数学建模神经网络预测模型及程序.doc

年 份
(年) 1(1988) 2(1989) 3(1990) 4(1991) 5(1992) 6(1993)
7(1994) 8(1995)
实际值
(ERI) 0.1093 0.1110 0.1127 0.1141 0.1154 0.1164 0.1171 0.1175
年 份
(年) 9(1996) 10(1997) 11(1998) 12(1999) 13(2000) 14(2001)
15(2002) 16(2003)
实际值
(ERI) 0.1178 0.1179 0.1179 0.1179 0.1179 0.1180 0.1182 0.1185

BP 神经网络的训练过程为: 先用1988 年到2002 年的指标历史数据作为网络的输入,用1989 年到2003 年的指标历史数据作为网络的输出,组成训练集对网络进行训练,使之误差达到满意的程度,用这样训练好的网络进行预测.
采用滚动预测方法进行预测:滚动预测方法是通过一组历史数据预测未来某一时刻的值,然后把这一预测数据再视为历史数据继续预测下去,依次循环进行,逐步预测未来一段时期的值. 用1989 年到2003 年数据作为网络的输入,2004 年的预测值作为网络的输出. 接着用1990 年到2004 年的数据作为网络的输入,2005 年的预测值作为网络的输出.依次类推,这样就得到2010 年的预测值。
目前在BP 网络的应用中,多采用三层结构. 根据人工神经网络定理可知,只要用三层的BP 网络就可实现任意函数的逼近. 所以训练结果采用三层BP模型进行模拟预测. 模型训练误差为0.00001,隐层单元数选取8个,学习速率为0.05,动态参数0.6,Sigmoid参数0.9,最大迭代次数3000.运行3000次后,样本拟合误差等于0.00021。
P=[。。。];输入T=[。。。];输出

% 创建一个新的前向神经网络
net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm')

% 当前输入层权值和阈值
inputWeights=net_1.IW{1,1}
inputbias=net_1.b{1}
% 当前网络层权值和阈值
layerWeights=net_1.LW{2,1}
layerbias=net_1.b{2}

% 设置训练参数
net_1.trainParam.show = 50;
net_1.trainParam.lr = 0.05;
net_1.trainParam.mc = 0.9;
net_1.trainParam.epochs = 10000;
net_1.trainParam.goal = 1e-3;

% 调用 TRAINGDM 算法训练 BP 网络
[net_1,tr]=train(net_1,P,T);

% 对 BP 网络进行仿真
A = sim(net_1,P);
% 计算仿真误差
E = T - A;
MSE=mse(E)

x=[。。。]';%测试
sim(net_1,x)

既然题目说的是预测，那么倒数第二行的代码x=[。。。]';%测试，x的值怎么确定呢，是不是题目从所给的数据中随便选一组作为测试啊？顺便问一下，为什么要有这个x呢？对未来的预测和这个x有什么关系啊

sim(net_1,x)

net_1是已经训练好的网络（用的是1988-2003的数据）
从题目知道网络的输入-输出数据是这样产生的
输入P 对应输出T
1988-2002--->2003
1989-2003--->2004
1990-2004--->2005
…………
1994-2008--->2009
以上构成了1994-1988+1＝7组输入输出对。
利用P/T进行训练，训练成功（一般还要设一个确认集进行泛化能力的检测，光是训练误差小是不行的）后。sim(net_1,x)这是对网络进行仿真。在这个仿真函数中，给一个输入，（类似训练时用的输入P,列数可以不同，但行数必须一样），网络就给出你想要的输出。
而这个x就是你最后要进行的预测的输入。由于你预测的是2010年的值，那么输入就是为1995-2009,这样“按道理”，网络就给出了2010年的值
明白没？

P=[1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16];
T=[0.1093 0.1110 0.1127 0.1141 0.1154 0.1164 0.1171 0.1175 0.1178 0.1179 0.1179 0.1179 0.1179 0.1180 0.1182 0.1185];
net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm')
inputWeights=net_1.IW{1,1}
inputbias=net_1.b{1}
layerWeights=net_1.LW{2,1}
layerbias=net_1.b{2}
net_1.trainParam.show = 50;
net_1.trainParam.lr = 0.05;
net_1.trainParam.mc = 0.9;
net_1.trainParam.epochs = 10000;
net_1.trainParam.goal = 1e-3;
[net_1,tr]=train(net_1,P,T);
A = sim(net_1,P);
E = T - A;
MSE=mse(E)
P1=[1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17];
T1= sim(net_1,P1);
plot(P,T,'r*');
hold on;
plot(P1,T1,'bo');

（注：专业文档是经验性极强的领域，无法思考和涵盖全面，素材和资料部分来自网络，供参考。可复制、编制，期待你的好评与关注）