基于马氏gm(11)和bp神经网络的货运公司收益问题学位论文(6)

基本概念的引入：人工神经网络是人类在对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它是由大量的功能简单的处理单元（神经元）相互连接形成的复杂的非线性系统，是对人脑的简化，抽象和模拟。可以反映人脑的功能的许多特性。神经网络可以通过学习，形成具有一定结构的自组织系统。完成n维空间向量到m维向量的高度非线性映射。

基于误差反向传播(Back propagation)算法的多层前馈网络(Multiple-layer feedforward network, 简记为BP网络), 是目前应用最成功和广泛的人工神经网络.

4.2.3.2 模型的建立与求解

BP神经网络是由输入层, 输出层以及一个或多个隐层节点互连而成的一种多层网, 这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关

SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesTSelectionParbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbagraphFoLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointse11111111111111111111111111111111lectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraphFormatLineSpaci2222222222222222222222ngLinesToPoints2SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraphFccccccccccccccccccccccccccccccccccccccccccccccccccccccccormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraSelec

12

SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesTSelectionParbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbagraphFoLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointse11111111111111111111111111111111lectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraphFormatLineSpaci2222222222222222222222ngLinesToPoints2SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraphFccccccccccccccccccccccccccccccccccccccccccccccccccccccccormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraSelec

系, 又不致使网络输出限制在-1和1之间；隐含层应该大于等于1层。

O1 O2 Oi Om

隐含层

…… 输出层 …… (大于等于一层) W(1)…W(L)

输入层

P1P2 P3 …… Pn 图五 BP网络模型

( 3) BP神经网络的训练

BP算法通过“训练”这一事件来得到这种输入, 输出间合适的线性或非线性关系. “训练”的过程可以分为向前传输和向后传输两个阶段： [1]向前传输阶段：

①从样本集中取一个样本Pi,Qj, 将Pi输入网络；

(1)②计算出误差测度E1和实际输出Oi?FL(...(F2(F1(PW)W(2))...)W(L))； i③对权重值W(1),W(2),...WL各做一次调整, 重复这个循环, 直到?Ei??. [2]向后传播阶段——误差传播阶段： ①计算实际输出Op与理想输出Qi的差； ②用输出层的误差调整输出层权矩阵；

1m③Ei??(Qij?Oij)2；

2j?1④用此误差估计输出层的直接前导层的误差, 再用输出层前导层误差估计更

SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesTSelectionParbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbagraphFoLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointse11111111111111111111111111111111lectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraphFormatLineSpaci2222222222222222222222ngLinesToPoints2SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraphFccccccccccccccccccccccccccccccccccccccccccccccccccccccccormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraSelec

13

SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesTSelectionParbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbagraphFoLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointse11111111111111111111111111111111lectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraphFormatLineSpaci2222222222222222222222ngLinesToPoints2SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraphFccccccccccccccccccccccccccccccccccccccccccccccccccccccccormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraSelec

前一层的误差. 如此获得所有其他各层的误差估计；

⑤并用这些估计实现对权矩阵的修改. 形成将输出端表现出的误差沿着与输出信号相反的方向逐级向输出端传递的过程. 网络关于整个样本集的误差测度：

E??Eii

此即为我们所建立的BP神经网络模型。

建立模型后，我们用E类货物的申请量做预测，首先要建立训练过程，两个样本Pi是取自前29天的申请量，Qi是取自第4天到30天的申请量，Pi，Qi都是带有3个连续天数数据的向量，如：P1601,5421,1890?，数据为前三天的1??申请量，Q1??4439,1703,3232??，数据为第四天到第6天的申请量。

由模型可知，根据BP神经网络模型特点我们采用单步外推预测，实际输出

Qp的理想输出即为Qi,为了使学习达到这一目标，我们要对几个参数进行设定，我们设?=10?5，训练次数的多少我们参照下图来确定：

101Performance is 1.07559e-005, Goal is 1e-005100Training-Blue Goal-Black10-110-210-310-410-510-6020004000600011450 Epochs800010000 图六

由图中给出的数据，我们设置训练最高次数为50000次，并设置学习效率为0.01。

SelectionParagrap …… 此处隐藏：5715字，全部文档内容请下载后查看。喜欢就下载吧 ……