神经网络及其应用5月20日第十四章 基于神经网络的预测系统建模、辨识和预测线性系统预测问题时域：ARMA模型频域：传递函数矩阵非线性系统预测问题静态：多层前向网络动态：具有内部反馈的动态网络基于神经网络的预测原理正向建模逆向建模电力系统负荷预报将一周的7天，每天都看做一种类型输入：15维向量前一天每隔2小时测量一次的电力负荷，采用公式 进行归一化 最低气温、最高气温和天气特征（晴天、阴天和下雨对应0，0.5，1）输出：12维向量用电负荷及气象特征构建网络：BP网络输入维数：n1=15（取值范围0-1）隐含层神经元个数n2=2n1+1=31-tansig输出层神经元个数：12-logsig训练参数：训练函数：trainlm；学习函数：learngdm；性能函数：mse；训练次数：1000；训练目标：0.01；学习率：0.1例一：基于BP网络的电力系统负荷预报河道浅滩演变预测选取影响因子（尽量不相关）上游来流量Q上游输沙量G下游水位ZD河床形态目标浅滩断面年内最小水深Hmin年平均预计厚度Z样本数据构建网络：BP网络输入维数：n1=4（取值范围0-1）隐含层神经元个数n2=916-tansig输出层神经元个数：2-logsig训练参数：训练函数：trainlm；学习函数：learngdm；性能函数：mse；训练次数：500；例二：基于BP网络的河道浅滩演变预报预测步骤影响因素选取原始数据归一化隐藏层神经元个数实验测试构建网络：RBF网络BP网络预测精度比较高，但训练误差收敛比较慢。RBF网络直接根据P和T创建，速度快主要的影响因素spread例三：基于RBF网络的河道浅滩演变预报地震预报输入向量：7个预报因子目标向量实际发生的震级学习震例构建网络：BP网络输入维数：n1=7（取值范围0-1）隐含层神经元个数n2=15-tansig输出层神经元个数：1-logsig训练参数：训练函数：trainlm；学习函数：learngdm；性能函数：mse；训练次数：1000；例四：基于BP网络的地震预报测试数据地震分类（聚类）预测分（聚）为三类：一般、中等和严重地震地震活动指标为11项地震活动指标年值自组织竞争Kohonen网络自组织竞争网络聚类预测选取特征指标根据样本集进行聚类（网络训练）应用网络进行预测例五：基于Kohonen网络的地震预测交通运输能力预测输入向量：8个主要影响因素交通运输能力预测目标向量：三个主要运量广义回归神经网络GRNN线性层比较特殊nprod环节：纯线性组合GRNN与RBF的区别GRNNRBF隐藏层W1P可调B10.8326/srpead0.8326/srpead线性层W2T可调B2无可调基于GRNN的货运预测例六：基于GRNN的交通运输能力预测数据归一化创建网络通过测试选择spread参数股市预测股市中的数据看做一个时间序列前N个值作为输入后M个值作为输出股票数据例七：基于RBF网络的股票预测将3天的股票数据作为网络的输入向量输出为当天的股票价格，M=1样本个数K= L- （M+N）+1 = 7中间层的神经元个数为50Spread取1-55个样本用作训练2个样本用作测试财务失败预测LVQ的网络结构例八：基于LVQ网络的财务失败预测输入：5个财务指标输出：分为两类（破产公司/正常公司）预设概率：0.5-0.5竞争层神经元：8个（多个核心）前10个样本做训练后4个样本做测试农作物虫情预测例九：基于BP网络的农作物虫情预测输入维数：n1=4（取值范围0-1）隐含层神经元个数n2=9-tansig输出层神经元个数：4-logsig训练参数：训练函数：trainlm；学习函数：learngdm；性能函数：mse；训练次数：50预测精度较差小结神经网络可用于受多个影响因素共同影响的指标的预测针对不同的问题选择不同的网络类型但影响因素的选择仍是关键