【摘要】：針對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型效率和精度低下的問(wèn)題,提出利用粗決策樹(shù)算法和粒子群算法分別優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),以此提高預(yù)報(bào)模型的效率和精度。首先,針對(duì)靜態(tài)算法對(duì)大數(shù)據(jù)和增量數(shù)據(jù)處理不足的問(wèn)題,構(gòu)造了基于粗決策樹(shù)的動(dòng)態(tài)規(guī)則提取算法。應(yīng)用粗糙集進(jìn)行預(yù)處理,降低數(shù)據(jù)維數(shù),將粗集與決策樹(shù)結(jié)合,用增量方式實(shí)現(xiàn)樣本抽取,經(jīng)過(guò)動(dòng)態(tài)約簡(jiǎn)、決策樹(shù)構(gòu)造、規(guī)則提取與選擇、匹配的循環(huán)過(guò)程實(shí)現(xiàn)了數(shù)據(jù)的動(dòng)態(tài)規(guī)則提取。將粗決策樹(shù)算法用來(lái)確定神經(jīng)網(wǎng)絡(luò)隱含層,使隱含層選取更加科學(xué)合理,精簡(jiǎn)模型結(jié)構(gòu)。該算法可以獲得更多的數(shù)據(jù)隱式信息,可以用于數(shù)據(jù)挖掘領(lǐng)域,它提供了一種在線規(guī)則提取的研究方法。然后,針對(duì)BP網(wǎng)絡(luò)初始化參數(shù)設(shè)置隨意性大的缺陷,應(yīng)用粒子群算法對(duì)網(wǎng)絡(luò)初始參數(shù)進(jìn)行優(yōu)化,從而避免網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中過(guò)早收斂于局部極小值;后續(xù)關(guān)于模型的在線優(yōu)化方面,還有待進(jìn)一步研究。最后,采集2014年空氣質(zhì)量和汽車(chē)評(píng)估(相關(guān)數(shù)據(jù)),將粗決策樹(shù)算法與粒子群算法結(jié)合起來(lái)建立神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型,并應(yīng)用MATLAB編程實(shí)現(xiàn)模型的訓(xùn)練和仿真。分別與不同隱含層的神經(jīng)網(wǎng)絡(luò)、未進(jìn)行優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型進(jìn)行分析和對(duì)比。結(jié)果表明,該方法構(gòu)建的模型,大大提高了預(yù)報(bào)精度和速度,為預(yù)報(bào)問(wèn)題的處理提供了新的研究思路。
[Abstract]:Aiming at the problem of low efficiency and precision of neural network prediction model, the rough decision tree algorithm and particle swarm optimization algorithm are used to optimize the neural network structure and parameters, respectively, in order to improve the efficiency and accuracy of the prediction model. Firstly, a dynamic rule extraction algorithm based on rough decision tree is proposed to solve the problem of insufficient processing of big data and incremental data by static algorithm. Rough set is used to preprocess, reduce the dimension of data, combine rough set with decision tree, realize sample extraction by incremental way, through dynamic reduction, decision tree construction, rule extraction and selection. The matching loop process realizes the dynamic rule extraction of the data. The rough decision tree algorithm is used to determine the hidden layer of neural network, which makes the selection of hidden layer more scientific and reasonable, and simplifies the model structure. The algorithm can obtain more data implicit information and can be used in the field of data mining. It provides an online rule extraction research method. Then, in order to avoid the premature convergence to the local minimum in the learning process of BP network, the particle swarm optimization algorithm is applied to optimize the initial parameters of BP network. Further research on the online optimization of the model is needed. Finally, the air quality and vehicle evaluation (related data) in 2014 are collected, the rough decision tree algorithm and particle swarm optimization algorithm are combined to establish the neural network prediction model, and the training and simulation of the model are realized by MATLAB programming. The prediction model of neural network with different hidden layers is analyzed and compared with that of unoptimized neural network. The results show that the model constructed by this method greatly improves the prediction accuracy and speed, and provides a new research idea for the processing of forecasting problems.
【學(xué)位授予單位】：華北理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳元昊;朱順樂(lè);;浙江舟山水產(chǎn)品價(jià)格指數(shù)預(yù)測(cè)與對(duì)策[J];管理觀察;2015年35期

2 陳麗芳;王云;張奉;;粗決策樹(shù)動(dòng)態(tài)規(guī)則提取算法研究及應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2015年11期

3 高慶先;劉俊蓉;李文濤;高文康;;中美空氣質(zhì)量指數(shù)(AQI)對(duì)比研究及啟示[J];環(huán)境科學(xué);2015年04期

4 劉淑梅;薛慶禹;黎貞發(fā);李春;宮志宏;李寧;;基于BP神經(jīng)網(wǎng)絡(luò)的日光溫室氣溫預(yù)報(bào)模型[J];中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào);2015年01期

5 劉賀;張弘強(qiáng);劉斌;;基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的深基坑變形預(yù)測(cè)方法[J];吉林大學(xué)學(xué)報(bào)(地球科學(xué)版);2014年05期

6 劉洪蘭;張俊國(guó);闕龍凱;鄭學(xué)金;保佳志;;基于BP神經(jīng)網(wǎng)絡(luò)的張掖國(guó)家濕地公園水域結(jié)冰厚度預(yù)報(bào)模型[J];高原氣象;2014年03期

7 何勇;李妍琰;;改進(jìn)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的洪水智能預(yù)測(cè)模型研究[J];西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年05期

8 吳忠強(qiáng);肖雪飛;湯雅超;;基于微粒群優(yōu)化算法的單元機(jī)組H_∞控制[J];儀器儀表學(xué)報(bào);2013年09期

9 王秋平;馬春林;肖玲玲;崔銳;;蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在主汽溫控制中的應(yīng)用[J];化工自動(dòng)化及儀表;2013年07期

10 劉磊;鐵英;;人工神經(jīng)網(wǎng)絡(luò)技術(shù)在肺癌診療中的應(yīng)用[J];中國(guó)老年學(xué)雜志;2012年23期

相關(guān)博士學(xué)位論文 前2條

1 涂娟娟;PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的研究及其應(yīng)用[D];江蘇大學(xué);2013年

2 張明;粗糙集理論中的知識(shí)獲取與約簡(jiǎn)方法的研究[D];南京理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 石凱;基于粗糙集理論的屬性約簡(jiǎn)與決策樹(shù)分類(lèi)算法研究[D];大連海事大學(xué);2014年

2 李虎成;基于粗糙集和粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[D];蘭州交通大學(xué);2014年

3 崔利國(guó);基于混沌神經(jīng)網(wǎng)絡(luò)模型的我國(guó)蔬菜價(jià)格短期預(yù)測(cè)研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2013年

4 閆紀(jì)如;粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測(cè)中的應(yīng)用[D];浙江工業(yè)大學(xué);2013年

5 王曉平;基于粗糙集的決策樹(shù)優(yōu)化算法研究[D];四川師范大學(xué);2013年

6 吳守領(lǐng);基于粗糙集屬性約簡(jiǎn)的決策樹(shù)分類(lèi)算法的研究[D];廣西大學(xué);2012年

7 蔣吉麗;基于BP神經(jīng)網(wǎng)絡(luò)的強(qiáng)對(duì)流天氣預(yù)報(bào)模型研究[D];電子科技大學(xué);2010年

8 孟良;基于BP神經(jīng)網(wǎng)絡(luò)的罩式爐爐溫PID預(yù)測(cè)控制策略[D];太原理工大學(xué);2009年

9 夏葉娟;基于粗糙集和決策樹(shù)的規(guī)則提取方法研究[D];南昌大學(xué);2008年

10 陳臣;基于改進(jìn)信息熵離散化的決策樹(shù)算法研究[D];湖南大學(xué);2008年

，

本文編號(hào)：2261940