使得训练时间较少，对预测规律的的学习程度不够，但是如果隐含层选取节点过多，又会影响算法的执行效率。所以，采用遗传算法优化隐含层的节点选取过程，利用二进制数值编码方式表示隐含层的神经元，最后再将神经元解码，解码为实数，用a表示神经元存在，b表示神经元不存在，也可以看作是隐含层神经元细胞数与二进制数是相同的。

2）传递函数

采用S型对数作为隐含层的传递函数，将数据进行归一化处理，输入向量与输出向量都要满足S型对数，式（1）代表隐含层的传递，式（2）代表隐含层的输出。

传递函数选取后，需对算法进行训练，此时利用遗传算法降低算法执行过程中的目标误差值，利用遗传算法蚁群最优个体与其它不同的个体进行交叉、变异的训练，在变异子代中找出算法中最优的个体，将此个体作为最优个体，执行下次训练，即算法寻找最优的过程，持续进行训练。

在式（3）中，P*代表最优群体，P代表当前最优个体。

在改进后的BP神经网络中，整体具有非线性映射关系，如式（4）所示。

其中，（xj，tk）表示训练样本，激励函数为f，w为输入层和隐含层的连接权值，c表示隐含层输出权值，阈值为θ，ω=（W，C，θ）。

3.2 改进后算法流程

遗传算法和BP神经网络算法结合后，算法从确定初始的网络结构出发，利用遗传算法初始化种群数量，进行遗传优化，确定网络权重，并不断地调整权重。具体算法步骤如下：

Step1：确定网络结构；

Step2：初始化种群数量，进行遗传优化；

Step3：获取网络权重，计算误差；

Step4：调整网络权重；

Step5：输出结果。

4 实验结果及分析

实验数据选取某食品2015年1月-2019年12月价格数据组成数据集，共计1134组。在全部数据中，根据时间序列等方式筛选数据，将数据分成训练集和样本集，对比分析预测效果。其中，网络输入节点数为50，输出节点数1，学习速率设定0.1，算法迭代次数为6000。从算法的预测效率和预测精度两个方面分析传统的BP神经网络算法和改进后的BP神经网络算法。

1）预测效率

在实验过程中，利用相同数据量、相同数据结构的食品价格数据组，分别执行传统的算法和改进后的神经网络算法，采用计时的方式记录算法的执行时长，执行时间对比分析如表1、图2所示。