神經網絡的流程

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經網絡的流程范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡的流程范文第1篇

關鍵詞：公交客流 數據修正 徑向基神經網絡

中圖分類號：TP311.13 文獻標識碼：A 文章編號：1007-9416(2012)02-0117-01

1、引言

公交優化調度是智能公交系統的重要組成部分，也是提高城市公共交通運行效率的重要手段。近些年來，我國在公交調度方面進行了大量的研究，提 出各種各樣的優化調度模型。而這些模型都是建立在公交客流數據的基礎上的，公交客流數據的準確性直接影響到公交調度優化結果。因此，為了提高公交客流數據準確性，本文提出基于RBF神經網絡的公交客流修正方法，以便為公交優化調模型提供科學的數據基礎。

2、徑向基神經網絡理論

2.1 徑向基神經網絡結構

徑向基函數神經網絡(Radial Basic Function,RBF)是多維空間插值的傳統技術，由Powell 于1985年提出，并于1989年論證了RBF神經網絡對非線性連續函數的一致逼近性能。RBF神經網絡屬于前向神經網絡類型，由三層結構組成。第一層為輸入層，由信號源點結點組成；第二層為隱藏層，隱臧結點由所描述的問題決定；第三層為輸入層，主要功能為響應輸入模式。

2.2 徑向基神經網絡的學習算法

RBF神經網絡學習算法的主要問題是求解3個有效參數，分別為基函數中心，方差和隱含層到輸出層的權值。因為RBF基函數中心選取方法不同，RBF網絡有多種學習方法。本文根據所要解決的問題，選用自組織選取中心的RBF神經網絡的學習方法。該方法分別由無導師學習過程和有導師學習階段兩部分組成。具體學習算法這里不再贅述。

3、基于徑向基神經網絡客流連續化方法

公交客流數據包括乘客到達率，下車率，斷面通過率等。本文以乘客到達率作為公交客流數據的具體例子，對其進行基于徑向基神經網絡修正。其它客流數據連續化處理方法相同。單位時間內到達的乘客人數定義為乘客到達率，但按照定義方法求得的到達率為離散點，不能反映出其隨時間連續變化的規律。為了得到更滿意的結果，故本文采用以上介紹的徑向量神經網絡進行連續化處理。

具體的處理步驟如下：

(1)首先把統計時段的中間點取值為該時段的平均值。

(2)如果計算時，初始時刻到達率出現負值，則將初始時刻的平均值取半作為實際計算值。因為首發和末發時段一般呈現上升和下降的趨勢，如果變化率較大，采用徑向基神經網絡進行處理時，有可能使初始時刻和最后時刻的到達率出現負值。

(3)運用matlab神經網絡工具箱中newrb()函數構建徑向基神經網絡，sim()進行預測仿真，得出具體的曲線。

4、實例應用

如表1所示，為江蘇省鎮江市19路車某個工作日江蘇大學中門站7：00～8：00的上車人數。

由表1計算結果可知江蘇大學中門站7：10～7：20的乘客到達率為2.9人/min，而7：00～7：10到達率卻是1人/min，7∶20～7∶30的A1站到達率為2.4人/min。因此，該站在7∶10～7∶20到達率應為單調遞升，主要表現為7∶10附近的到達率要小于2.9人/min，7∶20附近的到達率要大于2.9人/min。所以如果7∶10～7∶15時段到達率選用2.9人/min，則必將降低公交調度優化結果的準確度。因此，為了克服上述問題的不足，得到更佳理想的結果，本文采用以上所述方法對其修正，結果如圖1所示。

5、結語

本文根據城市公交客流數據所存在的問題，采用RBF神經網絡對其進行科學修正，以便為公交調度優化模型提供更加準確的數據源。并以鎮江市19 路公交車江蘇大學中門站某個工作日的客流量數據計算實例，結果表明該方法科學可行，具有更加廣闊的適用面。

參考文獻

[1]楊慶芳,魏領紅,揚兆升.公交線路調度優化模型研究[J].合肥工業大學學報,2009,32(11):1643～1645.

神經網絡的流程范文第2篇

[關鍵詞]：貝葉斯BP神經網絡 預測流程 預測模型 仿真分析

一、貝葉斯正則化BP神經網絡算法

為了解決在工程中遇到的一些基于BP神經網絡的問題，可通過減少神經網絡的參數數量，降低網絡規模，這樣就不會出現過擬合的現象，這就是正則化（regularization）方法。為保證用此方法設置的參數能夠自適應神經網絡并且能夠優化，通常采用貝葉斯理論，即通過LevenbergMarquardt（LM）算法實現這一目的，這也就是我們熟知的貝葉斯正則化BP神經網絡（Bayesian Regularization BP neural network， BRBPNN ）。

二、基于貝葉斯正則化BP神經網絡的性能預測流程

在利用貝葉斯正則化BP神經網絡算法來實現對離心泵性能預測時。可按照圖所示的流程圖進行：

三、構建基于貝葉斯正則化BP神經網絡性能預測模型

在貝葉斯正則化BP神經網絡中，輸入模式對于離心泵性能預測預測結果有比較大影響，選取對離心泵能量性能影響較大的離心泵幾何參數（葉輪出口直徑（ ）、葉片出口寬度（ ）、葉片出口安放角（ ）、渦殼的基圓直徑（ ）、渦殼進口寬度（ ）、蝸殼第八斷面面積（ ）、葉片包角（ ）以及葉片數（ ））和設計流量（ ）作為貝葉斯正則化BP神經網絡的輸入變量。根據輸入模式可以確定輸入層神經元數目為9。考慮到BF神經網絡的隱含層神經元是徑向基函數，該特性使BF神經網絡的擬合特性為局部性，于是本文將泵的揚程和效率預測設計為2個相類似結構的貝葉斯正則化BP神經網絡預測模型，即離心泵揚程和效率貝葉斯正則化BP神經網絡預測模型，如圖2所示。

四、仿真實驗

為了考察建立的離心泵性能貝葉斯正則化BP神經網絡預測模型的有效性，我們采用從沈陽水泵研究所編撰的《全國優秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現代泵技術手冊》選取57組單級單吸離心泵的設計參數和試驗參數作為訓練樣本數據和目標數據。得到訓練樣本數據和目標數據輸入的離心泵性能貝葉斯正則化BP神經網絡預測模型進行訓練學習曲線如圖3所示：

為了考察建立的離心泵性能的貝葉斯正則化BP神經網絡預測模型的效果，我們從沈陽水泵研究所編撰的《全國優秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現代泵技術手冊》選取6組單級單吸離心泵的設計參數和試驗參數數據作為檢驗樣本，其具體數據如表1所示。

采用表1的數據和利用已經建立的離心泵性能的貝葉斯正則化BP神經網絡預測模型進行預測離心泵的揚程、效率等性能指標，與譚明高、劉厚林、袁壽其等人所做實驗和撰寫的文獻參數進行對比，其結果如表2所示。

分析表2的離心泵性能的2種改進型BP神經網絡預測模型檢驗樣本預測結果發現：BRBP神經網絡預測的揚程 最大相對誤差的絕對值為6.98% 、最小相對誤差的絕對值為0.41%、均方根相對誤差為5.20%； 效率誤差最大相對誤差的絕對值為5.30% 、最小相對誤差的絕對值為1.67%、均方根誤差為2.98% 。LMBP神經網絡預測的揚程 最大相對誤差的絕對值為14.0% 、最小相對誤差的絕對值為0.06%、均方根相對誤差為7.81%；效率誤差 最大相對誤差的絕對值為3.21% 、最小相對誤差的絕對值為0.17%、均方根誤差為1.85%。

通過對上面的結構分析，效率預測精度高一些，揚程預測精度低一些，我們可以推斷，這可能與離心泵的影響因素有關。BRBP神經網絡預測離心泵揚程精度最高，LMBP神經網絡預測離心泵效率精度最高。

需指出的是，雖然貝葉斯正則化BP神經網絡預測離心泵效率精度比LMBP神經網絡差一些，但在預測離心泵揚程方面BRBP神經網絡預測模型比LMBP神經網絡預測模型明顯精度更好一些。這是因為貝葉斯正則化BP神經網絡靠貝葉斯統計理論進行確定和訓練，由程序自動確定，相對而言更穩定。

五、總結

本章采用貝葉斯正則化BP神經網絡算法，建立了離心泵性能預測模型，最后在沈陽水泵研究所編撰的《全國優秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現代泵技術手冊》選取57組單級單吸離心泵的設計參數和試驗參數進行建模和驗證，結果表明離心泵性能貝葉斯正則化BP神經網絡預測模型與原有的離心泵性能LMBP神經網絡預測模型一樣有效，并且設置參數更簡單、更方便，是一種比較有前途的離心泵性能預測方法。

參考文獻：

[1]關醒凡.現代泵技術手冊[M].宇航出版社，1995.

神經網絡的流程范文第3篇

關鍵詞：神經網絡 建筑管理 數據倉庫

中圖分類號：F274 文獻標識碼：A 文章編號：1007-9416（2015）09-0000-00

1神經網絡系統理論的研究目標

是以研究以模擬人體神經系統的運動行為， 建立神經網絡基本特征的一種神經網絡系統運算算法。這種算法可在計算機上，通過硬件與軟件的相互配合來實現， 也可以在神經網絡計算機上更加快捷的實現，最終可以實現智能計算機終端智能運算的目標。神經網絡系統是由大量的神經元--簡單的信息處理單元，按特定的配對方式相互構成， 神經元之間的信息傳遞和儲存，依照一定的規則進行， 網絡連接規則以及數據存儲方式有一定的穩定性與匹配性， 即具有學習和訓練的特定效果。

1.1神經網絡系統模型與應用范圍

有反饋網絡模型。有反饋網絡也稱回（遞）歸網絡， 在這這當中， 多個神經元互聯以組成一個互連神經網絡。有些神經元的輸出被反饋至同層或前層神經元， 因此， 信號能夠從正向和反向流通。

1.2 神經網絡的設計

在決定采用神經網絡技術之前， 應首先考慮是否有必要采用神經網絡來解決問題。一般地， 神經網絡與經典計算方法相比并非優越。只有當常規方法無法解決或效果不佳時神經網絡才能顯示出其優越性。尤其是當問題的機理等規律不甚了解， 或不能用數學模型表示的系統， 神經網絡往往是最有力的工具。另一方面， 神經網絡對處理大量原始數據而不能用規劃或公式描述的問題， 表現出極大的靈活性和自適應性。

2 建筑管理模式

建筑管理模式是在TFV理論基礎上構筑的。建筑管理模式在國外，對精益建造的理論和應用研究已取得了很多成果， 但國內對于精益建造，未能給予足夠重視。

數據處理技術在企業的逐步成功應用，企業積累了大量的生產"科研相關和業務數據，但面對浩如煙海的企業數據，決策人員常常難以及時獲得足夠信息，提出決策的現狀，許多企業已經構建了完善的數據庫.并且通過聯機分析處理的方式技術，可以使決策人員更快捷的從數據倉庫中提取精良信息。

3 建筑管理模式

3.1 任務制度管理

任務制度管理是從生產管理轉換的角度管理生產制造， 雖然本質依然是硬性管理， 但管理的內容為與適應建造相關用戶的合理配合安排， 主要依據顧客需求設計來配編生產系統， 最后一招合同流程來實現。

3.2 流程過程管理

流程過程管理是從流程的角度管理數據模型， 其本質為軟性數據管理。流程管理的目標是不但要有高效率可預測數據目標的綜合流程， 而且要做好建設項目的相關單位，現場數據工作人員之間的相互協調工作。

3.3 價值趨向管理

價值趨向管理是從數據價值的角度管理生產， 它是以一種更加柔性的方式來體現顧客消費價值和一種硬性的方式完成生產預訂目標的的趨向性管理。

4 數據倉庫概論

數據倉庫，就是一個更完全面支持企業組織的決策分析處理數據的面向主題的總成的，不可隨時間不斷變化持續更新的數據倉庫體系結構，美國哈佛大學計算機科學系的專門小組，通過長期對數據技術的研究，提出了數據倉庫技術的完善概念，該概念是在體系結構整體上對數據倉庫進行了描述，從各個數據源收集所需數據，并與其他數據源的數據銜接，將集成的總體數據存入數據倉庫終端，用于用戶直接從數據倉庫中訪問相關數據，用于理論和實踐應用的案例.運用這種建筑管理模式， 可以提高生產率， 降低成本和增加顧客滿意度， 在建筑業中有廣闊的應用前景。

5 結語

在當今日益激烈的競爭環境下決策人員能否及時地從大量原始數據中提取更多更好的信息是一個企業生存發展的關鍵，傳統的神經網絡系統的建筑管理數據倉庫的設計已不能適應行業的發展精益建造這種體系應運而生。他是由精益生產延伸而來，將神經網絡系統的建筑管理數據倉庫的設計以及實踐應用到行業之中。

參考文獻

[1]趙璐.基于精益建造的成本管理[J].華中科技大學學報，2005.

[2]肖智軍，黨新民.精益生產方式JIT[M].廣州： 廣東經濟出版社，2004.

[3]Glenn Bllard3 劉來紅， 王世宏.空氣過濾器的發展與應用.過濾與分離，2000，10

[4]Lauri Koskela. We Need A Theory Of Construction

[C]， Berkeley - Stanford CE&M Workshop： Defining a Research

Agenda for AEC Process/Product Development in2000 and Beyond Stanford， Berkeley， 1999.

神經網絡的流程范文第4篇

用PCA-BP神經網絡模型對公路客運量進行預測，預測精度與收斂速度都不是很理想，為克服PCA-BP神經網絡算法存在的非線性逼近、迭代次數過多，易陷入局部極值等不足，提出將PCA-BP神經網絡模型與動態陡度因子、附加動量因子和動態調整學習率算法結合的方法，給出具體的網絡學習方法，并結合實際調查數據進行對比測試，分析結果證明了改進型PCA-BP神經網絡模型對公路客運量預測有效性．

關鍵詞:

PCA-BP神經網絡;動態陡度因子;動態調整學習率算法;客運量;預測

公路客運量預測屬于復雜非線性系統問題，早期的預測方法主要有多元線性回歸預測模型、自回歸模型、自回歸滑動平均模型、指數平滑預測模型等．SherifIshak等［1］應用實時數據分析和評價了幾種交通客運量預測模型的效果;孫煦、陸化普［2］等對公路客運量預測難以建立精確預測模型的問題，引入基于蟻群優化的支持向量機算法對公路客運量進行預測．這些方法可以實現交通客運量的預測工作，但缺點是沒有擺脫建立精確數學模型的困擾，其預測效果很大程度上取決于參數的選取，并且非線性擬合能力不突出．Tung、Chrobok、Quek［3-5］等人采用神經網絡模型進行預測，證明神經網絡得到的結果的精確性較傳統預測模型高．董春嬌［6］等在傳統的BP(BackPropa-gation)神經絡算法中有所改進，采用Elman神經網絡的交通流短時預測，通過在前饋網絡的隱含層中增加一個承接層，作為延時算子使系統具有適應時變特性的能力．在公路客運量的預測方面，神經網絡應用較多，但傳統的BP神經網絡存在的非線性逼近、迭代次數過多，易陷入局部極值等不足，而且預測結果影響因素分析較少，對預測指標的選取沒有進行全面充分的系統考慮．本文在PCA(PrincipleComponentAnalysis)與BP神經網絡相結合構成PCA-BP網絡模型的基礎上，將動態陡度因子、附加動量因子和動態調整學習率等方法融入模型的運作過程，進一步完善算法，提出改進PCA-BP神經網絡模型，并將其運用到公路客運量的預測．

1PCA-BP模型的基本原理

公路客運量受人口總數、區域經濟發展水平、居民消費水平等多種因素影響．在用BP神經網絡進行模擬預測時，首先要確定對預測指標有影響的主要因素(即系統輸入)．運用PCA-BP神經網絡模型可以實現減少輸入變量個數，達到降維目的，并使其包含原輸入變量群的絕大部分信息，從而提高神經網絡的運行效率和預測精度．PCA-BP神經網絡模型流程見圖1．

1．1PCA原理［7］在所有的線性組合中選取方差最大的p1為第一主成分．若p1不足以代表原來的m個指標的信息，則選取p2即第二個線性組合．

1．2BP神經網絡原理模型拓撲結構有三層，即輸入層、隱含層和輸出層，同一層的節點之間相互不關聯，異層的神經元間前向連接．當一對樣本學習模式提供網絡后，神經元的激活值從輸入層經中間層向輸出層傳播，在輸出層各神經元獲得網絡的輸入響應．之后，按減少希望輸出與實際輸出誤差的方向，從輸出層經各中間層逐層修正各連接權，最后到輸入層．

2改進PCA-BP神經網絡模型的思想

本文基于PCA-BP神經網絡模型，采用動態陡度因子、附加動量因子和動態調整學習率算法，將網絡模型進行優化，最后將降維的樣本集合和優化的權值代入網絡，在經過PCA-BP神經網絡訓練之后，用檢驗樣本集合對其進行檢驗．

2．1附加動量法傳統BP算法在調整權值時，只按照當前時刻的負梯度方向調整，沒有考慮到以前各次運算中的梯度方向，導致新樣本對迭代過程的影響太大，會導致數據訓練過程中調整方向發生振蕩，導致不穩定和收斂速度慢．附加動量的BP算法［10］考慮了以前時刻的貢獻，其權值迭代公式如下所示。

2．2動態調整學習率［8］傳統BP模型中，學習率是固定的．學習率對模型運算性能影響較大，動態的學習率可以改善訓練算法的性能．學習率η與誤差函數相關聯，在網絡的每一步學習過程中動態調整η的值，對不同的誤差質的變化，每一步學習后學習率都進行相應的調整．

3改進PCA-BP模型的預測流程

3．1網絡初始化對所得的社會經濟指標進行主成分分析，得出輸入節點數與輸出節點數m，n;采用經驗公式確定節點數的上下限，隱節點數的上限作為初始隱節點數l．初始化輸入層、隱含層和輸出層各神經元間權值wij，wjk．隱含層閾值a，輸出層閾值b;給定初始化的學習速率η;網絡輸入和輸出為(X，Y)．

3．2計算隱含層輸出根據給定的輸入向量X，輸入層和隱含層間連接權值wij以及隱含層閥值a，計算隱含層輸出H.

4改進PCA-BP模型在城市交通流預測中的實際應用

為驗證模型預測效果，選取山東濰坊市1996年至2005年10個樣本為學習樣本，將2006至2012年7個樣本作為檢驗樣本，數據見表1．利用SPSS統計工具，對數據進行因子分析，根據實驗和經驗［11］，公式中的參數可以設定為a=1．05，b=0．7，ηmin=0．025;tmax=5000;q=0．85．選取特征值大于1的作為主成分，可以發現當取到3個主成分，其累積貢獻率達86．26%＞80%，滿足要求，即神經網絡的輸入節點為3個．將各個參數代入模型之后可以得出:P0=90，Pmin=0．1．結果如表2、表3所示．經主成分分析，可以確定出神經網絡的輸入節點為3個，即:第一個主成分分數=0.208×總人口數－0.102×人均旅行次數－0.112×居民消費指數+0.202×居民消費水平+0.162×機動車保有量+0.212×地區生產總值+0.119×人口密度+0.217×消費總額;第二個主成分分數=0.241×總人口數+0.305×人均旅行次數+0.219×居民消費指數－0.210×居民消費水平－0.253×機動車保有量+0.249×地區生產總值－0.075×人口密度+0.253×消費總額;第三個主成分分數=－0．160×總人口數－0．090×人均旅行次數+0．840×居民消費指數+0．222×居民消費水平－0．097×機動車保有量－0．114×地區生產總值+0．651×人口密度－0.077×消費總額;運用MATLAB等軟件分別對傳統PCA－BP神經網絡以及改進型PCA-BP神經網絡模型進行運算．后七年的公路客運量實際值與預測值數據比較見圖3．從上述表格數據可知，改進型PCA-BP模型的迭代次數2361次，準確率為88．91%比傳統的PCA-BP模型更為理想，預測效果較好．

5結論

神經網絡的流程范文第5篇

關鍵詞 小波神經網絡；BP神經網絡；COD含量；預測

中圖分類號 TN710 文獻標識碼 A 文章編號 1673-9671-(2012)071-0108-03

高郵市海潮污水處理廠采用的是德國馮·諾頓西公司的“百樂克”工藝，是由德國馮.諾頓西公司于七十年代研究成功的一種新型污水處理技術。COD，是表示水質污染度的指標。污水處理工藝復雜，水質變化大，各參數關系復雜，出水水質難以預測。神經網絡方法具有一定的魯棒性和自適應性，故使用神經網絡進行建模，進行預測、控制。

BP神經網絡是一種典型的多層前饋神經網絡，主要特點是信號前向傳遞，誤差反向傳遞，分為輸入層，隱藏層，輸出層。研究表明，足夠多的隱含層神經元可以使得三層神經網絡可以無限地逼近任何復雜函數。但BP網絡也有一些缺陷，限制了它在工程中的進一步應用。

小波神經網絡是近年來新興的一種人工神經網絡，集小波分析和人工神經網絡的優點于一體。該網絡引入伸縮因子和平移因子，具有更多的自由度和更強的靈活性，能有效克服傳統神經網絡模型的不足。本文采用小波神經網絡對污水出水COD含量進行建模，進行實證分析，證明了該模型的有效性和可行性。

1 小波神經網絡模型

1.1 小波的基本概念

小波分析是當前數學中一個迅速發展的新領域，是針對傅里葉變換的不足發展而來的，它解決了傅里葉變換不能解決的問題。有關概念簡要復述如下：

定義1：設φ(t)∈L2(R)，如果

（1.1）

則稱φ(t)為一個小波，也常稱為母小波或基本小波。

定義2：對小波φ(t)進行伸縮和平移，可得到一族函數

（1.2）

則稱φu,s(t)為小波φ(t)的小波基函數。式（2）中，s稱為尺度參數，u稱為平移參數。

本文使用的小波基函數是Morlet小波，其表達式為：

（1.3）

1.2 小波神經網絡結構和學習算法

小波神經網絡以BP神經網絡拓撲結構為基礎，隱含層節點的傳遞函數為小波基函數，信號向前傳播，同時誤差反向傳播，是一種三層的前向網絡；其拓撲結構如圖1所示。

圖1中，X1，X2，…，Xk是小波神經網絡的輸入變量，Y1，Y2，…，Ym是小波神經網絡的預測輸出，ωij和ωjk為小波神經網絡權值。

在輸入信號序列為xi(i=1,2,…,k)時，隱含層輸出計算公式為：

（2.1）

式（2.1）中，h( j )是隱含層第j個節點輸出值；ωij為輸入層和隱含層的連接權值；bj為小波基函數hj的平移因子；aj為小波基函數hj的伸縮因子；hj為小波基函數。

圖1 小波神經網絡拓撲結構

小波神經網絡輸出層計算公式為：

（2.2）

式（2.2）中，ωik為隱含層到輸出層權值；h(i)為第i個節點的輸出；l為隱含層節點數；m為輸出層節點數。

小波神經網絡采用梯度修正法修正各權值和參數，進而不斷逼近期望輸出，過程如下：

1）計算網絡預測誤差

（2.3）

式（2.3）中，yn(k)為期望輸出，y(k)為小波神經網絡預測輸出。

2）根據誤差修正小波神經網絡權值和小波基函數系數

（2.4）

式（2.4）中，Δωn,k(i+1)、Δa k(i+1)、Δb k(i+1)是由網絡預測誤差計算求得：

式（2.5）中，η為學習速率。

（2.5）

2 污水出水COD預測模型

研究表明，污水出水COD含量與污水前幾個時段的COD含量有關，據此設計小波神經網絡。輸入層為當前時間點前n個時間點的COD含量；輸出層為當前COD含量預測值。其中，1至5月的污水出水COD含量為訓練數據，6月份（1到30日）為測試數據，算法流程如下：

圖2 小波神經網絡算法流程

本文采用的小波神經網絡有4個輸入節點，表示預測時間節點前4個時間點的污水出水COD含量，隱含層有6個節點，輸出層有1個節點，為網絡預測的污水出水COD含量。

3 模型仿真結果分析

3.1 數據預處理

神經網絡訓練的數據預處理對網絡有著很重要的影響，故要對數據進行歸一化處理：

（4.1）

3.2 模型仿真與分析

構建BP網絡模型和小波神經網絡模型，輸入向量為待預測時間點前4個時間點的污水出水COD的歸一化數據，輸出數據為預測時間點處的污水出水COD待歸一化數據。訓練網絡，得到預測值和預測誤差。表1給出了2012年6月1至30日的COD實測值、BP網絡模型預測值以及小波網絡模型預測值。

利用MATLAB軟件進行仿真，圖3是BP神經網絡模型預測曲線，圖4是小波神經網絡模型仿真預測曲線。

圖3 基于BP神經網絡構建的污水出水COD預測模型

（1～5月訓練，6月測試）

設xt為實際值，xt為模型預測值，n為模型預測檢驗個數。定義平均絕對誤差MAE為：

（4.2）

由仿真結果知，兩種網絡預測趨勢相同， BP網絡模型預測平均誤差MAE為1.24（mg/L），平均相對誤差為5.3193%，小波神經網絡模型預測平均誤差MAE為1.13（mg/L），平均相對誤差

圖4 基于小波神經網絡構建的污水出水COD預測模型（1～5月訓練，6月測試）

為4.7877%；訓練過程中，同等精度條件下，BP神經網絡模型訓練次數要遠多于小波神經網絡訓練次數；表明BP網絡和小波神經網絡模型均可以較好地模擬污水出水COD含量變化過程，但小波神經網絡模型在收斂速度和預測精度方面要優于傳統的BP網絡模型。

4 結論

小波神經網絡是基于小波分析理論的一種新型神經網絡模型，具有時頻局域化分析和自適應能力。本文將小波神經網絡模型應用到污水出水COD含量預測中，為污水出水COD含量預測提供了一種新方法。使用MATLAB軟件實證分析了模型的可行性和有效性，結果表明，小波神經網網絡模型在收斂速度和預測精度方面均優于傳統的BP網絡模型，故最終使用小波神經網絡建立模型。最后，本文的模型具有一定普遍意義，在高度非線性的時間序列預測問題中，可以采用小波神經網絡建模的方法對時間序列未來的變化進行預測和控制。

參考文獻

[1]謝立春.BP神經網絡算法的改進及收斂性分析[J].計算技術與自動化,2007,26(3):52-56.

[2]賀清碧,周建麗.BP神經網絡收斂性問題的改進措施[J].重慶交通學院學報,2005,24(1):143-145.

[3]陳哲,馮天瑾.小波神經網絡研究進展及展望[J].青島海洋大學學報,1999,29(4):66-667.

[4]朱四超.基于小波神經網絡的工程變形量預測模型[J].2010,8(2):103-105

[5]李元松,李新平,代翼飛,田昌貴,陳清運.小波神經網絡在高陡邊坡位移預測中的應用[J].2010,32(9):39-43.

[6]潘國榮,谷川.變形監測數據的小波神經網絡預測方法[J].大地測量與地球動學,2007,27(4):47-50.

[7]聶勛科.基于神經網絡的污水出水COD預測模型重慶工學院學報[J].22(8):156-161.