BP神经网络模型在室内温度预测中的应用

BP神经网络模型在室内温度预测中的应用作者：何泾沙郑伟

来源：《电子技术与软件工程》2015年第12期

摘要

随着技术发展，人们对环境的要求越来越高，良好的环境质量如适宜的温度关系到人们生活、生产活动的质量，所以对的环境温度的预测显得尤为重要。通过确定适当的BP神经网络结构，对已知的历史温度数据进行网络训练和学习，能够预测其后某时刻温度数值的结果。实验结果表明该模型对温度的变化趋势有较好的预测能力。

【关键词】反向传播神经网络温度预测前向传播

1 引言

对人的生存环境的关注一直是现代科学研究的重要目标，对室内环境信息如温度进行有效监测可以了解环境自身状况，还可以为研究环境变化、环境污染提供参考。

常用的温度预测模型有线性回归模型[2]和灰色—线性回归组合模型。温度在很多时候为随机、非线性变化，采用线性回归的数据分析方法显得不是十分适用。

针对上述几种模型的不足，本文采用非线性的BP神经网络作为预测模型。根据BP神经网络模型的可以逼近任意非线性函数的特性，通过分析已近采集到的温度，进行大量的实验，获得最佳预测模型，利用模型来预测环境信息如温度的短时间变化，从而实现有效的预测。

2 BP神经网络概述

传统的预测方法中，数据处理模块比较简单，主要利用采用以前积累的若干数据，利用线性回归的进行曲线拟合，得到若干条温度曲线，能够反应温度的变化率，但是灵活性较差，预测精度低，前期需要大量的数据积累，可推广性不强。

人工神经网络（artificial neural network），是一种模仿生物神经网络的结构和功能的数学模型。由大量的人工神经元联结进行计算，常用来对输入和输出间复杂的关系进行建模。

BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络。它的学习规则是使用最速下降法，通过反向传播来调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。

3 基于BP神经网络模型的温度预测方法

3.1 BP神经网络

本系统采用BP神经网络建立温度预测模型。BP网络算法分为两部分：一是信号的正向传播过程，即训练信号由神经网络的输入层经隐层处理后传向输出层，其间每一层神经元的状态只影响下一层的神经元的状态；二是误差（E（t））的反向传播过程，即采用梯度下降的最小方差学习方式，将误差反向传播，不断调节网络中神经元之间的连接权重，使误差最终达到最小。但当梯度下降的最快方向与误差曲面最小点方向偏离较大时，参数到达最小点的路径将加长，以致网络学习效率低，速度慢。

为克服这种不足，本文采用有动量的梯度下降法，该方法通过对权值变化量添加一个与前一循环时权值变化量成正比的值，并根据BP算法来产生新的权值变化，其实质是利用附加的动量把最后一次权值的影响传播到整个BP网络。

3.2 模型应用以及误差分析

3.2.1 样本采集及准备

采集某企业机房温度传感器节点8月17日18：00至19：00和8月18日18：00至19：00两小时的温度数据，采集间隔为两分钟。以第一天以及第二天18：02至18：54采集到的数据为训练样本，第二日18：56至19：00采集到的数据为预测样本，再对采集到的数据样本进行误差分析。用前9次采集到的数据来预测第10次，如第1-9次预测第10次，第2-10次预测第11次，依次循环直至终了。所得训练样本为38个，测试网络性能样本为4个。

对样本进行归一化处理，使用matlab的premnmx函数，归一化后的数据将分布在[-1，1]内。

3.2.2 BP神经网络模型各参数设定的实验

根据样本的数目可确定输入层的神经元个数为9个，输出层神经元个数为1个。

根据Kolmogorov定理，对于任意连续函数，可由三层网络来精确实现。其中网络第一层有m个单元，中间层有n单元，第三层有l个单元，且n≥2m+l。

因此BP网络隐含层只需要大于等于2x9+1即19个即可逼近温度曲线，设定隐含层神经元数目分别为25，37，43。实验可知，当隐含层神经元数目为25时，训练1822次才达到收敛，为43时也要1579次才打到收敛而为37时只需要1441次就能达到收敛。隐含层神经元数目为37时，曲线下降迅速，网络的泛化能力为最优。因此设定隐含层神经元数目为37。

3.2.3 BP神经网络模型的训练和误差分析

通过Matlab校验的模型的性能，其中隐含层神经元数目为37，学习率为0.03，最大训练次数为10000次，训练要求预测误差精度0.5%，仿真结果如图1所示。

根据同一样本，基于灰色—线性回归组合模型在matlab中仿真结果如图2所示。

将BP网络模型与灰色-线性回归组合模型做误差对比，二者的预测数值和实际数值列表如表1所示。

分析时间段18日18：54-19：00的温度预测值及其实际值，由表1可知：

18：54时刻BP网络实际结果与预测结果的误差为0.13%。而灰色—线性回归组合模型实际结果与预测结果的误差为0.18%；

18：56时刻BP网络误差与灰色—线性回归组合模型误差均为0.04%；

18：58时刻实际结果与预测结果的误差前者为0.27%，后者为0.37%；

19：00时刻BP网络实际结果与预测结果的相差为0.01，误差为0.05%，而灰色—线性回归组合模型的结果相差高达0.05，误差为0.23%。

从以上4个时刻的温度预测结果和实际结果可以看出，相比灰色-线性回归组合模型，改进的BP网络的误差更小，预测精度更高，更满足预测要求。

参考文献

[1]袁曾任.人工神经元网络及其应用[M].北京：清华大学出版社，1999.

[2]童正明，董万吉，谢飞，李立楠.散热器空气出口温度的线性回归.内燃机工程[J].上海理工大学化工过程机械所，2013（08）.

作者单位

北京工业大学北京市 100124