基于BP神经网络的预测模型

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。