發(fā)布時間：2020-10-16 00:31

　　 本文首先對灰色預測建模和神經(jīng)網(wǎng)絡理論及各自的優(yōu)缺點進行了分析研究,充分利用了灰色預測建模所需信息少、方法簡單的優(yōu)點和神經(jīng)網(wǎng)絡具有較強的非線性映射能力的特點,采用最小二乘法先確定灰色微分方程中參數(shù)的初始值,從而得到網(wǎng)絡的初始權(quán)值及閾值,進而得到了預測精度更高且方便使用的灰色神經(jīng)網(wǎng)絡模型。 然后,針對基于離散響應函數(shù)建立的灰色神經(jīng)網(wǎng)絡模型存在的問題,提出了基于時間響應函數(shù)建立灰色神經(jīng)網(wǎng)絡模型的方法,并對現(xiàn)有的一階灰色神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)進行改進,同時為了提高網(wǎng)絡的收斂速度,一是將灰色預測建模中的初值進行了修正,二是在修改權(quán)值時采用逐漸減小學習速率的方法。 最后,結(jié)合中國環(huán)境科學研究院主持的課題《深圳市空氣污染控制規(guī)劃研究》,利用深圳市的污染物濃度監(jiān)測數(shù)據(jù)建立了基于GNNM(1, 1)、GNNM(2, 1)的空氣污染指數(shù)預報模型,進行了上述研究成果的分析驗證,表明灰色神經(jīng)網(wǎng)絡模型可以作為空氣污染預報的有效工具。
【學位單位】：吉林大學
【學位級別】：碩士
【學位年份】：2006
【中圖分類】：X51;N941.5
【部分圖文】：

利用人工神經(jīng)元可以構(gòu)成各種不同拓撲結(jié)構(gòu)的神經(jīng)網(wǎng)絡，就神經(jīng)網(wǎng)絡的主要連接型式而言，大致可以分為三類：前饋型網(wǎng)絡(Feedforward NNS)、反饋型網(wǎng)絡(Feedback NNS)和自組織網(wǎng)絡，分別見圖3.1.3、圖3.1.４和圖3.1.5。圖3.1.3 具有一個隱層的前饋網(wǎng)絡 圖3.1.４ 單層全連接反饋網(wǎng)絡

利用人工神經(jīng)元可以構(gòu)成各種不同拓撲結(jié)構(gòu)的神經(jīng)網(wǎng)絡，就神經(jīng)網(wǎng)絡的主要連接型式而言，大致可以分為三類：前饋型網(wǎng)絡(Feedforward NNS)、反饋型網(wǎng)絡(Feedback NNS)和自組織網(wǎng)絡，分別見圖3.1.3、圖3.1.４和圖3.1.5。圖3.1.3 具有一個隱層的前饋網(wǎng)絡 圖3.1.４ 單層全連接反饋網(wǎng)絡

吉林大學碩士學位論文18圖3.1.5 自組織特征映射網(wǎng)絡知名的前饋網(wǎng)絡有感知器、BP網(wǎng)絡、HMM網(wǎng)絡等，尤其是BP網(wǎng)絡人們研究得最多，在許多領域得到了廣泛的應用[23]。3.2 BP算法及改進1986年，Rumelhart和McClelland對具有非線性激活函數(shù)的多層前饋網(wǎng)絡的權(quán)重進行調(diào)整，提出了誤差反傳播的算法（Back Propagation,簡稱BP），人們也常把按誤差反傳遞算法訓練的多層前饋網(wǎng)絡直接稱為BP網(wǎng)絡。BP算法的訓練過程可分為兩個過程：⑴ 輸入的信息流從輸入層，經(jīng)隱層到輸出層逐層處理并計算出各神經(jīng)元節(jié)點的實際輸出值，這一過程稱為信息流的正向傳遞過程；⑵ 計算網(wǎng)絡的實際輸出與訓練樣本期望值的誤差
【引證文獻】

相關(guān)期刊論文 前2條

1 羅志平;周新志;古鐘璧;;基于數(shù)據(jù)挖掘的水文時間序列預測[J];計算機工程與應用;2007年30期

2 萬仁保;羅招賢;;基于灰色神經(jīng)網(wǎng)絡算法的煤礦瓦斯涌出量預測模型研究[J];煤炭技術(shù);2012年11期

相關(guān)碩士學位論文 前2條

1 邢昕;灰色神經(jīng)網(wǎng)絡改進算法及其應用研究[D];華中科技大學;2011年

2 潘琳;基于灰色系統(tǒng)的空氣質(zhì)量變化及影響因子分析[D];天津大學;2012年

本文編號：2842467