基于人工神经网络的预测,神经网络做预测问题

如何人工神经网络来预测下一个数值

newff函数建立BP神经网络，历史数据作为样本，例如前n个数据作为输入，输入节点为n。当前数据作为p，输出节点为1。隐层节点根据试凑法得到。

通过matlab的train函数，得到训练好的BP神经网络。再将当前预测点的前n个数据作为输入，输出即为当前的预测值。

谷歌人工智能写作项目：神经网络伪原创

请问：如何用人工神经网络来进行预测？ 35

用第1月到第25月的输入数据，和第1月到第25月的输出数据作为网络的训练数据，然后将你第26月的对应的输入作为网络的输入，就可以得出第26月的输出文案狗。

你可以在网上下个别人使用过的神经网络的模板或工具箱，修改成自己需要的就是了。

BP人工神经网络预测 15

完全可以，神经网络就是这样用的，极其适用于描述难以给出具体的数学表达式的非线性映射。通过历史样本对网络的训练，可以使网络映射该非线性关系，从而进行可靠性很高的预测。

可以使用BP、Elman、RBF网络，这些网络效果较好。建议使用MATLAB编程，较为方便，因为该数学软件包含神经网络工具箱。如果你装了Matlab，可以运行下附件的例子试一下。

怎样用人工神经网络法预测二维色谱柱效？如题谢谢了

摘要二维柱色谱系统是近年来迅速发展的新型色谱方法，柱效与主要影响因素的关系难以用传统方法建立定量模型。

本文采用基于变步长BP算法的人工神经网络，对高效微填充柱──毛细管柱构成的二维柱色谱系统建立了柱效与影响因素的权接拓朴模型，并用于柱效预测和操作条件优化中，取得了较好的效果。

1、前言现代气相色谱已广泛采用了毛细管柱，毛细管柱的分离效能高但柱容量低，直接进样极易造成进样过量，柱管也易被样品中的高沸点组分玷污。

因此，比较理想的方法是在毛细和柱前串接一支短填充柱，构成二维柱色谱系统。

由于二维柱色谱便于实现中心切割、溶剂切割、反吹等切换操作，有利于痕量杂质的测定、有利于保护主柱，并且可简化样品的预处理过程，故近年来这种新型的色谱方法发展十分迅速。

自八十年代起，中科院大连化物所国家色谱研究分析中心对二维柱色谱进行了大量研究工作，卢佩章院士开创性地提出了微填充柱──毛细管柱直接连接的新型系统。

根据这一思想，国振双等以美国PE公司SIGMAI气相色谱仪为基础，在原汽化室中安装了自行研制的高效微填充预柱与石英毛细管柱直接相连接，将一维柱色谱改装为二维柱色谱系统。

并以正构烷烃为样品建立了双柱系统的柱效评价实验方法，指出二维柱色谱系统的柱效主要由预柱柱温、主柱柱温、预柱间压差、预柱与主柱间的放空量所决定，但未建立柱效与因素之间的数学关系。

实际上，这种关系较为复杂，并不能找到一个简单的函数式来表示，如果用传统的建模方法来研究，通常难以奏效。

人工神经网络（ArtificialNeuralNetwork，简称ANN）是近年来迅速发展的研究热点，在生物科学、自动控制、化学工程等领域取得了很大的应用进展。

它是一种新型的黑箱方法，不需要了解输入输出之间的相互关系，其自学习功能能够“记忆”样本所含的信息，网络只是根据训练样本的数据来自动寻找相互关系，给所研究的系统以具体的数学表达，从而使系统的定量化优化和预测成为可能；并且由于其并行计算的性质，计算量不会因为维数增加而发生指数“爆炸”。

在研究系统内复杂关系的建模问题上，人工神经网络显示出其独特的优越性。

2、变步长BP算法人工神经网络我们采用的目前应用比较成熟且应用最广泛的三层BP神经网络模型，它能将样本的输入输出问题转化为一个非线性的优化问题，是从大量实验数据中总结规律的有力手段。

BP网络是由输入层、输出层和隐层所组成的前向连接模型，同层各节点互不连接，相邻层的节点通过权连接。输入层各点的输入信号经权重耦合到隐层的各点，由作用函数f(x)转换后再耦合到输出层的各点。

将输出信号与学习样本的目标数值进行比较，两者之间的误差利用“反传算法（BackpropagationLearningAlgorithm）”沿原连接通道返回，通过修改各层节点的连接权重，使误差达到最小。

权重修改公式为：式中：W为权重；t为训练次数；h和α分别为学习步长和记忆常数。

当所有样本输出值与目标期望值的之间的均方差RMS值满足要求时，停止迭代，网络训练完毕，各节点的连接权值就固定下来，同时也就得到了所研究对象的输入输出之间的拓朴关系，即建立了两者之间的数学定量关系。

利用训练好的网络即可方便地进行新样本的预测。

由于经典的BP算法存在着收敛速度慢、有局部最小问题等缺点，人们对其提出了一些改进方法，如添加惯性冲量、批处理学习样本、跳跃学习以及动态调整学习步长和记忆常数等。

我们所采用的是变步长ＢＰ算法，主要改进之处在于：（１）引入动态步长技术：根据样本的训练情况动态地增大或减小学习步长h。

在样本学习过程中，当RMS减小时自动增大h值（乘以一个大于1的常数因子a）；而当RMS增大时自动减小h值（乘以一个小于1的常数因子b）。

在一般情况下，常数a和b值的选取应使得（1-b）的值比（a-1）略大一些。

（２）加入偏置以稳定网络；3、样本及网络模型参数的选取3.1训练样本集及预测集的组织实验数据组成训练样本集与预测集。其中训练样本数为22个，预测集样本数为3个。

以预柱柱温、主柱柱温、预柱间压差、预柱与主柱间的放空量四个因素为输入向量，作为衡量柱效指标的二维柱色谱系统有效塔板数N为输出向量（教师信号）。

3.2变步长BP网络参数我们所采用的网络为带一个配置节点的4-6-1体系；学习步长h初值为0.2，记忆常数α为0.5；步长调整因子a取1.02，b取0.96；传递作用函数f(x)取Sigmoid函数，即：表1变步长BP神经网络训练样本及预测样本序号类别输入向量输出向量预柱柱温（℃）主柱柱温（℃）预柱间压差（kPa）柱间放空量（mL/s）塔板数N1训练样本1406084951.1呵呵1.73140100122104.7416060102138.55160801241108.76160100832482.8718060123838.681808082726.5918010010412064.910180120103.315809.11112012033.3161621212012053.3152841312012073.3109781412012093.31049815120120113.31315016120120133.375621712012083.393491812012082.528961912012082.06482012012081.52892112012081.01082212012080.57523预测样本18010010513707.724180100103.313931.225180120103.315809.1由于研究的样本中最大最小值相差较大，而Sigmoid函数要求输入值范围在-2~+2之间、输出值范围在0~1之间，这样才能保证网络对样本具有足够的敏感性和良好的拟合性。

样本训练开始前，先用对数标准化方法将输入向量归一化至-2~+2之间、输出向量归一化至0~+1之间，对数标准化的方程为（设向量为V0，标准化合的向量为V）：（A和B的值由程序根据归一化目标自动求算）采用随机数矩阵进行权值矩阵的初始化，设置随机数生成器的最大最小输出为-3和+3。

值得注意的是，这里目标误差的设置是对于已标准化的数据而言的，在标准化数据还原时可能会导致误差的放大。

4、人工神经网络的训练和预测4.1变步长BP网络的训练设置网络的目标误差为0.05（这是通常情况所采用的值），利用VisualBasic编写的程序进行样本的训练，运行平台为Windows95，机型为Pentium166、16M内存。

经过约230秒的迭代运算，RMS值小于目标误差（注意此时是对已标准化的数据而言），网络训练完毕程序输出各种结果参数。此时对于每一样本，网络的输出值对目标值（实验值）的误差都基本小于目标误差0.05。

这样，我们就建立了二维柱色谱柱效与其四个影响因素之间的BP神经网络模型，这个模型是一个定量化了的拓朴权接模型，为进一步预测和优化提供了数学依据。

4.2利用BP神经网络进行柱效预测从数据可以看出，在进行不同因素条件下的柱效预测时，标准化向量的误差均小于网络训练的目标误差0.05；这说明神经网络较好地记忆了所学习样本中蕴藏的信息，训练完毕的网络较好地反映了二维柱色谱柱效（以有效塔板数来表示）与四个主要影响因素之间的定量关系。

另一方面，正如前面第2节所述，在对标准化（归一化）向量作还原时，可能会导致误差的放大，这也正是24号样本相对误差会达20%的原因，对实际的微填充柱──毛细管柱二维色谱系统，由于其本身的柱效很高，这样的误差还是可以接受的。

而且，这种误差应该还含有实验本身误差的因素在内。实际上，预测集中的样本是取自在前期实验基础上进一步寻优实验的数据。

根据小区间的进一步寻优试验，根据所得的有效塔板数的多少确定了实验所用的二维柱色谱系统其最佳操作条件为25号样本对应的操作条件：预柱温180℃、主柱温为120℃，预柱前压为10kPa，预柱和主柱间的放空量为3.3mL/s。

如果我们依据BP神经网络的预测结果，同样可以发现，25号样本的目标输出最大，其对应的操作条件应为最佳操作条件，两者结果完全一致。

5、结论（1）BP算法人工神经网络具有自组织、自学习和自适应能力，具有模拟多种函数的能力，包括非线性函数和分段函数等。

在用于预测二维柱色谱系统的柱效时，BP网络对样本元素间的复杂关系用权接拓朴结构进行了较好的摸拟，训练好的网络在预测不同条件下二维柱色谱系统的有效塔板数、优化二维柱色谱系统操作条件时，结果基本与实验值一致，预测精度较高，证明了方法的可行性。

（2）针对经典BP网络收敛速度慢、有局部最小问题的缺点，引入了变步长技术。实践证明这种根据样本学习情况动态地改变学习步长的方法有效地改善了收敛特性和速度。

（3）BP网络的样本组织，并不需要满足某种特定的条件。例如散布于文献中的数据资料、不够系统性的有残缺性的数据等只要准确可靠，都可以作为训练的样本。

（4）当然，BP网络的应用必须基于一定数量准确可靠的输入输出数据对组成的训练样本。

这就是说，BP算法作为一种有导师学习算法，适合于应用在有数据资料积累但不易用一般数学方法分析得到定量关系的场合，而不适合于资料严重缺乏的场合。详情请参考国家标准物质网。

BP人工神经网络方法

（一）方法原理人工神经网络是由大量的类似人脑神经元的简单处理单元广泛地相互连接而成的复杂的网络系统。理论和实践表明，在信息处理方面，神经网络方法比传统模式识别方法更具有优势。

人工神经元是神经网络的基本处理单元，其接收的信息为x1，x2，…，xn，而ωij表示第i个神经元到第j个神经元的连接强度或称权重。

神经元的输入是接收信息X＝（x1，x2，…，xn）与权重W＝｛ωij｝的点积，将输入与设定的某一阈值作比较，再经过某种神经元激活函数f的作用，便得到该神经元的输出Oi。

常见的激活函数为Sigmoid型。

人工神经元的输入与输出的关系为地球物理勘探概论式中：xi为第i个输入元素，即n维输入矢量X的第i个分量；ωi为第i个输入与处理单元间的互联权重；θ为处理单元的内部阈值；y为处理单元的输出。

常用的人工神经网络是BP网络，它由输入层、隐含层和输出层三部分组成。BP算法是一种有监督的模式识别方法，包括学习和识别两部分，其中学习过程又可分为正向传播和反向传播两部分。

正向传播开始时，对所有的连接权值置随机数作为初值，选取模式集的任一模式作为输入，转向隐含层处理，并在输出层得到该模式对应的输出值。每一层神经元状态只影响下一层神经元状态。

此时，输出值一般与期望值存在较大的误差，需要通过误差反向传递过程，计算模式的各层神经元权值的变化量。这个过程不断重复，直至完成对该模式集所有模式的计算，产生这一轮训练值的变化量Δωij。

在修正网络中各种神经元的权值后，网络重新按照正向传播方式得到输出。实际输出值与期望值之间的误差可以导致新一轮的权值修正。正向传播与反向传播过程循环往复，直到网络收敛，得到网络收敛后的互联权值和阈值。

（二）BP神经网络计算步骤（1）初始化连接权值和阈值为一小的随机值，即W（0）＝任意值，θ（0）＝任意值。（2）输入一个样本X。

（3）正向传播，计算实际输出，即根据输入样本值、互联权值和阈值，计算样本的实际输出。

其中输入层的输出等于输入样本值，隐含层和输出层的输入为地球物理勘探概论输出为地球物理勘探概论式中：f为阈值逻辑函数，一般取Sigmoid函数，即地球物理勘探概论式中：θj表示阈值或偏置；θ0的作用是调节Sigmoid函数的形状。

较小的θ0将使Sigmoid函数逼近于阈值逻辑单元的特征，较大的θ0将导致Sigmoid函数变平缓，一般取θ0＝1。

（4）计算实际输出与理想输出的误差地球物理勘探概论式中：tpk为理想输出；Opk为实际输出；p为样本号；k为输出节点号。

（5）误差反向传播，修改权值地球物理勘探概论式中：地球物理勘探概论地球物理勘探概论（6）判断收敛。若误差小于给定值，则结束，否则转向步骤（2）。

（三）塔北雅克拉地区BP神经网络预测实例以塔北雅克拉地区S4井为已知样本，取氧化还原电位，放射性元素Rn、Th、Tc、U、K和地震反射构造面等7个特征为识别的依据。

构造面反映了局部构造的起伏变化，其局部隆起部位应是油气运移和富集的有利部位，它可以作为判断含油气性的诸种因素之一。

在该地区投入了高精度重磁、土壤微磁、频谱激电等多种方法，一些参数未入选为判别的特征参数，是因为某些参数是相关的。

在使用神经网络方法判别之前，还采用K-L变换（Karhaem-Loeve）来分析和提取特征。S4井位于测区西南部5线25点，是区内唯一已知井。

该井在5390.6m的侏罗系地层获得40.6m厚的油气层，在5482m深的震旦系地层中获58m厚的油气层。

取S4井周围9个点，即4～6线的23～25点作为已知油气的训练样本；由于区内没有未见油的钻井，只好根据地质资料分析，选取14～16线的55～57点作为非油气的训练样本。

BP网络学习迭代17174次，总误差为0.0001，学习效果相当满意。以学习后的网络进行识别，得出结果如图6-2-4所示。

图6-2-4塔北雅克拉地区BP神经网络聚类结果（据刘天佑等，1997）由图6-2-4可见，由预测值大于0.9可得5个大封闭圈远景区，其中测区南部①号远景区对应着已知油井S4井；②、③号油气远景区位于地震勘探所查明的托库1、2号构造，该两个构造位于沙雅隆起的东段，其西段即为1984年钻遇高产油气流的Sch2井，应是含油气性好的远景区；④、⑤号远景区位于大涝坝构造，是yh油田的组成部分。