径向基神经网络论文

2022-04-17

摘要:在粗糙集和径向基神经网络理论的指导下,文章构建了发电企业电力生产人身安全风险评估模型。首先,构建了适用于电力领域的HFACS模型,包含操作失误、违章行为等20个变量指标。20个指标用以描述电力生产事故人因致因因素。其次,利用粗糙集理论的属性约简方法找出20个初始变量的约简变量,接着将约简后的不相关数据输入用于安全风险评估的径向基神经网络。以下是小编精心整理的《径向基神经网络论文(精选3篇)》,希望对大家有所帮助。

径向基神经网络论文 篇1:

短期电力负荷在小波包分解下的径向基神经网络预测方法

摘要:针对短期电力负荷预测问题,提出一种在小波包分解下的径向基神经网络预测方法。通过小波包分析,将电力载荷及其温度变量对称地分解为低频的近似系数和高频的细节系数。针对不同的小波系数,设计径向基神经网络作为预测器,并通过试错法确定网络合适的结构。网络的训练过程中,采用滑动窗口数据选择策略减少数据样本集,采用随机梯度法更新权值、中心位置和扩展参数。预测的小波系数用于重构出最终的电力载荷值。与前馈多层神经网络的对比数值,实验结果表明,新提出的方法具有较高的预测准确性。

关键词:短期电力负荷预测; 小波包分解; 径向基神经网络; 小波重构

0引言

电力系统的短期电力负荷预测(Short term load forecasting, SLTF)对于电网的可靠性和电力市场的需求分析及电力调度有着极为重要的影响[12]。 其预测时间范围可以是一天中的若干小时,也可以从一天延长到数天[34]。鉴于电力载荷具有随机性、动态非线性等特点,加之易受天气、人文、社会、地理等因素的影响[56],使得神经网络这种对非线性关系具有任意逼近能力的工具,近年来一直受到学术界和工程界的众多专家学者的广泛关注,并提出了许多基于神经网络的预测方法。文献[7]通过将若干前馈神经网络的子模型加以整合,综合考察了天气因素对短期电力负荷预测的影响。文献[8]将小波计算应用到载荷及其相关影响因素的分析中,并采用PSO算法对前馈多层神经网络的结构加以优化,利用这些优化的结构实现载荷小波系数的预测,最后借助小波重构实现短期电力负荷预测。在文献[9]中,作者提出了基于相似天气的小波神经网络方法对短期电力负荷进行预测,通过相关分析选择具有相似天气因素的载荷并对其进行小波分解,再利用小波神经网络对分解的小波系数进行建模实现对未来24小时的载荷预测。文献[10]的主体思想与文献[8]类似,但侧重于考虑载荷的动态特性,而非统计特性,因此采用了能反映载荷动态特性Elman神经网络作为预测工具。

尽管上述预测方法都取得了较好的应用效果,但是依然有一些值得思考的地方:1)上述方法多选择小波分解对载荷及其影响变量进行分解,将最终的一个近似系数与若干细节系数当作特征。事实上,从信息完整的角度来看,舍去的近似系数也蕴含了载荷及其影响变量的相关信息,应当加以考虑这些舍去近似系数。2)上述方法采用较长时间的载荷作为训练数据,海量的数据虽然有助于提高神经网络的泛化性能,但同时也增加了训练的复杂度和时间,过多的训练甚至会出现“过拟合”现象,导致泛化性能降低。3)上述方法都采用了BP神经网络作为预测工具(文献[8]中的前馈多层神经网络本质也为BP神经网络)。事实上,BP网络所采用的反向传播算法属于无监督的学习方式,常会因为更新动力不足导致局部极值的出现,进而降低网络的性能,特别是在短期电力负荷这种海量数据的学习模式下,这种现象更加明显。

针对上述问题,本文提出一种基于小波包分解的径向基神经网络的短期电力负荷预测方法。通过对载荷及其影响变量进行小波包分解,将获取的对称小波系数作为径向基网络的输入,由此获得预测的载荷小波系数,最后由小波重构完成载荷的预测。在训练过程中,采用了滑动窗口策略选择数据,在不影响网络泛化性能的前提下,降低了网络所需的训练数据。此外,径向基网络采用随机梯度更新这种无监督学习方式,通过对隐藏层处理单元的中心位置及其扩展参数的更新,有效的改进径向基网络的性能,进而提高对载荷预测的准确度。

1基于小波包分解和径向基网络的短

期电力负荷预测方法本文所提预测方法的体系结构如图1所示。在小波包分解模块中,通过小波包分解将电力载荷及其影响变量(温度)对称地分解为低/高频的近似/细节小波系数;在径向基神经网络模块中,按照所获得的小波系数种类设计不同的子径向基神经网络模块,将不同的小波系数及影响变量提交给这些子网络模块,并预测出相应的小波系数;在小波重构模块中,将由径向基网络预测得到的小波系数进行重构,最终获得电力载荷的预测值。下面对预测方法中所使用的主要技术做简要的介绍。

2.1数据介绍

具体来讲,本文选择2009年重庆某地区的电力载荷作为研究对象。其种类、时间长度、用途等细节由表1给出。表1中的数据集可分为三个部分:训练数据集(2009/3/1—2009/4/30)用于网络的权值更新;校正数据集(2009/5/1—2009/5/24)用于网络结构确定;测试数据集(2009/5/25—2009/5/31)用于实际的载荷预测。需要指出的是,由于我们关注的是载荷预测,而不是温度预测,所以表1中的预测温度由重庆某电力机构免费提供的。

本文所使用的训练数据集被描述在图4中。图4中的载荷及温度数据在Daubechies 4(DB4)小波基的作用下,实现分解层数为2的小波包分解。因此,可获得载荷及温度的4类小波系数:A1/A2近似小波系数,D1/D2细节小波系数。而文献[8]采用小波分解,获得3类小波系数: A2近似小波系数,D1/D2细节小波系数。这些小波系数按照滑动窗口策略被提交给径向基神经网络和MLP神经网络。具体而言,在图4中的61天载荷数据中(1 464小时),每7天的数据作为训练数据,第8天的数据作为目标数据。以此类推,可获得54组训练数据(9 072小时)。需要指出的是,为了对比实验更具说服力,同样的数据选择策略也被用于MLP神经网络模型。

在确定上述网络结构后,将电力载荷及温度变量的小波系数提交给表2所示的网络中进行训练。为了防止“过拟合”的出现,预先设定2种网络最大的训练回合为4 000。2种网络的训练轨迹显示在图5中。需要指出的是,图5中的训练轨迹是各个子神经网络训练轨迹的平均轨迹。具体而言,对径向基网络来说,其轨迹是A1/A2,D1/D2这4个径向基神经网络训练轨迹的平均值;对前馈多层神经网络来说,其轨迹是A2,D1/D2这3个前馈多层神经网络训练轨迹的平均值。图5显示出径向基网络的训练速度较之前馈多层神经网络的训练速度要快。前者在大约2 700个回合处就到达目标误差,而后者收敛的速度较慢,在4 000回合后仍未到达目标误差。这是因为径向基神经网络所采用的监督学习方式优于前馈多层神经网络所采用的BP学习方式。此外,径向基神经网络的结构也要比前馈多层神经网络的复杂度低,前者仅有1个隐藏层,而后者有2个隐藏层。

2.3网络测试

5结语

本文提出了一种基于小波包分解的径向基神经网络的短期电力负荷预测方法,其主要贡献在于采用小波包分解技术更加细致地刻画载荷及其影响变量的特征,通过滑动窗口的数据选择策略降低预测所需的数据量,借助径向基神经网络的中的随机梯度监督学习来提高神经网络的收敛速度。在与前馈多层神经网络进行比较的数值实验中,采用重庆某地区的电力载荷及其温度变量作为数据来源,重构出的电力载荷结果表明,小波包分解下径向基神经网络的短期电力负荷预测具有较高的准确性。

参考文献:

[1]XIAO Z,YE S,ZHONG B,et al.BP neural network with rough set for short term load forecasting[J].Expert Systems with Applications,2009(36):273279.

[2]NIU D,WANG Y,WU D D.Power load forecasting using support vector machine and ant colony optimization[J].Expert Systems with Applications,2010(37):25312539.

[3]师洪涛,杨静玲,丁茂生.基于小波—BP神经网络的短期风电功率预测方[J].电力系统自动化,2011,35(6):4448.

SHI Hongtao,YANG Jingling,DING Maosheng.A Shortterm wind power prediction method based on wavelet decomposition and BP neural network[J].Automation of Electric Power Systems,2011,35(6):4448.

[4]牛东晓,魏亚楠.基于FHNN相似日聚类自适应权重的短期电力负荷组合预测[J].电力系统自动化,2013,37(3):5457.

Niu Dongxiao,WEI yanan.Shortterm power load combinatorial forecast adaptively weighted by FHNN similarday clustering[J]. Automation of Electric Power Systems,2013,37(3):4448.

[5]PANDEY A S,SINGH D,SINHA S K.Intelligent hybrid wavelet models for shortterm load forecasting[J].IEEE Trans.Power Syst.,2010,25(3):12661273.

[6]KEBRIAEI H,ARAABI B N,RAHIMI K A.Shortterm load forecasting with a new nonsymmetric penalty function[J].IEEE Trans.Power Syst.,2011,26(4):18171825.

[7]FAY D,RINGWOOD J V.On the influence of weather forecast errors in shortterm load forecasting models[J].IEEE Trans.Power Syst.,2010,25(3):17511258.

[8]BASHIR Z A,ELHAWAR M E.Applying wavelets to shortterm load forecasting using PSObased neural networks[J].IEEE Trans.Power Syst.,2009,24(1):2027.

[9]CHEN Y,LUH P B,GUAN C,et al.Shortterm load forecasting:similar daybased wavelet neural networks[J].IEEE Trans.Power Syst.,2010,25(1):322330.

[10]KELO S,DUDUL S.A wavelet Elman neural network for shortterm electrical load prediction under the influence of temperature[J].Electrical Power and Energy Systems,2012,43:10631071.

[11]SHENSA M J.The discrete wavelet transform:wedding the A trous and mallat algorithms[J].IEEE Trans.Sig.Proc.,1992, 40(10):24642482.

[12]LANG M,GUO H,ODEGARD J E,Burrus C S.Noise reduction using an undecimated discrete wavelet transform[J].IEEE Trans.Sig.Proc.,1996,3(1):1012.

作者简介:

邱翊峰(1992),男,四川成都人,重庆大学自动化学院本科生。主要研究方向:人工神经网络。张毅(1962),男,重庆潼南人,通讯作者,博士,重庆邮电大学教授,博导。主要研究方向:高级人工智能及应用。Email: zhangyi@cqupt.edu.cn;李鹏华(1984),男,重庆酉阳人,博士,重庆邮电大学讲师,主要研究方向:量子神经计算及应用。Email:lipenghua88@163.com;刘念(1988),女,陕西西安人,空军勤务学院硕士研究生,主要研究方向:人工神经网络。Email:tracynn8805@163.com

基金项目:国家自然科学基金(60974090); 高等学校博士学科点专项科研基金(20100191110037)。Short term load forecasting method using the wavelet packetdecomposition and RBF neural network

作者:邱翊峰 张毅 李鹏华 刘念

径向基神经网络论文 篇2:

基于粗糙集和径向基神经网络的电力生产人身安全风险评估

摘要:在粗糙集和径向基神经网络理论的指导下,文章构建了发电企业电力生产人身安全风险评估模型。首先,构建了适用于电力领域的HFACS模型,包含操作失误、违章行为等20个变量指标。20个指标用以描述电力生产事故人因致因因素。其次,利用粗糙集理论的属性约简方法找出20个初始变量的约简变量,接着将约简后的不相关数据输入用于安全风险评估的径向基神经网络。最后,从我国 2012~2016年发生的264 起电力人身伤亡事故中随机选取28个案例数据实现模型的训练及检测。结果显示,在满足计算精度仍能满足电力生产人身安全风险评估需要的前提下,径向基网络的输入数据经属性约简20个后变为13个,收敛速度得到了较大的提升。该模型可有效识别电力企业电力生产过程安全状态,因此可有针对性地提出监管和完善改进政策。

关键词:电力生产人身事故;粗糙集;RBF神经网络;HFACS

我国經济快速发展催生了一批批自动化程度高、智能化程度强、标准化水平高的电力企业,电力企业内部设备不断更新升级,因此电力企业电力生产事故中由机器故障导致的事故所占比例越来越小,相反,人为失误在电力企业电力事故中的影响越来越大。我国电力企业在2008~2012年间,累计发生234 起电力生产安全事故,包括设备故障、电网事故等各类型电力事故,共造成145 人死亡,其中80%的电力事故是由人的失误而发生的。因此,探究人为因素在电力事故中影响对电力行业安全生产具有重要意义。

曼彻斯特的大学教授James Reason1990年提出“Reason模型”描述了事故人为失效的四个层次。D.Wiegman等人 2002年通对“瑞士奶酪模型”中的四个层次的详细阐述推演出了实用性较强的安全事故人因分析方法HFACS 模型。

为使安全事故人因因素各分类指标更具有针对性,我国对HFACS的研究开始着力于在不同领域进行详细划分。现有研究开始着力于针对不同领域安全事故修正HFACS模型。然而,电力企业电力生产过程具有复杂的特性这使得初始HFACS部分指标不能清楚描述电力生产隐患事故,鉴于此,本研究基于HFACS模型构建了含20个指标的分类系统来对电力企业安全生产进行风险评估。对于电力企业来说,可操作性强的安全风险评估方法可帮助其实现全面管理,同时可提升电力生产过程安全水平,消除安全隐患。

电力生产人身事故影响因素较多,这些因素属于非线性问题,因此很难用精确的数学模型进行风险评估。粗糙集理论可用来处理信息不完整的案例模型,同时,粗糙集理论可对其他理论起到较强的互补作用。

神经网络的自学习功能对预测有重要意义,于群等人利用神经网络预测电网停电事故的损失负荷,廖峥利用神经网络预测了输电线舞动情况。总体而言,神经网络在电力领域应用较少,对电力生产总体安全状态进行风险评估的研究尚有欠缺。大量的实际应用计算发现,传统神经网络算法有以下三个显著缺点,收敛速度较慢、容错性较差、收敛结果不唯一,这大大降低了算法的实用性和算法的精确性。因此,学者们提出了基于决策规则的神经网络,成功克服了这一缺点。他基于由粗糙集理论得到的最简练的决策规则,建立了一种不完全连接的神经网络大大提高了收敛速度。本文结合糙集理论与RBF神经网络对电力生产人身安全进行风险评估,首先利用粗糙集理论对电力生产事故人为致因因素进行属性约简,得到核属性,进而将减少的致因因素输入神经网络结构,大大提高了神经网络学习速度和模型精度。

一、指标选择与问卷调查

电力行业支撑着国民经济的生存与发展,是国民生活得以正常运行的重要保障,加之电力事故所造成的损失难以估量,因此,加大对电力生产企业安全监管,尤其是加强对人因失误的监管有着重要意义。本研究探索了事故隐患的人因因素,提出了有效的监管防控策略,以期将人因失误降低在可控范围,减少电力事故人身伤亡率,从而保障电力行业的平稳运行。

结合电力企业生产特征对原始HFACS模型进行了调整,使其能够更好的描述电力企业事故的人因致因因素,具体来说,本文从不安全行为、不安全行为的前提条件、不安全监督、组织影响四个层次选择了操作失误、违章行为、不良物理环境等20个变量指标,并对其进行重要性、完整性检验,具体指标见表1。

抽取了我国发生于2012~2016年间的电力人身伤亡事故28起来定量分析各指标对电力生产安全风险的影响程度。本研究通过实地调查对其归属的电力生产企业相关人员进行问卷调查,被调查者需根据企业实际情况对设计上述20个指标的相关问题如实填写。每个问题均设置5个选项,依次为很好、较好、一般、较差、很差。同时,被调查者和需根据自身经验和知识,综合考虑企业实际安全情况或发生事故的影响大小,对该电力事故安全风险进行综合评价,可供选择的等级分别为:高风险用5级表示,较高风险用4级表示,中风险用3级表示,较低风险用2级表示,低风险用1级表示。每所企业随机选取10为员工完成问卷,形成该电力企业电力生产的初始数据,对于初始数据进行筛选,剔除严重不合格的问卷数据,同时对合格问卷数据取平均值,作为该企业较为可靠的安全风险评估数据。

二、基于粗糙集理论的变量指标分析

粗糙集理论常用定义为S=(U,A,V,F),U是对象的非空有限集合,即28起电力企业人身伤亡事故。A=C∪D,A为全体属性集,本文指20个安全风险评价指标,其中C表示条件属性集,D表示决策属性集。V=Va为属性值集合,Va为属性a的值域。f为U×A→的映射函数,当corm(M),u∈U,f(u,a)∈Va,f(u,a)为对象U在属性E′i上的取值。每个属于信息系统属性子集M?A,都存在如下不可分辨关系:Ind(M)={(x,y)∈U×U:m∈M:m(x)=m(y)}。显然Ind(M)是一个等价关系。在不混淆的情况下可用M代替Ind(M)。关系等价族M中所有不可约去的关系定义为核,那么由不可约去关系构成的集合称为M的核集,可记为corm(M)。

28起电力企业人身伤亡事故及20个安全风险评价指标调查结果构成知识表达系统的论域U。条件属性集{x1,x2,x3,…,x20},用很差、较差、一般、较好、很好表示各安全风险指标实际状况,离散后分别对应数值5、4、3、2、1;决策属性集={电力企业人身伤亡事故安全风险等级},表示电力企业电力生产安全风险等级1-5级,离散后的取值分别为1、2、3、4、5。离散后的论域U如表2所示。

考虑到每个属性的特点,每个属性并不是必不可少的,甚至可能存在部分冗余的属性。这就要求需要对论域中的C进行约简。属性集合仅经属性约简剔除冗余属性是不够的,因为此时的集合仍然存在以下缺点,如规则概括能力不足、获取的规则重复多等缺点,因此需要继续对属性进行依靠数据中隐含决策知识的规则简化,由此克服神经网络输出结果不唯一的缺点。

Step1:对属性集合进行依赖度分析。调用函数“Pos(C,D,X)”,计算C与D之间的依赖程度γ(C,D)=pos(C,D)/U,γ(C,D)∈[0,1]。计算得输出比率为1,這意味着完全依赖于C(C→D),也意味C能完全区分D等价集。

Step2:进行属性约简。设a∈C,C′=C-{a},在C′下的等价集E′i与决策属性集D的等价集Y′j之间仍存在:当时E′i∩Y′j=时E′i,属性a是可省略的,否则a是不可省略的。调用函数“core(C,D)”得到10个核属性:x1,x2,x4,x5,x9等。调用函数redu(C,D,X)可得1个最小属性集,除核属性外还有x3x7x19等3个属性。输出结果见表3。

三、径向基神经网络评估

电力企业电力生产安全风险评估径向基神经网络的输入层为13个节点,即经粗糙集分析约简后的13个认人为事故致因因素。径向基神经网络的输出层为5个节点,对应电力企业电力生产安全风险等级,具体如下1级可量化为(1,0,0,0,0),2级可量化为(0,1,0,0,0),3级可量化为(0,0,1,0,0),4可量化级为(0,0,0,1,0),5级可量化为(0,0,0,0,1)。

将28个电力企业相关数据中的前23组数据作为训练样本子集,5组数据作为检验样本子集输入BRF神经网络。将经粗糙集理论属性约简后的13个人因事故致因因素离散数值进行归一化处理,然后输入RBF神经网络。利用newrb函数实现对数据的训练,然后,利用训练好的RBF神经网络对后5组地电力企业电力生产安全数据进行风险评估。sim函数可实现对结果的测试,具体数据如表4所示。测试结果显示,RBF神经网络的输出结果与问卷调查及综合价后得到的决策属性即安全风险等级基本一致。

四、结语

本文通过HFACS框架确定了适合电力事故的人为致因因素,然后基于粗糙集理论和径向基网络实现了对电力企业电力生产的安全风险评估。数据结果显示,本文所构建的模型能够对电力企业电力生产多个样本进行较为准确的安全风险评估,将电力生产安全非线性规则以连接权的方式赋予网络,大大降低了评估结果的主观性。经粗糙集理论约简后的HFACS指标相关性降低,且省略了影响较小的指标,在保证安全风险评估准确度的基础上降低了评估成本。简单来说,本文所构建的安全风险评估模型融合了粗糙集和神经网络两种理论的优点,利用粗糙集理论约简冗余信息减少了径向基神经网络输入端节点数量并且缓解了噪声对数据训练的影响,大大提高了模型的运行速度,对于电力企业电力生产安全风险评估有一定的指导意义。

1. 若将安全风险等级II作为临界值,那么国家安全监管部门应将安全风险评估等级为3级、4级、5级的电力企业作为重点监控对象,因此可将与3级、4级、5级电力企业有着相似HFACS属性值的电力企业实施重点监控。对与2级电力企业有着相似HFACS属性值的电力企业实施一般监控,随机抽查。1级电力企业电力生产安全状态良好,电力生产过程以企业内部自我监督为主,相关安全信息定期上报国家电力安全监管部门即可。

2. 对电力生产过程的数据分析结果表明,基于粗糙集和RBF神经网络的安全风险评估模型能较为准确的预测某一电力生产项目的安全风险级别,但需要大量HFACS指标属性值信息,因此建议政府有关部门开发电力安全监督信息系统,并设定安全预警值,由安全监督机构人员、监理单位和电力企业人员定期反馈完整安全属性的项目信息,以期实现对电力生产及时高效的防控。

3. 基于粗糙集和RBF神经网络的电力企业电力生产评估预警系统可有效地监控预防电力事故的发生,然而,当出现电力事故时,电力企业也需要迅速制定出应对策略。这要求电力企业完善电力应急管理系统,将应急资源集中整合到特定的应急管理部门,明确部门内人员的应尽职责,要保证事故发生时能够第一时间作出反应,并及时做出合理应对方案。同时,电力企业还应加强对企业员工的培训,提高其安全意识和抢修自救能力,真正做到专门部门、高效应急方案、专业员工的有效融合,进而降低电力企业电力生产的人身事故发生率。

参考文献:

[1]武淑平.电力企业生产中人因失误影响因素及管理对策研究[D].北京:北京交通大学,2009.

[2]James Reason.Human error[M].London:Cambridge university press,1990.

[3]罗晓利,曾先林,赵珊.基于HFACS 模型的机场威胁与差错因素研究[J].中国民用航空,2014(01):91-94.

[4]甘旭升,崔浩林,高文明,等基于HFACS的空中相撞事故分析及建议[J].中国安全生产科学技术,2015(10):96-102.

[5]吕春玉,房春花.人为因素分析与分类系统(HFACS)及事故个例分析[J].中国民航飞行学院学报,2009(02):37-40.

[6]王盼盼,邓小鹏,陆莹.基于人的因素分析和分类系统的建筑施工事故研究[J].工程管理学报,2010(01):60-64.

[7]于群,张铮,屈玉清,贺庆.基于ARMA-BP神经网络组合模型的电网大停电事故损失负荷预测[J].数学的实践与认识,2018,48(09):144-153.

[8]廖峥.基于BP神经网络的输电线路舞动预测及电网风险预警方法[D].重庆大学,2017.

[9]Dingyu(薛定宇),CHEN Yangquan(陈阳泉). Advanced ap-plied mathematical problem solutions with MATLAB(高等应用数学问题的MATLAB求解)[M].2nd ed. Beijing:Tsinghua UniversityPress(清华大学出版社),2008:126-170.

作者:郑晓静 李佳欣 赵爽 叶楠

径向基神经网络论文 篇3:

基于径向基神经网络的网络流量预测

【摘要】针对网络流量在时序上的复杂非线性特征,采用径向基函数神经网络对网络流量时间序列进行预测。用自相关分析技术分析时间序列的延迟特性,建立了基于MATLAB6.5环境下径向基神经网络的网络流量预测模型,并用本校网络流量数据进行了验证。结果表明,该模型拟合精度和预测精度较高、计算速度较快。

【关键词】神经网络;网络流量;预测径向基算法;BP算法

随着网络的迅速发展,网络上承载的业务和应用日益丰富。加强网络管理、有效提高网络运行速度和利用率,网络流量预测是关键,也就是对网络出口的流量发展进行动态分析,并在定性基础上对流量进行定量的计算。有很多种因素可以影响网络流量,在实际发生的时间序列中,弱相依性、突变性和随机性等复杂非线性特征对网络流量预测都存在很大的影响,而且在以往的学者中针对于这些特点所构建的数学模型也不是很完善,还不够成熟。针对这些特点本文将在时间序列的预测中结合使用径向基神经网络的方法,在时间序列的延迟性中运用自相关分析技术进行合理分析,建立基于MATLAB6.5环境下的黑龙江信息技术职业学院网络出口流量预测的径向基神经网络数学模型,并对实际网络出口流量数据惊醒有效的验证。

1、建立径向基神经网络流量的预测模型

对于网络流量这样的非线性系统进行建模时,本文采用径向基神经网络技术,针对隐层节点的数量处选择合理的改进方法。经过实际操作的甄选后选择网络流量的均方误差的目标值为0.001,隐层节点数选择最大为23个。除此之外,为了保证径向基神经网络泛化能力的良好运行,并且保证径向基函数的输人输出范围足够大,就需要对输入的训练值进行postmnmx归一化处理。

从隐含层到输出层之间的权值是基于径向基神经网络函数来调整,并采用线性传递函数进行实现的,综合考虑,这样就不存在在局部会出现极小点的问题。对于这种基于径向基神经网络的局部函数,会有很快的网络学习速度,对于函数迫近时的收敛速度问题,能够很好地克服。

2、算例分析

对基于径向基神经网络函数是有一定的精度要求的,本文采用newrb函数进行设计,并满足函数的精度要求。函数格式为:net=newrb(a,b,m,n),采用基于径向基神经网络函数进行逼近原始函数时,newrb函数能够自动增加基于径向基神经网络的隐层神经元,直到均方误差满足为止。对于输入向量矩阵、目标向量矩阵、均方误差和径向基的分布分别使用式中变量a,b,m,n来表示。

在時间序列的预测上采用用sim函数进行预测。函数格式为:y= sim(net,x),对于待评价时间序列的输入向量和用基于径向基神经网络对时间序列进行计算的预测值分别使用式中的x,y进行表示。基于径向基神经网络的网络流量预测模型是在Matlab6.5环境下的,并对网络流量在时间序列上进行预测。

基于径向基神经网络采用1个输出单元和23个输人单元,并对基于径向基神经网络进行训练,自动调整网络训练程序的最终隐含层节点数,调整后的节点数为23个。最后比较网络流量预测模型所得的最后的网络输出和实际的网络流量数据,其结果如图1所示。

把表1中2013年10月28日实际发生的网络流量真实值作为训练的样本,在MATLAB6.5环境下的基于径向基神经网络模型对2013年10月28日我校网络流量进行预测,其预测的结果如表1所示,在MATLAB6.5环境下的网络训练的图形输出结果及预测结果如图1所示。

在表1中实际数据值和预测值可以看出,经过多次的历史预测,每次模型预测的绝对误差值均为0,可以总结为采用的训练样本的合格率均为100%,具有较好的拟合精度和预测精度。

在图1中我们可以看到,基于径向基神经网络模型通过训练对网络流量能够准确的预测,在泛化能力上也有很大的提高。经过后期计算,通过网络训练的均方误差为MSE=2.1731e-010,预测的均方误差为MSE=0.0012。从误差变化曲线能够表示出,训练到达第22步时,网络流量预测模型的精度要求基本满足。

3、结语

本文在对网络流量的短期预测问题上采用基于径向基神经网络函数,并针对网络流量的短期预测上构建了基于径向基神经网络的黑龙江信息技术职业学院网络流量预测模型,经过数据仿真,其结果表明采用基于径向基神经网络函数进行建模,其模型简洁实用,预测效果比较满意,说明该方法对于处理类似问题是比较有效的。本文并未对原始数据进行预处理,对原始数据进行处理,是提高预测精度的一个发展方向,当然还有许多预测方法和提高预测精度的技术值得今后进一步深入研究。

作者:慕亚茹