2019年基于BP神经网络的预测模型.doc
基于Bp神经网络的股票预测
基于B p神经网络的股票预测IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】基于神经网络的股票预测【摘要】:股票分析和预测是一个复杂的研究领域，本论文将股票技术分析理论与人工神经网络相结合，针对股票市场这一非线性系统，运用BP神经网络，研究基于历史数据分析的股票预测模型，同时，对单只股票短期收盘价格的预测进行深入的理论分析和实证研究。
本文探讨了BP神经网络的模型与结构、BP算法的学习规则、权值和阈值等，构建了基于BP神经网络的股票短期预测模型，研究了神经网络的模式、泛化能力等问题。
并且，利用搭建起的BP神经网络预测模型，采用多输入单输出、单隐含层的系统，用前五天的价格来预测第六天的价格。
对于网络的训练，选用学习率可变的动量BP算法，同时，对网络结构进行了隐含层节点的优化，多次尝试，确定最为合理、可行的隐含层节点数，从而有效地解决了神经网络隐含层节点的选取问题。
【abstract],,makingin-depththeoreticalanalysisandempiricalstudiesontheshort-termclosingpriceforecastsofsinglestock.Secondly,makingresearchonthemodelandstructureofBPneuralnetwork, learningrules,weightsofBPalgorithmandsoon,buildingastockshort-termforecastingmodelbasedontheBPneuralnetwork,,usingsystemofmultiple-inputsingle-outputandsinglehiddenlayer,,.【关键词】BP神经网络股票预测分析1．引言股票市场是一个不稳定的非线性动态变化的复杂系统，股价的变动受众多因素的影响。
基于BP神经网络技术的网络时延预测研究
第 23 期
程满玲，等：基于 BP 神经网络技术的网络时延预测研究
29
的 50 个采样数据作为原始数据进行输入，随后把输出
数据作为理想的预测值。其公式可以表现为：
yK + 1 = f (xK - N + 1, xK - N + 2, xK - N + 3, ⋯, xK ) 式中 K 50，并且当 K + 1 为预测时刻时 K = 50。
定。因此输出层可以根据线性映射方程组计算出具体
输出的数值。隐含单元的数目可以根据预期和精度要
求进行改变。隐含层到输出层之间的线性权值可以通
过函数进行不断优化。当达到最优模型时，此模型可以
对网络时延进行有效、准确地预测。图 1 展示了 BP 神
经网络的时延预测模型原理。
（2）radbas（）径向基传递函数 函数格式为：A = radbas（N）info=radbas（code）。其 中 radbas 表 示 径 向 基 传 递 函 数 ，N 为 矢 量 阵 。 计 算 层 的输出主要由网络中的输入决定。其中从 radbas（code） 函 数 可 以 返 回 得 到 以 derive 为 导 函 数 名 称 的 返 回 ，以 namer 为全名的返回，output 为输出范围的返回以及 ac⁃ tive 为激活输入范围的返回。 （3）newrb（）函数 函 数 格 式 为 ：net=newrb[net，tr] =newrb（P，T，goal， spread，MN，DF）。其中 P 为输入矢量；T 为目标矢量； goal 为均方误差；MN 为最大神经元数量；spread 为函数 的分布情况，DF 为迭代频率。这一函数所用的为迭代 方 式 ，一 个 神 经 元 会 在 每 一 次 迭 代 中 被 加 入 到 函 数 中 。 迭代仅在两种情况下停止：一是误差下降到目标误差以 下；二是隐含层神经元个数达到最大值。 在本次实验中参与了某螺帽生产厂家装配生产流 程的控制系统设计。在设计中利用 Profibus⁃dp 网技术 将所有的厂房控制设备以及信息监控设备集成于一个 控制系统。控制系统一共分为三级别：第一级别为驱动 控 制 ，第 二 级 别 为 控 制 ，第 三 级 别 为 监 视 控 制 。 通 过 QCS 上位机、DCS 上位机以及以太网进行链接控制。 在本次实验中，时延数据的采集按照以上搭建的控 制 系 统 作 为 数 据 采 集 装 置 ，利 用 请 求 应 答（Echo Re⁃ quest）指 令 ，并 且 使 用 MegaPing 中 的 Ping 指 令 ，实 现 对 从我方实验机房到螺帽厂厂房控制系统之间的时延。 测试时长为两周，测试频率为每分钟一次。根据收集到 的数据，采用其中具有代表性的两日中的 3 000 个数据 点作为实验数据样本。图 2 展示了网络时延数据曲线。
基于神经网络的时间序列预测模型构建及优化
基于神经网络的时间序列预测模型构建及优化随着数据科学的飞速发展和海量数据的爆炸式增长，人们对于数据分析和预测的需求也越来越强烈。
时间序列预测作为一种重要的数据分析方法，已经被广泛应用于经济、金融、交通、气象、医疗和工业等领域。
然而，由于时间序列本身的复杂性和不确定性，传统的时间序列模型在应对高噪声、非线性和非平稳的数据时难以达到理想的预测效果。
而神经网络作为一种强大的人工智能模型，在时间序列预测方面表现出了优异的效果，被越来越多的研究者和应用者所重视。
一、神经网络的时间序列预测原理神经网络是一种通过人工模拟神经元之间信息传递和处理的方式来解决问题的数学模型。
神经网络的核心是通过学习和训练来建立输入与输出之间的映射关系，从而完成各种任务，如分类、识别、预测等。
神经网络在时间序列预测方面的应用则是基于序列自身的特征来建立输入与输出之间的映射关系，预测未来的序列值。
神经网络的时间序列预测原理可以简单概括为以下步骤：1. 数据预处理：将原始序列数据进行平稳化、差分或对数化等处理，以便更好地处理非平稳和非线性的时间序列数据。
2. 特征提取：将预处理后的序列数据转化为神经网络可识别的特征表示，通常采用滑动窗口法将一定时间段内的历史数据作为输入特征。
3. 网络建模：根据序列的特点和需要预测的时间步长选择合适的网络结构和算法，并进行网络初始化和训练。
4. 预测输出：利用已训练好的神经网络模型对未来待预测的序列值进行预测输出，并进行误差分析和优化。
二、基于神经网络的时间序列预测模型构建基于神经网络的时间序列预测模型主要由以下三个方面构成：网络结构设计、模型训练和预测输出。
1. 网络结构设计在神经网络的结构设计方面，常见的有BP神经网络、RNN神经网络和CNN神经网络等。
其中，BP神经网络是一种前馈神经网络，主要利用误差反向传播算法进行训练和优化；RNN神经网络是一种反馈神经网络，具有记忆性，能够用于处理长序列数据；CNN神经网络是一种卷积神经网络，主要用于图像处理和语音识别。
BP神经网络算法预测模型
BP神经网络算法预测模型
BP神经网络（Back Propagation Neural Network，BPNN）是一种常
用的人工神经网络，它是1986年由Rumelhart和McClelland首次提出的，主要用于处理有结构的或无结构的、离散的或连续的输入和输出的信息。
它属于多层前馈神经网络，各层之间存在权值关系，其中权值是由算法本
身计算出来的。
BP神经网络借助“反向传播”（Back Propagation）来
实现权值的更新，其核心思想是根据网络的输出，将错误信息以“反馈”
的方式传递到前面的每一层，通过现行的误差迭代传播至输入层，用来更
新每一层的权值，以达到错误最小的网络。
BP神经网络的框架，可以有输入层、隐含层和输出层等组成。
其中
输入层的节点数即为输入数据的维数，输出层的节点个数就是可以输出的
维数，而隐含层的节点数可以由设计者自由设定。
每一层之间的权值是
BP神经网络算法预测模型中最重要的参数，它决定了神经网络的预测精度。
BP神经网络的训练步骤主要有以下几步：首先，规定模型的参数，
包括节点数，层数，权值，学习率等；其次，以训练数据为输入，初始化
权值，通过计算决定输出层的输出及误差；然后，使用反向传播算法，从
输出层向前，层层地将误差反馈到前一层。
基于BP神经网络算法的光伏发电预测研究
神经网络算法的光伏发电预测研究式中，P V为光伏电源的输出功率；源额定功率；G C为工作点的辐射强度；温度，其值与环境温度近似；k为功率温度系数。
由此式中，di为Xi和Yi之间的等级差。
气温、相对湿度、全球水平辐射(W/m2)、风向、降水的逐小时数据；Y2.2 光伏发电输出功率预测模型建立（1）构建神经网络架构。
具有s型隐神经元和线性输出神经元的两层前馈网络，在数据一致和隐层神经元足够多的情况下，可以很好地拟合多维映射问题。
本文利用MATLAB中的神经网络拟合模块，建立具有图2 双层前馈神经网络输入-输出关系（2）结果分析。
经过MATLAB模拟贝叶斯算法训练出来的模型，多次调整分析后，每迭代一次神经网络参数都会经过调整，经过多次迭代后，均方误差(MSE)随之降低，但是随着网络开始过度拟合训练后，验证的数据集将会增加，均方误差也会增加，matlab中均方误式中，SSE表示和方差；n表示样本个数；真实数据；表示拟合的数据；w i＞0。
图3为神经网络的训练性能，由图可知，经过轮的训练迭代之后，最佳的训练性能是第0.15283，并且整体的训练结果和测试结果的变化曲线相对贴合，说明训练出来的神经网络模型图3 神经网络训练性能结语本研究通过选用斯皮尔曼相关性分析识别出影响光伏发电输出功率的关键因素，并采用贝叶斯正则化算法优化神经网络，构建了对光伏发电输出功率的准确预测模型。
该模型建基于大量实践数据，能够捕获复杂的非线性关系，实现更高的准确性和稳定性。
核心优势在于提升了光伏发电输出功率预测的精度。
通过重要影响因素选择和优化算法，模型达到了较高的解释力和精度。
本研究进一步提高了光伏发电输出功率预测模型的准确率。
本模型所采用的自变量在实际中较难获取，未来研究应与实践紧密结合，构建精度更高、覆盖更广、实用价值更大的光伏发电输出功率预测模型，为我国光伏发电事业发展提供有力支撑。
参考文献：图1 2015年全年光伏发电数据集表1 光伏发电阵列参数名称参数数组评级10.5kW面板评级175W面板数量2×30面阵列区2×38.37m2逆变器尺寸2×6kW逆变器类型SMA SMC 6000A 追踪器类型DEGEnergie 5000NT。
基于BP神经网络的上市公司财务预警模型研究
一、引言经查询，截止到2020年6月30日，一共有3897家上市公司在沪交所和深交所挂牌交易，流通市值和股票市价总值也分别达到了545787.95亿元和678212.83亿元。
随着经济的快速发展，上市公司逐渐成为市场的重要组成部分，影响着市场的稳定和发展，但同时也带来了一些隐藏的风险。
实质上，投资者就是通过在资本市场中对资本进行市场运作来获取收益的。
因此，对公司财务状况进行预测，也变成了投资者是否进行这项投资行为的决策参考。
理论意义上，一方面企业的财务预警问题已经随着市场经济的发展发生了一系列的转变，从指标化的分析转变为了建立模型来对企业进行检测分析；另一方面，再次对企业危机预警这些问题的研究，可以对已有的企业理论和风险管理理论进行完善和发展。
现实意义上，选取这个研究主题，可以对上市公司的财务预警研究进行更加深入的理论研究，还可以结合我国市场实际情况对上市公司的潜在风险进行检测和预测，来判断该企业是否存在财务危机或即将发生财务危机的可能，以此来对危机进行防范。
二、文献综述（一）财务危机的界定许多偶然因素都有可能给某个企业带来危机，例如市场环境和决策者失策。
但从整个行业来看，企业群体一般危机和财务危机的发生则存在着一定的客观性和必然性，国外的学者们一般在企业的某项指标发生变化时对财务危机进行界定。
Beaver （1966）[1]在研究中认为，当一家企业开始拖延支付股息、透支银行存款金，并且没有能力偿还债券，就可以认为其存在财务危机。
Odom 和Sharda（1990）[2]则认为当一个企业的现金流能力出现无法修复的情况时，财务危机便开始形成。
Ross 等（1995）[3]则认为财务危机不能从某些单个方面去界定，他们分别从四个方面对财务危机进行了相对全面的研究。
目前我国国内文献一般不将破产清算作为界定的标准，因为破产清算就意味着企业已经破产，那么对其的预测将不能产生一系列补救的手段。
同时，由于某些数据问题，我国国内大部分学者在进基于BP 神经网络的上市公司财务预警模型研究杨钰晨，丁元耀（宁波大学商学院，浙江宁波315211）【摘要】上市公司的财务问题历来是投资者关注的热点，对公司财务状况进行预测是投资者是否进行这项投资行为的决策参考。
基于BP神经网络的预测分析研究
基于BP神经网络的预测分析研究BP神经网络被广泛应用于预测分析，BP神经网络是一种基于反向传播算法的人工神经网络模型，可以用于分类、回归以及时间序列预测等方面。
它的基本思想是通过多层的神经元组成的网络来模拟人类大脑的学习和推理过程，从而实现对输入与输出之间的非线性映射。
由于该模型具有高度的灵活性和适应性，因而在数据挖掘、智能决策等领域得到广泛的应用。
预测分析是BP神经网络应用的一种重要形式，其目的在于根据历史数据来预测未来的趋势和变化，帮助人们制定决策和策略。
在预测分析中，BP神经网络主要通过以下几个步骤来完成预测任务。
数据预处理在开展预测分析之前，我们需要对数据进行清洗和预处理。
数据清洗主要包括错误数据的识别和剔除，缺失数据的填充等；数据预处理主要包括数据归一化和特征筛选。
归一化可以将不同量纲的数据转化为相同的标准，以避免由于数据量纲不同带来的影响。
特征筛选则可以选择和预测目标强相关的特征变量，以提高模型的精度和预测能力。
建立模型在BP神经网络中，神经元之间的连接权值和偏置可以通过样本训练来不断调整，使得模型拥有更好的拟合能力和预测精度。
在建立模型时，我们需要选择适当的网络拓扑结构、学习率和动量系数等参数，以及合适的激活函数、误差函数和优化算法等。
基于现有的数据集，我们可以通过反向传播算法来优化网络权值，并得到相应的预测模型和预测规则。
模型训练模型训练是指在样本集上通过反向传播算法对网络的权值和偏置进行迭代调整，以达到最小化误差的目标。
模型训练通常可以采用梯度下降或牛顿法等优化算法，通过不断地迭代反向传播来更新权值和偏置。
在训练过程中，我们可以通过交叉验证和模型评估等方式来评估模型的性能和泛化能力，以调整模型参数并优化模型结构。
模型应用模型应用是指将训练好的模型应用于实际问题中，通过输入相应的输入变量，得到相应的预测结果。
在应用过程中，我们需要对输入数据进行归一化和特征选择，以匹配预测模型的输入要求。
《公司财务管理存在的问题及优化建议分析文献综述3700字》
公司财务管理存在的问题及完善对策研究国内外文献综述目录公司财务管理存在的问题及完善对策研究国内外文献综述 (1)前言 (1)1.国外研究现状 (1)2.国内研究现状 (2)3.结论 (3)参考文献 (4)前言国外对财务管理的研究比较快，也比较成熟，西方的财务管理是以数理统模型为基础，从融资的角度出发，扩展到资产管理、投资管理、管理资金管理、利润分享管理等内容财务管理。
整合经济学、金融、管理和其他领域的知识，专注于财务预测，决策，监控和分析，以及专注于财务管理理论的创新，将最大限度地提高公司价值。
1.国外研究现状欧美的财务管理起源于集资，从15世纪末到16世纪初，在占主导地位的地中海贸易城市中出现了一个商业组织，股份制经济繁荣起来，就是要预测企业的资金需求，合理筹集资金。
在财务管理基础理论成熟后，信息经济学、博弈论、代理理论、产权理论等理论，通过财务管理研究、通货膨胀、财务风险、财务预测等成为财务管理研究的热点，财务评价与国际财务管理。
美国学者Inyangete（1997）分析了公司的贷款问题，认为公司应该通过贷款来扩大经营，其是限制企业成长的重要因素，而企业财务管理的重要性在于融资。
Bishop（2014）是第一家将代理理论和产权理论应用于企业理论的公司，深化了对资本结构理论和股利理论的研究，企业内部没有任何财务风险。
因此对于公司而言，风险预防很重要。
Wolmarans（2015）调查了收入稳定、发展稳定的优秀公司，营运资本和盈利能力得出结论，财务管理的重点比金融工具的重点更适合于资产负债表和战略财务。
Lee（2016）认为，企业必须建立良好的信用体系，融资时，良好的信用体系，是可以吸引客户，可以利用这个来提升自己的融资，进而可以增加企业的财务基础，提升资金周转，股票融资方面，企业要及时关注股票市场，股票波动时应及时处理，抓住机会利用股票增值进行收益。
Adamenko（2017）认为，财务管理体系是和员工还有老板是密不可分的，这就是法约尔跳板理论，它就是利用员工之间，以及上下属之间可以直接沟通，通过两者之间的相互交流从而可以获得信息和结论，并且总结分析归纳，上报到领导层，最后得出共同结论。
基于BP神经网络的肿瘤手术麻醉风险评估模型
基于BP神经网络的肿瘤手术麻醉风险评估模型朱丹红;郑辉哲;何斌杰【摘要】目的建立计算机智能辅助诊断模型,降低主观因素影响,提高麻醉并发症的预测能力,有效减少麻醉风险.方法针对肿瘤手术麻醉风险评估,设计BP神经网络三层结构,包括输入层、隐藏层、输出层.收集350条临床患者数据,提取29个麻醉并发症的影响因素,对模型进行训练,并对麻醉并发症进行预测.结果该神经网络模型实现对10种常见麻醉并发症进行预测,平均准确率为89.8％.结论可以利用训练好的神经网络作为肿瘤手术麻醉风险评估的临床预测辅助诊断模型.【期刊名称】《中国现代医药杂志》【年(卷),期】2019(021)006【总页数】3页(P10-12)【关键词】麻醉风险评估;肿瘤手术;BP神经网络;麻醉并发症【作者】朱丹红;郑辉哲;何斌杰【作者单位】350116 福建福州,福州大学数学与计算机科学学院;福建省肿瘤医院福建医科大学附属肿瘤医院;350116 福建福州,福州大学数学与计算机科学学院【正文语种】中文麻醉风险是指麻醉过程中所发生的患者生理功能遭受严重干扰而危及生命的事件，来自于麻醉并发症和麻醉意外。
麻醉并发症是指由麻醉引起的、不希望发生的组织损伤或病态反应[1]。
麻醉意外是难以预料的客观特殊情况，但麻醉并发症是能够预料的。
如果发现及时且处理得当，可不发生严重后果，否则将造成功能障碍、残疾甚至死亡。
目前麻醉风险主要由麻醉医师依据临床经验判断，受限于不同麻醉医师的工作年限、技术水平等主观因素，因此不同麻醉医师做出的麻醉风险评估不尽相同[2]，给患者的麻醉风险增加了一些不确定因素，例如：年轻且临床经验不足的麻醉医师可能对麻醉风险评估不够准确；省市级大医院的麻醉医师由于处理过的病例多，临床经验足，通常比县级医院的麻醉医师能够做出更为精确的麻醉风险评估。
由于肿瘤患者病情凶险，且术前合并症较多，因此麻醉和手术难度较大，麻醉风险较高[3]。
为降低麻醉风险评估中的主观因素，提升麻醉并发症的预测准确度，本研究基于计算机智能辅助诊断技术，利用机器学习方法，提出基于BP神经网络的肿瘤手术麻醉风险评估模型。
基于ARIMA和BP神经网络对人民币汇率预测的比较分析——以美元人民
Ａｂｓｔｒａｃｔ：ＷｉｔｈｔｈｅｃｏｎｔｉｎｕｏｕｓｍａｒｋｅｔｉｚａｔｉｏｎｏｆＣｈｉｎａ’ｓｅｘｃｈａｎｇｅｒａｔｅｓｙｓｔｅｍ，ｉｔｉｓｏｆｇｒｅａｔｐｒａｃｔｉｃａｌ ｓｉｇｎｉｆｉｃａｎｃｅｔｏｐｒｅｄｉｃｔｔｈｅｆｌｕｃｔｕａｔｉｏｎｔｒｅｎｄｏｆｅｘｃｈａｎｇｅｒａｔｅ．ＴｈｉｓｐａｐｅｒｕｓｅｓＡＲＩＭＡａｎｄＢＰｎｅｕｒａｌ ｎｅｔｗｏｒｋｍｅｔｈｏｄｓ，ＳＰＳＳ，ＥＶＩＥＷＳ１０ａｎｄＭＡＴＬＡＢｔｏｏｌｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｔｏｆｏｒｅｃａｓｔａｎｄａｎａｌｙｚｅｔｈｅ ｅｘｃｈａｎｇｅｒａｔｅｏｆＲＭＢ，ａｎｄｃｏｍｐａｒｅｔｈｅｐｒｅｄｉｃｔｉｏｎｅｆｆｅｃｔｏｆｔｈｅｔｗｏｍｏｄｅｌｓｏｎｔｈｅｅｘｃｈａｎｇｅｒａｔｅ ｔｒｅｎｄ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＡＲＩＭＡａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｓａｒｅｅｆｆｅｃｔｉｖｅａｎｄｆｅａｓｉｂｌｅｆｏｒ ＲＭＢｅｘｃｈａｎｇｅｒａｔｅｆｏｒｅｃａｓｔｉｎｇ，ａｎｄｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｄｅｃｒｅａｓｅｓｗｉｔｈｔｈｅｐｒｅｄｉｃｔｉｏｎｔｉｍｅ，测效果。结果表明：ＡＲＩＭＡ和 ＢＰ神经网络模型
对人民币汇率的预测是有效可行的，预测精度随着预测时间的推移而下降，更适用于短期预测。
且 ＡＲＩＭＡ对人民币汇率的预测效果优于 ＢＰ神经网络。
关 键 词：人民币汇率；ＡＲＩＭＡ；ＢＰ神经网络；预测
中图分类号：Ｆ８３２．６ 文献标识码：Ａ
基于 ＡＲＩＭＡ和 ＢＰ神经网络对人民币汇率 预测的比较分析
基于改进BP神经网络的软件质量预测模型研究
Ｐ３ Ｃ
０３ ５ ．５ ０３ ２ ．２ ０３ ７ －１ Ｏ３ １ ．４ ０３ ５ ．４
Ｐ４ Ｃ
Ｏ７ ４ ．６ ３ ０７ ２ ．０ ６ ０６ ８ ．４ ６ Ｏ６ ９ ．６ ４ ０６ ７ ．５ ２
Ｐ５ Ｃ
ＯＯ ３ ．６ ５ 一 ．２ ８ Ｏ１ ２ — ．５ ０ ０１ ６ ． ．３ ９ Ｏ１ ５ ． ．２ ７ Ｏ１ ４
Ｂ Ｐ算 法 引入 的隐层 及 隐层 节 点可使 Ｂ Ｐ网络具 有很 好 的逼 近
项 目编 号 Ｐ Ｃ１
１ ２ ３ ４ ５ ０３ ０ ．５ １ ０２ ２ ．９ ０２ ５ ．２ ０２ ０ ．３ Ｏ２ ５ ．ｌ
Ｐ２ Ｃ
０５ ３ ．５ ０３ ４ ．０ ０２ １ ．４ ０２ ３ ．８ ０２ ７ ．９
对 含有 １ 隐层 的 ３层前 向神 经 网络 从理 论上 已经 证 明 了可 个 以逼近 任意 连续 函数 ，因此 ，在 设 计优 化神 经 网络 时应 优先 考虑
刻 ， 用最 为广 泛 的一 类神 经 网络 。 Ｐ模 式 的性 能优势 主要 体现 包 含有 １ 隐层 的 ３层 网络 。通过 不 断增 加 隐层数 可进 一步 降低 应 Ｂ 个 在模 式 匹配 、模 式分 类 、模式 识 别与 模式 分析 ４ 方 面 。 个 网络误 差 Ｅ ，使 精度 得 以提 高 ，但 同时也 增加 了 网络 的复杂 性 ， 使 得 网络 训 练时 间提 高 了 。此 外 ，隐 层神 经 元数 目的选 择 对 Ｂ Ｐ 网络 所 具有 的 网络映 射是 一个 高度 的非线 性 关系 的映 射 。 因此 Ｂ 神 经 网络性 能 也会 产生 很大 的影 响 。 Ｐ 若隐层 神 经元 数 目选择 过 多 ， 网络 能够 自己学 习大 量 的模 式映 射关 系 ，而 不 需要任 何 己知 的数 则 可 以减少 网络 误 差 Ｅ ，但 同时 也提 高 了网络 训练 时 间 ；若 隐层 学 函数知 识 储备 来进 行描 述 输入 一输 出模 式 间 的映射 。将 输 入模 神 经元 数 目选择 过 少 ，则 网络不 能进行 正常 训练 。对 隐层神 经元 式映 射 到期 望 的输 出模式 ，只需 要用 已知 的模式 训 练 网络 ，通 过 数 目的选取 在 理论 上 目前还 没有 ～ 个统 一 的标准 ，完全 依靠 研 究 学 习 ，网络 就具 有 了这种 映 射能 力 。换句 话 说 ，我们 作 出假 如 ， 者 自身 的经 验来 决 定 。在 Ｂ 神 经 网络 中，增 加 隐层数 和增 加 隐 Ｐ 对于 输入 层 单元 ，其 数 目有 Ｍ，输 出层 单元 数 目有 Ｎ，那 么 Ｂ 层神经元数 目都可以减少网络误差 Ｅ Ｐ 。但在正常情况下，应优先 网络 就可 以实现 从 Ｍ 维 欧 氏空 间到 Ｎ 维 欧 氏空间 的任 意 映射 。 考 虑 隐层 中神 经元 数 目的增 加 。
BP神经网络预测模型
BP 神经网络模型 基本原理( 1) 神经网络的定义简介神经网络是由多个神经元组成的广泛互连的神经网络, 能够模拟生物神经系统真实世界及物体之间所做出的交互反应. 人工神经网络处理信息是通过信息样本对神经网络的训练, 使其具有人的大脑的记忆, 辨识能力, 完成名种信息处理功能. 它不需要任何先验公式, 就能从已有数据中自动地归纳规则, 获得这些数据的内在规律, 具有良好的自学习, 自适应, 联想记忆, 并行处理和非线性形转换的能力, 特别适合于因果关系复杂的非确定性推理, 判断, 识别和分类等问题. 对于任意一组随机的, 正态的数据, 都可以利用人工神经网络算法进行统计分析, 做出拟合和预测.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.( 2) BP 模型的基本原理[3]学习过程中由信号的正向传播与误差的逆向传播两个过程组成. 正向传播时, 模式作用于输入层, 经隐层处理后, 传入误差的逆向传播阶段, 将输出误差按某种子形式, 通过隐层向输入层逐层返回, 并“分摊”给各层的所有单元, 从而获得各层单元的参考误差或称误差信号, 以作为修改各单元权值的依据. 权值不断修改的过程, 也就是网络学习过程. 此过程一直进行到网络输出的误差准逐渐减少到可接受的程度或达到设定的学习次数为止. BP 网络模型包括其输入输出模型, 作用函数模型, 误差计算模型和自学习模型.BP 网络由输入层, 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系, 又不致使网络输出限制在-1和1之间. 见图( 1) .O 1 O 2 O i O m输入层输出层 隐含层 …… …… ……( 大于等于一层) W (1)…W (L)( 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,i j P Q , 将i P 输入网络；②计算出误差测度1E 和实际输出(1)(2)()21(...((())...))L i L iO F F F PW W W =； ③对权重值L W W W ,...,)2()1(各做一次调整, 重复这个循环, 直到i E ε<∑.[2]向后传播阶段——误差传播阶段：①计算实际输出p O 与理想输出i Q 的差；②用输出层的误差调整输出层权矩阵； ③211()2mi ij ij j E Q O ==-∑； ④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：i iE E =∑几点说明:一般地，BP 网络的输入变量即为待分析系统的内生变量（影响因子或自变量）数，一般根据专业知识确定。
试论机械的安全性及可靠性
科研仪器设备每年获得高达 20%的维护费用，因此需要建立 仪 器 设 备 运 行 维 护 专 项 基 金 和 相 应 的 保 障 制 度 [4]。 通 常 情 况 下 由 设 备 管 理 部 门 统 一 掌 握 和 使 用 这 笔 专 项 资 金 ，将 其 用 于 仪器设备的保养、维修、升级改造和人员培训。维护专项资金 主 要 来 源 于 仪 器 购 置 经 费 中 预 留 的 部 分 资 金 ，每 年 按 一 定 比 例在科研经费中提出的资金以及通过对外单位服务收取的 仪器测试费。 2.4 建立并不断完善仪器设备报废制度
1 机械安全性与可靠性概念解析 机械的安全性与可靠性，具体是指机械的操作安全性与可
靠性的性能指标。按照国际标准，机械安全性与可靠性主要包含 以下内容：
（1）操作安全。具有安全保障的装置或设施，因操作原因发 生的事故在机械安全事故率中占比较高，达到 15%左右，因此 规范的操作可以提升机械的安全性与可靠性。
表 1 部分国家对违反机械安全法律法规的处罚
国名
罚金
禁闭（法人代表）
澳大利亚
350 000 澳元
法国
-
6 个月禁闭
德国
100 000 马克
-
西班牙
10 000 000 比塞塔
-
英国
5000 英镑
3 个月禁闭
2.2 新技术的研发与应用 目前，许多先进科学技术广泛应用于机械设备中，其中具有
代表性的技术主要包含以下方面： （1）安全防护预警传感器。为了解决机械作业时无法观察到
（4）继电器技术。欧洲国家为了防止机械在作业中发生侧翻 事故，通过在机械设备支撑部件中安装压力继电器来提升安全 性与可靠性。当支撑部件荷载过重时液压缸中的压力会不断升 高，这时继电器会发挥作用，迫使机械设备停止工作，由此提升 机械的安全性及可靠性。
基于BP神经网络优化算法的输变电工程造价预测模型
第４５卷第４期２０２３年７月沈 阳 工 业 大 学 学 报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＶｏｌ ４５Ｎｏ ４Ｊｕｌ ２０２３收稿日期：２０２０－０７－１８．基金项目：湖南省科技计划项目（Ｓ２０１９ＲＣＤＴ２Ｂ０４８４）．作者简介：张恒武（１９６７－），男，湖南株洲人，高级工程师，硕士，主要从事电网基建工程技术等方面的研究．ｄｏｉ：１０．７６８８／ｊ．ｉｓｓｎ．１０００－１６４６．２０２３．０４．０５基于ＢＰ神经网络优化算法的输变电工程造价预测模型张恒武１，吴小忠１，沈晓隶２，伍家耀２（１ 国网湖南省电力有限公司建设部，长沙４１００００；２ 湖南经研电力设计有限公司技术经济部，长沙４１００００）摘 要：针对现有的输变电工程造价预测方法在复杂工况下精度低的问题，提出了一种基于ＢＰ神经网络优化算法的输变电工程造价预测模型．利用因子分析方法确定输变电工程造价数据预测的输入指标，并在传统ＢＰ神经网络模型的基础上，引入思维进化算法对ＢＰ神经网络中的权值和阈值进行优化．利用构建的预测模型预测某省级电网公司２０１６年度的输变电工程造价．结果表明，预测误差低于１０％，平均误差低于５％．与传统的ＢＰ神经网络相比，所提预测模型具有更高的预测精度，可以较好地应用于输变电工程造价估算．关 键 词：输电工程；变电工程；造价预测；ＢＰ神经网络；优化算法；因子分析；思维进化算法；预测精度；输入指标中图分类号：ＴＭ７３ 文献标志码：Ａ 文章编号：１０００－１６４６（２０２３）０４－０３８１－０６ＣｏｓｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎａｎｄｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｏｊｅｃｔｓＺＨＡＮＧＨｅｎｇ ｗｕ１，ＷＵＸｉａｏ ｚｈｏｎｇ１，ＳＨＥＮＸｉａｏ ｌｉ２，ＷＵＪｉａ ｙａｏ２（１．ＣｏｎｓｔｒｕｃｔｉｏｎＤｅｐａｒｔｍｅｎｔ，ＳｔａｔｅＧｒｉｄＨｕｎａｎＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏ．Ｌｔｄ．，Ｃｈａｎｇｓｈａ４１００００，Ｃｈｉｎａ；２．ＴｅｃｈｎｉｃａｌＥｃｏｎｏｍｉｃｓＤｅｐａｒｔｍｅｎｔ，ＨｕｎａｎＪｉｎｇｙａｎＥｌｅｃｔｒｉｃＰｏｗｅｒＤｅｓｉｇｎＣｏ．Ｌｔｄ．，Ｃｈａｎｇｓｈａ４１００００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｌｏｗａｃｃｕｒａｃｙｏｆｅｘｉｓｔｉｎｇｃｏｓｔｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｓｆｏｒｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎａｎｄｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｏｊｅｃｔｓｕｎｄｅｒｃｏｍｐｌｅｘｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓ，ａｃｏｓｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｔｈｅｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎａｎｄｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｏｊｅｃｔｓｗａｓｐｒｏｐｏｓｅｄ．Ｔｈｅｉｎｐｕｔｉｎｄｅｘｅｓｆｏｒｔｈｅｄａｔａｐｒｅｄｉｃｔｉｏｎｏｆｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎａｎｄｔｒａｎｓｆｏｒｍａｔｉｏｎｗｅｒｅｄｅｔｅｒｍｉｎｅｄｂｙａｆａｃｔｏｒａｎａｌｙｓｉｓｍｅｔｈｏｄ．ＡｃｃｏｒｄｉｎｇｔｏｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ，ｔｈｅｗｅｉｇｈｔａｎｄｔｈｒｅｓｈｏｌｄｖａｌｕｅｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗｅｒｅｏｐｔｉｍｉｚｅｄｂｙｉｎｔｒｏｄｕｃｉｎｇａｍｉｎｄｅｖｏｌｕｔｉｏｎａｌｇｏｒｉｔｈｍ．Ｕｓｉｎｇｔｈｅａｓ ｐｒｏｐｏｓｅｄｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ，ｔｈｅｃｏｓｔｏｆｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎａｎｄｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｏｊｅｃｔｓｉｎ２０１６ｆｏｒａｐｒｏｖｉｎｃｉａｌｐｏｗｅｒｇｒｉｄｃｏｍｐａｎｙｗａｓｐｒｅｄｉｃｔｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｄｉｃｔｉｏｎｅｒｒｏｒｉｓｌｅｓｓｔｈａｎ１０％，ａｎｄｔｈｅａｖｅｒａｇｅｅｒｒｏｒｉｓｌｅｓｓｔｈａｎ５％．ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ｔｈｅａｓ ｐｒｏｐｏｓｅｄｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｈａｓｈｉｇｈｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ，ａｎｄｃａｎｂｅｐｒｅｆｅｒａｂｌｙａｐｐｌｉｅｄｔｏｔｈｅｃｏｓｔｅｓｔｉｍａｔｉｏｎｏｆｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎａｎｄｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｏｊｅｃｔｓ．Ｋｅｙｗｏｒｄｓ：ｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎｐｒｏｊｅｃｔ；ｐｏｗｅｒｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｏｊｅｃｔ；ｃｏｓｔｐｒｅｄｉｃｔｉｏｎ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ；ｆａｃｔｏｒａｎａｌｙｓｉｓ；ｍｉｎｄｅｖｏｌｕｔｉｏｎａｌｇｏｒｉｔｈｍ；ｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ；ｉｎｐｕｔｉｎｄｅｘ 电力工业是社会经济发展的重要保障，而电力工业的建设周期较长、投资数额大，如何合理规划电力工程建设方案，有效控制输变电工程的造价预算，已成为电力工程建设领域的热门研究方Copyright ©博看网. All Rights Reserved.向［１］．传统的输变电工程造价预测主要依据技术人员的分析和判断，但建设输变电工程时的情况较为复杂，单纯凭借经验估算难以得到准确的造价预测结果．电力投资公司和相关施工企业亟须一种较为准确的预测方法，能够快速、准确地预测出输变电工程的主要经济指标，以便合理规划建设方案，有效提升建设质量与效率［２－５］．随着计算机领域机器学习理论的兴起，以神经网络为代表的智能算法逐步被引入到造价预测领域．郭新菊等［６］基于神经网络算法预测项目造价，并通过实际算例进行验证；徐莉等［７］采用ＢＰ神经网络算法对输变电工程造价进行分析，并将该方法应用于某地变电站造价的预测，且取得了一定的效果．但由于ＢＰ神经网络算法存在一定的限制，如算法较容易陷入局部极小值的陷阱从而难以得到全局最优解，且需要训练的次数较多，导致网络收敛的速度较慢，因此将ＢＰ神经网络直接应用于输变电工程造价的预测难以满足精度要求．针对上述问题，本文开展了深入的研究，提出了一种基于ＢＰ神经网络优化算法的输变电工程造价预测方法．１ 输变电工程造价指标１ １ 输变电工程造价数据特性与预处理方法输变电工程是电力系统的重要架构之一，通常可分为输电工程和变电工程．根据历史造价数据分析，输变电工程的指标较多，其中存在众多重复指标．此外，由于工程上多应用定性分析，导致所能获得的数据较少．这使得直接将数据输入预测模型会造成预测结果偏差较大，因此需要对输变电工程数据进行预处理，主要步骤如下：１）数据选择．当相同属性指标数据与内部数据均值偏差过大时，可被认为是噪声数据．此类数据将较大程度上影响预测精度，因此可以设定转换系数对噪声数据进行处理，从而完成数据替换，替换表达式为ｘ ＝λ珋ｘ （１）式中：ｘ 为转换后的数据；λ为转换系数；珋ｘ为数据均值．噪声偏差较小时，设定λ＝１ ２；噪声偏差较大时，设定λ＝０ ８．２）数据转化．当属性数据具有相关性时，可以利用组合变换的方法将其转化为高级属性，从而提升计算效率．３）标准化．转化完成后的数据需要实施标准化处理，本文采用ｚ ｓｃｏｒｅ标准化法，标准化表达式为ｘ′＝（ｘ－μ）／σ （２）式中：μ为样本均值；σ为样本标准差．１ ２ 因子分析方法输变电工程造价指标数据在经过预处理后数量有一定的减少，但应用于预测时仍较为冗余．因此需要考虑进行数据降维，进一步削减指标数量，减少重复信息．本文引入因子分析方法进行数据降维，该方法可以用少量因子表征多数指标的关联．将联系紧密的变量统一归类为一种因子，并用该因子表征原始数据信息［８－９］，其数学模型为ｘ１＝α１１ｆ１＋α１２ｆ２＋…＋α１ｑｆｑ＋ｅ１ｘ２＝α２１ｆ１＋α２２ｆ２＋…＋α２ｑｆｑ＋ｅ２ｘｐ＝αｐ１ｆ１＋αｐ２ｆ２＋…＋αｐｑｆｑ＋ｅｐ （３）式中：ｘ＝（ｘ１，ｘ２，…，ｘｐ）Ｔ为原始数据经标准化处理后的变量序列，其平均值为０；ｆ＝（ｆ１，ｆ２，…，ｆｑ）Ｔ为公共因子，且在分析时通常默认ｑ＜ｐ；α为因子载荷，表示第ｐ个原始变量在第ｑ个主因子上的载荷情况，其值与原始变量和公共因子之间的联系呈正相关；ｅ＝（ｅ１，ｅ２，…，ｅｐ）Ｔ为影响ｘｉ的特殊因子，其平均值为０，且方差为常数，是呈正态分布的随机变量．１ ３ 公共因子分析流程与结果式（３）中公共因子的分析流程如下：１）导入原始的数据样本，计算样本的平均值与方差，对样本进行标准化处理；２）求解样本的相关系数矩阵和矩阵的特征根以及特征向量；３）给定公共因子数目并计算其共同度；４）采用方差最大的正交旋转法进行因子旋转，简化载荷矩阵结构，以便有效实现主因子的专业解释；５）对公共因子进行相应的专业解释；６）求解因子得分，即求解各变量的加权数量总和．利用ＫＭＯ检验法对预处理后的输变电工程造价数据实施显著性检验，其中输电工程ＫＭＯ统计量为０ ８７９＞０ ５，ｓｉｇ．值为０ ０００；变电工程ＫＭＯ统计量为０ ８２３＞０ ５，ｓｉｇ．值为０ ０００，检验结果表明输变电工程造价数据适用于因子分析．利用ＰＣＡ法求解输变电工程造价数据中的各因子特征值以及方差的贡献率，其中输电工程中前３个因子累计方差贡献率为８７ ６３％，大于８５％；变电工程中前３个因子累计方差贡献率为８６ ４１％，大于８５％，因此两工程造价数据中前３个因子可以囊括几乎所有信息，故选取此３项作为公因子．２８３沈 阳 工 业 大 学 学 报 第４５卷Copyright©博看网. All Rights Reserved.利用最大方差法旋转求解因子，得出旋转后的公因子及其变量，在考虑其关系组合的基础上求解得到因子得分．筛选出输电工程的３个公因子为导线因子、地形因子和材料因子；变电工程的３个公因子为主要设备量价因子、建筑因子和其他因子，并且公因子所包含指标的影响程度依次减弱．经过因子分析后，可以确定输变电工程造价的主要影响因素［１０］，得到的输入参数和预测参数如表１所示．表１ 输变电工程造价输入参数和预测参数Ｔａｂ １ Ｉｎｐｕｔａｎｄｐｒｅｄｉｃｔｉｏｎｐａｒａｍｅｔｅｒｓｏｆｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎａｎｄｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｏｊｅｃｔｃｏｓｔ工程类型输入参数预测参数输电工程变电工程导线截面积导线质量导线价格塔材价格塔基数塔材质量土石方量混凝土量钢材质量综合地形系数电压等级变电站类型海拔主变台数主变容量主变单价断路器单价电容器数量全站面积主控楼面积混凝土量钢材质量单位长度造价单位容量造价２ 输变电工程造价预测模型２ １ ＢＰ神经网络模型ＢＰ神经网络是一种反向传播神经网络，输入的信号前向传递，误差则反向进行传播．前向传递过程中，输入信号从网络的输入层输入，然后经历隐含层依次处理，直到传导至输出层．利用ＢＰ神经网络进行预测需要对网络进行训练［１１－１２］，训练流程为：１）初始化网络模型．在分析模型输入、输出序列基础上设定网络输入层的节点数目为ｎ，隐含层的节点数目为ｌ，输出层的节点数目为ｍ．初始化设定各网络链接权值为Ｗｉｊ和Ｗｊｋ，初始化网络隐含层阈值为ａ，网络输出层阈值为ｂ．同时，设定网络的学习率ξ以及相应的激励函数［１３－１４］．２）对隐含层的输出值进行运算，预测输出Ｈ的计算表达式为Ｈｊ(＝Ｆ∑ｎｉ＝１Ｗｉｊ－ａ)ｊ （ｊ＝１，２，…，ｌ） （４）式中，Ｆ为隐含层激励函数，其表达式为Ｆ（ｘ）＝１／（１＋ｅ－ｘ） （５）３）对输出层的输出值进行运算，预测输出Ｏ的计算表达式为Ｏｋ＝∑ｌｊ＝１ＨｊＷｊｋ－ｂｋ （ｋ＝１，２，…，ｍ） （６）４）预测运算误差．将网络实际输出Ｏ与网络预期输出Ｙ进行比较，计算网络误差，即εｋ＝Ｙｋ－Ｏｋ （７）５）更新网络权值．根据计算得到的网络误差更新网络的层间权值，即Ｗｉｊ＝Ｗｉｊ＋ξＨｊ（１－Ｈｊ）ｘｉ∑ｍｋ＝１Ｗｊｋεｋ （８）Ｗｊｋ＝Ｗｊｋ＋ξＨｊεｋ （９）６）更新网络节点阈值．依据网络误差对网络节点的阈值进行更新，即ａｊ＋１＝ａｊ＋ξＨｊ（１－Ｈｊ）ｘｉ∑ｍｋ＝１Ｗｊｋεｋ（１０）ｂｋ＋１＝ｂｋ＋εｋ （１１）７）判断迭代是否终止，若未终止，则返回步骤２）．２ ２ 思维进化算法思维进化算法（ＭＥＡ）［１５］主要涵盖以下概念：１）群体和子群体．ＭＥＡ进化时将每代个体集合设定为群体，并将其划分为数个子群体，主要囊括优胜子群体与临时子群体．在全局竞争中，前者记载胜利者的数据信息，后者记载竞争过程．２）公告板．公告板可以为群体内部个体与子群体的交流提供平台，记录两者的序号以对其进行区分．通过动作记录到两者具体位置，利用得分完成环境中个体动作的评价．３）趋同．趋同是ＭＥＡ中的重点概念，其定义为：子群体中个体赢得竞争被称为趋同．子群体趋同时，若不再产生新的胜利者，则认为该子群体达到成熟，此时可认为趋同过程终止．子群体所经历的从产生到成熟的时期，则被称为生命期．４）异化．其定义是在全局中，子群体为获得３８３第４期 张恒武，等：基于ＢＰ神经网络优化算法的输变电工程造价预测模型Copyright©博看网. All Rights Reserved.胜利而进行竞争，持续寻求全局新点．在竞争时，若某个临时子群体得分大于某个成熟的优胜子群体所对应的得分，则前者取代后者，后者中的个体被释放；若某个成熟的临时子群体得分小于某个优胜子群体所对应的得分，则前者被放弃，前者中的个体也会被释放．在被替换或者废弃的子群体中，被释放的个体重新实施全局搜索，并不断建立新的临时群体．ＭＥＡ的训练流程如下：１）在解空间中随机产生一定数目的个体．依照得分高低，寻找出高分的优胜个体及临时个体．２）将高分的优胜个体及临时个体挑选出来当作中心，在中心的周边生成新的个体，从而获取所需要的一定数目的优胜子群体及临时子群体．３）在获取的两种子群体内部开始施行趋同，直到其成熟，然后将其得分定义为其中最优个体的得分．４）子群体在达到成熟后，在全局公告板上公布所有子群体的得分．对子群体相互之间实施异化，不断完成群体之间的相互替换、废弃以及其内部个体释放的操作，进而获取全局中所包含的最优个体以及得分．异化结束后，需要重新在解空间中生成得到新的临时子群体以确保其总数目不变．２ ３ 网络优化与工作流程针对传统ＢＰ神经网络的不足，本文利用ＭＥＡ优化传统ＢＰ神经网络中的权值与阈值，其流程如下：１）生成训练集与测试集．为了提升模型的泛化能力，需要生成充足的训练样本从而确保预测准确性．２）生成初始种群．利用初始种群生成函数，可以迅速生成初始种群，并将其划分为优胜子种群与临时子种群．３）趋同．子种群生成结束后需要实施趋同，引入成熟判断函数判定趋同是否实现．４）异化．趋同结束后开始异化，根据其结果增添新子群体．５）求解最优个体．当符合终止条件结束趋同和异化后，利用编码求解最优个体，从而获得相应的网络权值与阈值．６）训练神经网络．将优化得到的权值与阈值作为网络的初始权值和阈值，基于步骤１）中得到的训练集对网络实施训练操作与学习操作．７）预测．训练结束后，输入测试样本对造价数据进行预测．３ 实验验证本文选取２０１６年度某省级国家电网公司的实际输变电工程造价数据进行实验验证，分别对其中６０个输电工程与６０个变电工程的造价进行预测．３ １ 输电工程造价预测６０个输电工程均为１１０ｋＶ输电线路工程，其主要经济指标的输入参数如表２所示．表２ 输电工程输入参数Ｔａｂ ２ Ｉｎｐｕｔｐａｒａｍｅｔｅｒｓｏｆｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎｐｒｏｊｅｃｔ参数数值导线截面积／ｍｍ２２４０导线质量／（ｔ·ｋｍ－１）０ ９６导线价格／（元·ｋｍ－１）１６０３２塔材价格／（万元·ｔ－１）０ ６７塔基数６塔材质量／ｔ５１土石方量／ｍ３１１７６混凝土量／ｍ３１６３钢材质量／ｔ１３综合地形系数１ 针对输电工程造价预测建立的ＢＰ神经网络模型各层所包含的神经元结构为１０ ５ １，迭代上限次数设定为３０，网络激励采用Ｓｉｇｍｏｉｄ函数．经过ＭＥＡ优化网络后，将６０个１１０ｋＶ输电线路工程中的５５个造价作为训练样本对网络实施训练．在训练完成后，将余下５个工程数据作为测试样本．利用预测模型对其单位长度造价进行预测，并将预测结果与传统的ＢＰ神经网络进行对比，结果如图１所示．其中ＢＰＮＮ表示ＢＰ神经网络，本文提出的方法表示为ＭＥＡ ＢＰＮＮ．图１ 输电工程预测结果Ｆｉｇ １ Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎｐｒｏｊｅｃｔ４８３沈 阳 工 业 大 学 学 报 第４５卷Copyright©博看网. All Rights Reserved.由图１可以看出，传统ＢＰ神经网络方法对输电工程测试样本的预测误差在１０％上下，平均预测误差约为９％，预测结果与实际值偏差相对较多；而本文所提方法对输电工程测试样本的预测误差不超过５％，平均预测误差约为３％，预测结果相对精确．３ ２ 变电工程造价预测６０个工程均为２２０ｋＶ变电站工程，其主要经济指标的输入参数如表３所示，其中电压等级、变电站类型均为固定参数．表３ 主要经济指标的输入参数Ｔａｂ ３ Ｉｎｐｕｔｐａｒａｍｅｔｅｒｓｏｆｍａｉｎｅｃｏｎｏｍｉｃｉｎｄｅｘｅｓ参数数值电压等级／ｋＶ２２０变电站类型智能变电站海拔／ｍ５３１主变台数２主变容量／ｋＶＡ５０主变单价／（元·（ｋＶＡ）－１）３６０断路器单价／元４２７电容器数量２全站面积／ｍ２４６８ ３６主控楼面积／ｍ２１６１ ８２混凝土量／ｍ３１２２ ９５钢材质量／ｔ６ ８ 针对变电工程造价预测建立的ＢＰ神经网络模型各层所包含的神经元结构为１２ ５ １，迭代上限次数设定为３０，网络激励采用Ｓｉｇｍｏｉｄ函数．经过ＭＥＡ优化网络后，将６０个２２０ｋＶ变电工程中的５５个作为训练样本．在训练完成后，将余下５个工程数据作为测试样本．利用预测模型对其单位容量造价进行预测，并将预测结果与传统的ＢＰ神经网络进行对比，结果如图２所示．图２ 变电工程预测结果Ｆｉｇ ２ Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｐｏｗｅｒｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｏｊｅｃｔ由图２可以看出，传统ＢＰ神经网络方法对于变电工程测试样本预测误差普遍超过１０％，平均预测误差约为１２％，预测结果与实际值偏差较大；而本文所提方法对于变电工程测试样本的预测误差不超过４％，平均预测误差约为２％，预测结果较为精确．根据预测结果可以看出，文中所提方法通过优化ＢＰ神经网络的权值和阈值，弥补了传统ＢＰ神经网络容易陷入局部最优，导致准确性降低的问题，有效实现了输变电工程造价的准确预测．４ 结 论针对传统ＢＰ神经网络的不足，利用因子分析方法判断输变电工程造价的主要影响因素，筛选得到适合执行造价预测的输入指标．引入思维进化算法优化了ＢＰ神经网络的阈值和权值，并利用优化后的神经网络分别针对１１０ｋＶ输电线路工程和２２０ｋＶ变电工程构建相应的造价预测模型，从而对造价数据进行有效处理分析．从输电线路单位长度造价和变电站单位容量造价两个方面出发，最终实现输变电工程造价的准确预测．研究结果可为造价估计提供参考，有助于推动电力工程建设领域的研究和发展．参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］安磊，张洁，齐霞，等．基于随机森林输变电线路工程造价估算研究［Ｊ］．控制工程，２０１６，２３（１１）：１８４１－１８４４．（ＡＮＬｅｉ，ＺＨＡＮＧＪｉｅ，ＱＩＸｉａ，ｅｔａｌ．Ｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｐｒｏｊｅｃｔｃｏｓｔｂａｓｅｄｏｎｒａｎｄｏｍｆｏｒｅｓｔｓ［Ｊ］．ＣｏｎｔｒｏｌＥｎ ｇｉｎｅｅｒｉｎｇｏｆＣｈｉｎａ，２０１６，２３（１１）：１８４１－１８４４．）［２］王晓建，朱婷涵，劳咏昶，等．基于人工免疫优化神经网络的输变电工程造价评估［Ｊ］．浙江电力，２０１８，３７（７）：６２－６７．（ＷＡＮＧＸｉａｏ ｊｉａｎ，ＺＨＵＴｉｎｇ ｈａｎ，ＬＡＯＹｏｎｇ ｃｈａｎｇ，ｅｔａｌ．Ｃｏｓｔｅｖａｌｕａｔｉｏｎｏｆｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎａｎｄｔｒａｎｓ ｆｏｒｍａｔｉｏｎｐｒｏｊｅｃｔｂａｓｅｄｏｎａｒｔｉｆｉｃｉａｌｉｍｍｕｎｅｏｐｔｉｍｉｚａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＺｈｅｊｉａｎｇＥｌｅｃｔｒｉｃＰｏｗｅｒ，２０１８，３７（７）：６２－６７．）［３］杨凯，于波，肖艳利，等．基于ＧＡ ＢＰ神经网络的配电网工程造价预测［Ｊ］．自动化仪表，２０１９，４０（７）：９１－９３．（ＹＡＮＧＫａｉ，ＹＵＢｏ，ＸＩＡＯＹａｎ ｌｉ，ｅｔａｌ．Ｃｏｎｓｔｒｕｃ ｔｉｏｎｃｏｓｔｆｏｒｅｃａｓｔｏｆｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｂａｓｅｄｏｎＧＡ ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＰｒｏｃｅｓｓＡｕｔｏｍａｔｉｏｎＩｎｓｔｒｕ ｍｅｎｔａｔｉｏｎ，２０１９，４０（７）：９１－９３．）［４］陈倩，高钰莹，易松．智能电网中隐私保护状态估计的数据混淆算法［Ｊ］．电子科技，２０１８，３１（１０）：２２－２８．（ＣＨＥＮＱｉａｎ，ＧＡＯＹｕ ｙｉｎｇ，ＹＩＳｏｎｇ．Ｄａｔａｃｏｎｆｕｓｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｐｒｉｖａｃｙｓｔａｔｅｅｓｔｉｍａｔｉｏｎｉｎｓｍａｒｔｇｒｉｄ［Ｊ］．ＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１８，３１（１０）：２２－２８．）［５］朱云祥，夏华丽，劳咏昶，等．ＢＩＭ技术在输变电工５８３第４期 张恒武，等：基于ＢＰ神经网络优化算法的输变电工程造价预测模型Copyright ©博看网. All Rights Reserved.程的应用成熟度评价研究［Ｊ］．浙江电力，２０１８，３７（９）：８４－８９．（ＺＨＵＹｕｎ ｘｉａｎｇ，ＸＩＡＨｕａ ｌｉ，ＬＡＯＹｏｎｇ ｃｈａｎｇ，ｅｔａｌ．ＲｅｓｅａｒｃｈｏｎａｐｐｌｉｃａｔｉｏｎｍａｔｕｒｉｔｙｅｖａｌｕａｔｉｏｎｏｆＢＩＭｔｅｃｈｎｏｌｏｇｙｉｎｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎａｎｄｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｏｊｅｃｔｓ［Ｊ］．ＺｈｅｊｉａｎｇＥｌｅｃｔｒｉｃＰｏｗｅｒ，２０１８，３７（９）：８４－８９．）［６］郭新菊，邵永刚，李旭阳，等．基于ＢＰ神经网络的配电网工程造价预测模型建立与应用［Ｊ］．电子设计工程，２０１７，２５（２３）：６３－６８．（ＧＵＯＸｉｎ ｊｕ，ＳＨＡＯＹｏｎｇ ｇａｎｇ，ＬＩＸｕ ｙａｎｇ，ｅｔａｌ．ＥｓｔａｂｌｉｓｈｍｅｎｔａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｃｏｓｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｐｒｏｊｅｃｔｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＥｌｅｃｔｒｏｎｉｃＤｅｓｉｇｎＥｎｇｉｎｅｅｒｉｎｇ，２０１７，２５（２３）：６３－６８．）［７］徐莉，李卓然．特高压输电线路工程造价预测模型研究：基于因子分析及ＢＰ神经网络［Ｊ］．工业技术经济，２０１７，３６（７）：１８－２６．（ＸＵＬｉ，ＬＩＺｈｕｏ ｒａｎ．ＲｅｓｅａｒｃｈｏｎｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｏｆＵＨＶｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｐｒｏｊｅｃｔｃｏｓｔ ｂａｓｅｏｎｆａｃｔｏｒａｎａｌｙｓｉｓａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＩｎｄｕｓｔｒｉａｌＴｅｃｈｎｏｌｏｇｉｃａｌ＆Ｅｃｏｎｏｍｉｃｓ，２０１７，３６（７）：１８－２６．）［８］刘琰，耿庆申，王宁宁，等．基于因子分析的输电线路造价的影响因素研究［Ｊ］．电气工程学报，２０１６，１１（８）：４２－４９．（ＬＩＵＹａｎ，ＧＥＮＧＱｉｎｇ ｓｈｅｎ，ＷＡＮＧＮｉｎｇ ｎｉｎｇ，ｅｔａｌ．Ｓｔｕｄｙｏｆｔｈｅｆａｃｔｏｒｓｉｎｆｌｕｅｎｃｉｎｇｏｆｔｈｅｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｃｏｓｔｂａｓｅｄｏｎｆａｃｔｏｒａｎａｌｙｓｉｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１６，１１（８）：４２－４９．）［９］范红军，杨中书．因子分析法在蓄电池组合筛选中的应用研究［Ｊ］．电源技术，２０１７，４１（５）：７４８－７４９．（ＦＡＮＨｏｎｇ ｊｕｎ，ＹＡＮＧＺｈｏｎｇ ｓｈｕ．Ｓｔｕｄｙｏｎａｐｐｌｉｃａｔｉｏｎｏｆｆａｃｔｏｒａｎａｌｙｓｉｓｍｏｄｅｌｉｎｃｏｍｂｉｎａｔｉｏｎｓｅｌｅｃｔｉｏｎｏｆｂａｔｔｅｒｉｅｓ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＰｏｗｅｒＳｏｕｒｃｅｓ，２０１７，４１（５）：７４８－７４９．）［１０］耿鹏云，安磊，王鑫．基于数据挖掘技术的输电工程造价预测模型的建立与实现［Ｊ］．现代电子技术，２０１８，４１（４）：１５７－１６０．（ＧＥＮＧＰｅｎｇ ｙｕｎ，ＡＮＬｅｉ，ＷＡＮＧＸｉｎ．Ｅｓｔａｂｌｉｓｈｍｅｎｔａｎｄｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎｐｒｏｊｅｃｔ’ｓｃｏｓｔｆｏｒｅｃａｓｔｍｏｄｅｌｂａｓｅｄｏｎｄａｔａｍｉｎｉｎｇｔｅｃｈｎｏｌｏｇｙ［Ｊ］．ＭｏｄｅｒｎＥｌｅｃｔｒｏｎｉｃｓＴｅｃｈｎｉｑｕｅ，２０１８，４１（４）：１５７－１６０．）［１１］李升健，黄灿英，陈艳．基于改进ＰＳＯ ＢＰ网络的配电网故障选线与测距［Ｊ］．沈阳工业大学学报，２０１９，４１（１）：６－１１．（ＬＩＳｈｅｎｇ ｊｉａｎ，ＨＵＡＮＧＣａｎ ｙｉｎｇ，ＣＨＥＮＹａｎ．ＦａｕｌｔｌｉｎｅｓｅｌｅｃｔｉｏｎａｎｄｌｏｃａｔｉｏｎｆｏｒｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＰＳＯ ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２０１９，４１（１）：６－１１．）［１２］柴尔?，曾平良，马士聪，等．利用ＧＡ优化后的ＲＳ ＢＰ神经网络进行电网故障定位的方法研究［Ｊ］．电力科学与工程，２０１９，３５（９）：２２－２８．（ＣＨＡＩＥｒ ｘｕａｎ，ＺＥＮＧＰｉｎｇ ｌｉａｎｇ，ＭＡＳｈｉ ｃｏｎｇ，ｅｔａｌ．ＲｅｓｅａｒｃｈｏｎｍｅｔｈｏｄｏｆｆａｕｌｔｌｏｃａｔｉｏｎｏｆｐｏｗｅｒｎｅｔｗｏｒｋｕｓｉｎｇＧＡｏｐｔｉｍｉｚｅｄＲＳ ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０１９，３５（９）：２２－２８．）［１３］谢文旺，孙云莲，易仕敏，等．一种基于改进ＶＰＧＡ优化Ｅｌｍａｎ神经网络的电力线通信数据处理算法［Ｊ］．电力系统保护与控制，２０１９，４７（６）：５８－６５．（ＸＩＥＷｅｎ ｗａｎｇ，ＳＵＮＹｕｎ ｌｉａｎ，ＹＩＳｈｉ ｍｉｎ，ｅｔａｌ．ＡｄａｔａｐｒｏｃｅｓｓｉｎｇａｌｇｏｒｉｔｈｍｆｏｒｐｏｗｅｒｌｉｎｅｃｏｍｍｕｎｉｃａｔｉｏｎｂａｓｅｄｏｎＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋｏｐｔｉｍｉｚｅｄｂｙｉｍｐｒｏｖｅｄＶＰＧＡ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１９，４７（６）：５８－６５．）［１４］陆继翔，张琪培，杨志宏，等．基于ＣＮＮ ＬＳＴＭ混合神经网络模型的短期负荷预测方法［Ｊ］．电力系统自动化，２０１９，４３（８）：１３１－１３７．（ＬＵＪｉ ｘｉａｎｇ，ＺＨＡＮＧＱｉ ｐｅｉ，ＹＡＮＧＺｈｉ ｈｏｎｇ，ｅｔａｌ．Ｓｈｏｒｔ ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎＣＮＮ ＬＳＴＭｈｙｂｒｉｄｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１９，４３（８）：１３１－１３７．）［１５］高帅，胡红萍，李洋，等．基于改进的思维进化算法与ＢＰ神经网络的ＡＱＩ预测［Ｊ］．数学的实践与认识，２０１８，４８（１９）：１５１－１５７．（ＧＡＯＳｈｕａｉ，ＨＵＨｏｎｇ ｐｉｎｇ，ＬＩＹａｎｇ，ｅｔａｌ．ＡＱＩｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｍｉｎｄｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＭａｔｈｅｍａｔｉｃｓｉｎＰｒａｃｔｉｃｅａｎｄＴｈｅｏｒｙ，２０１８，４８（１９）：１５１－１５７．）（责任编辑：景 勇 英文审校：尹淑英）６８３沈 阳 工 业 大 学 学 报 第４５卷Copyright©博看网. All Rights Reserved.。
spss操作基于BP神经网络的我国规模以上工业企业资产总值预测模型
基于BP神经网络的我国规模以上工业企业资产总值预测模型摘要本文首先基于因子分析原理在spss中对2000年至2013年中国所有规模以上工业企业总资产相关数据进行因子分析，分析每年因子得分结果得出了中国自2000以来规模以上企业资产发展状况的初步分析。
其次基于神经网络分析方法，对中国2000年到2013全国工业企业资产总额的时间序列数据进行分析，以2000年至2012年之间的规模以上企业资产总额作为训练数据，模拟并预测了2013年的全国规模以上工业企业的资产总额，在根据相关指标走势进行分析后对参数进行调整，最终得出了较为准确的估计结果。
关键词：规模以上工业企业；资产总额；BP神经网络；因子分析；spss；预测；引言工业发展状况是我国经济发展的一项重要指标，中国国家统计局每年都要对我国不同地区相关工业企业的发展情况进行调查统计，最终将结果出示在中国国家统计局统计年鉴中。
而规模以上企业的资产运营状况在中国所有的企业中，占有一定程度主导经济走向的地位。
国家统计年鉴中对于规模以上工业企业的资产运营数据（完整统计）是自1999年起的，在本文中我们选取2000年及以后的数据作为分析对象。
所选择的数据是有时间序列数据（2000至2013年数据）与截面数据（包含1个工业企业资产指标）构成的面板数据。
从统计数据来看，我国规模以上企业工业每年的指标变化程度不一，每一样指标对该企业资产运营状况的影响程度不同，但这些数据总体呈现上升趋势。
因子分析法是用来分析每一年全国规模以上工业企业资产总运营情况的，随着时间的变化，我国的规模以上工业企业资产运营究竟是在走上坡路还是下坡路，是在不断提速还是减速，经过因子分析之后，就可以根据每一年针对反映资产运营状况的只要因子得分来做出科学判断了，这就是第一步要完成的任务。
而神经网络分析方法则是一种基于计算机快速学习记忆功能的数据处理方法，利用神经网络分析的学习功能，我们可以实现对特定数据的趋势预测。
基于BP神经网络的股票价格预测
基于BP神经网络的股票价格预测基于BP神经网络的股票价格预测一、引言在现代金融市场中，股票价格预测一直是投资者和研究人员关注的焦点。
准确预测股票价格的变动可以为投资者提供重要参考，从而在交易中取得更好的收益。
而基于神经网络的股票价格预测模型由于其能够对非线性关系进行建模的优点而备受关注。
本文旨在探讨和分析基于BP神经网络的股票价格预测模型。
二、BP神经网络原理简介BP神经网络（Back Propagation Neural Network）是一种前馈型人工神经网络，通常由输入层、隐藏层和输出层组成。
它通过反向传播算法更新权值，实现输入样本和输出样本之间的映射关系。
三、数据准备与预处理在使用BP神经网络进行股票价格预测前，我们首先需要准备和预处理相关数据。
一般情况下，我们会收集与股票价格相关的各种指标，如收市价、成交量、市盈率等等。
然后，对这些指标进行归一化处理，使其取值范围被映射到固定区间内，以避免不同指标之间的差异对预测结果的影响。
四、BP神经网络模型构建1. 输入层设计基于选定的股票指标，我们可以将每个指标作为一个输入节点。
输入层的节点数量取决于选择的指标数目。
2. 隐藏层设计隐藏层的设计是BP神经网络模型中的一个关键环节。
合理设置隐藏层数量和每层节点数量可以有效地提高预测模型的准确度。
为了减小过拟合的风险，还可以采用正则化技术，如Dropout。
3. 输出层设计在股票价格预测中，输出层通常只有一个节点，表示股票价格的预测值。
根据不同的需求，我们可以采用不同的激活函数，如线性激活函数或Sigmoid函数。
4. 权值和偏置的初始化BP神经网络模型中，权值和偏置的初始化是一个重要的步骤。
常用的权值初始化方法有随机初始化和Xavier初始化。
5. 反向传播算法BP神经网络通过反向传播算法来更新权值和偏置，使模型的输出结果与真实值的误差最小化。
在这个过程中，我们需要选择优化算法、设置学习率和迭代次数。
基于神经网络的预测模型设计与实现
基于神经网络的预测模型设计与实现近年来，神经网络已经成为了机器学习领域的热门技术，多个领域都使用了神经网络来解决问题，其中预测模型就是其中之一。
预测模型可以准确地预测未来的趋势，对于企业决策和投资分析有着重要的作用。
本文将会介绍基于神经网络的预测模型设计以及实现。
一、神经网络简介首先，我们先了解下神经网络的基本概念。
神经网络是一种模仿人脑的计算模型，其结构是由大量的神经元节点组成的。
神经元之间通过连接构成网络，每个神经元会接收其他神经元传递的信息，再根据输入和自身的参数进行加工处理，最终输出给其他神经元进行传递。
神经网络的训练过程一般分为两步：前向传播和反向传播。
在前向传播中，将神经元的输入信号传递给下一层神经元，最终输出最终结果。
在反向传播中，通过对误差进行反向传播，不断优化神经网络的参数来提高预测的准确度。
二、预测模型的设计流程在神经网络中，预测模型的设计流程一般分为以下几个步骤。
1.数据预处理在构建神经网络之前，我们需要对输入的数据进行预处理。
预处理的过程中，一般会进行数据的清洗、归一化和标准化等操作，来保证数据的准确性和可靠性。
2.选择神经网络结构在设计预测模型时，我们需要为网络选择适当的结构。
一般来说，神经网络可分为前馈神经网络（Feedforward Neural Network，FNN）和循环神经网络（Recurrent Neural Network，RNN）两种。
前馈神经网络是一种单向传递信号的网络，适用于连续变量的预测；而循环神经网络则是通过神经元之间的连接来构建时间序列预测模型。
3.确定模型参数在确定神经网络的结构之后，我们还需要确定网络的各个参数。
例如，神经元的个数、学习率、正则化系数等。
这些参数的选择会对预测模型的结果产生很大的影响，需要我们仔细考虑。
4.训练神经网络通过神经网络的训练，可以不断优化网络的参数，提高预测的准确度。
在训练过程中，我们需要确定合适的损失函数，来衡量预测结果与真实结果的差距。
基于GA-BP_神经网络晶粒尺寸预测模型的轮端轮毂锻造工艺优化
精 密 成 形 工 程第16卷 第3期 44JOURNAL OF NETSHAPE FORMING ENGINEERING 2024年3月收稿日期：2024-01-15 Received ：2024-01-15基金项目：国家重点研发计划（2022YFB3706903）；国家自然科学基金（52090043）Fund ：National Key R&D Program of China (2022YFB3706903); The National Natural Science Foundation of China (52090043) 引文格式：孔德瑜, 晏洋, 张浩, 等. 基于GA-BP 神经网络晶粒尺寸预测模型的轮端轮毂锻造工艺优化[J]. 精密成形工程, 2024, 16(3): 44-51.KONG Deyu, YAN Yang, ZHANG Hao, et al. Optimization of Wheel End Hub Forging Process Based on GA-BP Neural Network Grain Size Prediction Model[J]. Journal of Netshape Forming Engineering, 2024, 16(3): 44-51. *通信作者（Corresponding author ）基于GA-BP 神经网络晶粒尺寸预测模型的轮端轮毂锻造工艺优化孔德瑜1，晏洋2，张浩1，邓磊1*，王新云1，龚攀1，张茂1（1.华中科技大学 材料成形与模具技术全国重点实验室，武汉 430074；2.湖北三环锻造有限公司，湖北 襄阳 441700）摘要：目的 针对6082铝合金轮端轮毂在热处理过程中出现的粗晶问题，利用基于遗传算法优化的BP 神经网络晶粒尺寸预测模型模拟优化锻造工艺方案，避免产生粗晶。
方法 以遗传算法替代梯度下降法优化神经网络各节点的权值和阈值，建立高精度的GA-BP 神经网络晶粒尺寸预测模型，再以轮端轮毂为对象，设计锻造工艺方案并利用Deform 进行微观组织仿真，研究压下速率、坯料初始温度对晶粒尺寸的影响，获得最优方案。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
添加到[三、模型构建1.模型选择：BP网络具有理论上能逼近任意非线性函数的能力，将输入模式映射到输出模式，只需用已知的模式训练网络，通过学习，网络就有了这种映射能力。
2.样本数据归一化：在训练前，对数据进行归一化处理，把输入向量和输出向量的取值范围都归一到[0，1]。
3.BP网络设计：采用单隐层的BP网络进行预测，由于输入样本为5维的输入向量，因此输入层一共有5个神经元，中间层取20个神经元，输出层一个神经元（即黄金价格），网络为5*20*1的结构。
中间层的传递函数为S型正切函数，输出层为S型对数函数。
中间层的神经元个数很难确定，测试时分别对12，15，20个数进行测试，寻找误差最小的。
4.网络训练:训练次数epochs5000,训练目标goal 0.001对30个样本数据进行训练，经过1818次的训练，目标误差达到要求，如图2所示：5.网络测试：神经元个数为20个时误差最小，此时网络的仿真结果如图3所示，预测精度80%以上，效果满意。
四、结论在对1976年～2006年的影响国际黄金价格的五种因素的数据进行归一化处理后，用M ATLAB建立的BP神经网络预测模型进行预测，达到了很好的效果。
国际黄金的长期价格受到许多因素的影响，本文只是对道琼斯工业指数等影响因素诸如分析，来预测长期的国际金价。
还有其他因素，如国际油价，局部政治因素等，如果考虑进去，预测精度会进一步提高。
参考文献：[1]徐优丽:基于神经网络的物流需求预测.浙江树人大学学报, 2008(01):56～58[2]刘曙光胡再勇:黄金价格的长期决定因素稳定性分析.世界经济研究,2008(02):35～41基于BP神经网络的中国铁矿石需求量预测来源：国土资源情报作者：郭娟发布时间：2009.03.04摘要：铁矿石作为国民经济发展的基础原料之一，在我国目前工业化全面发展的时期，正处于高消耗的状态首先，本文根据历年我国铁矿石的产量和进口量，对我国铁矿石的需求量进行了估算；然后运用Matlab工具，对铁矿石的需求量进行分析模拟，建立了神经网络模型；最后，对中国未来铁矿石需求进行了初步预测预测表明，中国铁矿石需求将在2012--2015年达到高峰期。
关键词：铁矿石需求量神经网络高峰一、引言伴随我国工业化、城镇化进程的不断推进，钢铁F业迅速发展，国民经济对钢铁的需求量不断增加，相应地对铁矿石需求量也在大幅上升，从而给我国铁矿石的生产带来了巨大的压力。
为了满足铁矿石消费量持续增长的需求，我国铁矿石产量一路飘升，从1978年到2007年，铁矿石产量从1.18亿吨增长到了7.07亿吨，增长了5倍。
2007年我国铁矿石产量占世界铁矿石总产量的20%，是世界上最大的铁矿石生产国。
但是，铁矿石产量增长仍远远跟不上需求的增长。
继2003年我国铁矿石进口量（1.48亿吨）超越日本、欧盟成为全球最大的铁矿石进口国后，进口铁矿占全球海运贸易量的比例不断加大。
1978--2007年的30年间，中国进口铁矿石从802.02万吨增长到3.83亿吨，翻了45倍。
二、BP神经网络概述神经网络是20世纪40年代新兴起来的一种预决策技术，因其具有极强的非线性动态处理能力，强大的自适应、自学习功能而被广泛应用于不同领域。
在众多神经网络中，BP 神经网络是最具代表性和应用最为广泛的一种网络模型[1]，其功能也发展得最全面和完整，因此本文运用BP神经网络的方法建立铁矿石需求模型，并利用该模型对铁矿石需求量进行预测。
BP神经网络是误差反向传播的多层前馈网络，它可以任意精度逼近任意的连续函数，主要应用于非线性建模函数逼近模式分类等力面。
BP神经网络由输人层、隐含层、输出层组成。
以带一个隐含层的BP神经网络为例，网络的一般结构见图1。
在BP神经网络中，信号由输人单向传至输出，且同一层的神经元之间互不传递信号[2]。
每个神经元与相邻层的所有神经元相连。
某一层的神经元的输出值通过连接权系数的加强或抑制传输到下一层的神经元。
除了输入层外，每一神经元的输人为前一层所有神经元之输出值的加权和。
图2给出了一个基本的BP神经元模型，它具有R个输入，每个输入都通过一个适当的权值、与神经元相连，神经元的输出可表示成[3]：三、铁矿石需求量的BP神经网络预测模型的建立和Matlab实现1989年Robert Hecht--Nielson证明了对于任何在闭区间的一个连续函数都可以用一个隐含层的BP网络来逼近，因而一个3层的BP网络可以完成任意的N维到M维的映射，所以本文采用3层BP神经网络。
1．样本数据处理对铁矿石的消费量，我们用国产原矿产量加净进口量来估算，由于我国铁矿石基本没有对外出口，铁矿石消费量约等于国产原矿产量加进口量的总和。
本文铁矿石消费量按65%成品矿计量，我国进口铁矿石品位多数在65%左右，折合为成品矿换算系数是1。
而国产原矿品位一般在35%左右，按品位折合为成品矿时，换算系数约为0.5。
1981--2007年我国铁矿石消费量计算结果见表1。
2.BP网络结构设计输入层：根据铁矿石产量数据的特点以及我国进行5年规划的惯例，选择输入层神经元个数为5。
即用1981--1985年的国内铁矿石需求量作为网络的输人，1986年的国内铁矿石需求量作为输出，依此类推，就得到22组数据。
输出层：由于输出的结果只有一个指标，即铁矿石需求量，因此取输出节点数为1。
隐含层：理论分析表明,具有单隐层的前向网络可以以任意精度映射任何的连续函数，本研究选用只有一个隐层的前向网络，而对于隐含层节点数使用经验公式s≥k×m/(m+n)来确定[5]。
其中：m为输入层节点数，取5；n为输出层节点数，取1；k为学习样本个数，取22。
由此可以计算出网络隐含层节点数为19个。
传递函数：一个神经网络，如果第一层是S型函数，而第二层是线形函数，就可以用来模拟任何函数（必须是连续有界的）。
因此，确定隐含层传递函数为S型函数“tansig"，输出层传递函数为线形函数“purelin”。
训练函数：为了确定最快捷准确的训练函数，本文采用比较法来确定。
利用Matlab 中常用的训练函数训练网络，得到不同函数的训练结果，最终确定采用,Levenberg Marquart算法，如表2所示。
从表2中可以看出，trainlm（）函数的迭代次数最少，收敛精度最高，故采用Levenberg Marquart算法是最为快速和精确的。
3.BP网络建立及训练利用Matlab中的神经网络工具箱，可方便地直接在Matlab中调用相关函数实现BP 网络模型的学习、训练、拟合及预测（仿真）过程。
具体步骤为：第一步，数据归一化。
为了在Matlab中计算的方便，在网络建立之前，需要对数据的大小进行归一化处理。
本文采用的是[-1,1]归一化，利用Matlab工具箱中的Premnmx（）函数把数据归一化为单位方差和零均值，这相当于把原始数据看成服从正态分布。
第二步，建立网络。
数据归一化后，通过newff（）函数并使用选定的训练函数trainlm（），生成了一个前馈的5-19-1的二层BP神经网络。
第三步，训练网络。
通过train（）函数对已生成的网络进行学习训练，学习步长设为200个周期，目标误差设为0.001，学习速度设为0.05并每隔20步显示一次结果。
训练结果表明，训练从第三个周期开始，误差小于目标误差，误差平方和的均值为0.000281，此时停止训练。
第四步，网络仿真模拟及数据还原。
将经过归一化处理过的样本数据带人已训练的网络进行仿真模拟，此过程通过Matlab工具箱中的sim（）函数来实现。
最后将运算结果通过Postmnmx（）函数进行反归一化处理，从而得到有效的预测值。
4.BP网络模型检验把1981--2007年的中国铁矿石消费量数据带人已训练好的模型，通过仿真模拟和数据的反归一化处理，可以得到1986--2007年铁矿石需求量的预测值，（见表3）。
从表中可以看出，误差百分比小于6%的有19项，占86.36%；大于6%的有2项，占13.64%。
说明铁矿石需求预测的神经网络模型误差很小，该模型的泛化能力较好，模拟的结果比较可靠。
四、铁矿石需求量的BP神经网络预测分析把2003--2007年中国铁矿石消费量的实际数据作为训练好的神经网络的输人，得到2008年需求量预测值。
将2004--2007年实际数据以及2008年的预测结果作为输入，得到2009年预测值，依此类推，可以得到2008--2015年中国铁矿石需求量的预测结果，如表4所示。
从表中可以看出，中国铁矿石需求量2008--2011年持续上升，2008年为78854万吨，2010年为86713万吨。
2012--2015年中国铁矿石需求量进人高峰阶段，为87828万--90379万吨。
图3是中国铁矿石需求预测模型的真实值和预测曲线图，从图中可以看出，运用BP 神经网络仿真的效果十分理想，训练后的BP网络能很好地逼近给定的目标函数。
从图3中同时可以看出，2008--2011年未来4年中国铁矿石需求呈上升趋势，但增幅将会下降；2012--2015年进人铁矿石需求高峰阶段，铁矿石需求趋于平缓。
预测结果中2012--2015年我国铁矿石需求出现小幅波动，这主要是由于受美国次贷危机的影响世界经济出现下滑，我国经济受世界经济的影响所致。
五、结论本文的应用研究主要是以1981--2007年铁矿石消费量的数据为基础，运用BP神经网络建立预测模型，并结合Matlab提供的神经网络工具箱对算法进行实现。
经过对历年铁矿石消费量的分析，合理地设计了BP神经网络的结构。
同时，通过比较Matlab中神经网络训练函数的训练步数、收敛精度及误差，反复训练确定了最佳的BP神经网络训练函数，合理地确定了最优的铁矿石需求量BP网络模型，取得了一定的定量分析结果。
从预测结果可以得出，我国铁矿石需求量2008--2011年将持续上升，但增长幅度放缓，2012--2015年进人铁矿石需求高峰阶段。
参考文献[1]赵志勇等．基于MATLAB的BP神经网络计算铁矿产品成本.河北理工学院学报，2003(4):78--79[2]Dennis Olson,Charles Mossman.Neural Network Forecasts of Canadian Stock Returns Using Accounting Ratios.International Journal ofForecasting,2003(8):453--465[3]飞思科技产品研发中心.MATLAB6.5辅助神经网络分析与设计.北京：中国统计出版社，2003,1，64--69[4]国家统计局．中国统计年鉴，北京：中国统计出版社，2007[5]高宁，邵陆寿.基于MATLAB的BP神经网络在农作物虫情测预报中的应用．计算机与农业，2003(7):16—18本文利用CT值预测苹果的含水率, 即输入层数据为CT值, 输出数据为苹果含水率。