基于MATLAB的BP神经网络组合预测模型在公路货运量预测中的应用

MATLAB程序代码--bp神经网络通用代码matlab通用神经网络代码学习了一段时间的神经网络,总结了一些经验,在这愿意和大家分享一下, 希望对大家有帮助,也希望大家可以把其他神经网络的通用代码在这一起分享感应器神经网络、线性网络、BP神经网络、径向基函数网络%通用感应器神经网络。

P=[-0.5 -0.5 0.3 -0.1 -40;-0.5 0.5 -0.5 1 50];%输入向量T=[1 1 0 0 1];%期望输出plotpv(P,T);%描绘输入点图像net=newp([-40 1;-1 50],1);%生成网络，其中参数分别为输入向量的范围和神经元感应器数量hold onlinehandle=plotpc(net.iw{1},net.b{1});net.adaptparam.passes=3;for a=1:25%训练次数[net,Y,E]=adapt(net,P,T);linehandle=plotpc(net.iw{1},net.b{1},linehandle);drawnow;end%通用newlin程序%通用线性网络进行预测time=0:0.025:5;T=sin(time*4*pi);Q=length(T);P=zeros(5,Q);%P中存储信号T的前5(可变，根据需要而定)次值，作为网络输入。

P(1,2:Q)=T(1,1:(Q-1));P(2,3:Q)=T(1,1:(Q-2));P(3,4:Q)=T(1,1:(Q-3));P(4,5:Q)=T(1,1:(Q-4));P(5,6:Q)=T(1,1:(Q-5));plot(time,T)%绘制信号T曲线xlabel('时间');ylabel('目标信号');title('待预测信号');net=newlind(P,T);%根据输入和期望输出直接生成线性网络a=sim(net,P);%网络测试figure(2)plot(time,a,time,T,'+')xlabel('时间');ylabel('输出-目标+');title('输出信号和目标信号');e=T-a;figure(3)plot(time,e)hold onplot([min(time) max(time)],[0 0],'r:')%可用plot(x,zeros(size(x)),'r:')代替hold offxlabel('时间');ylabel('误差');title('误差信号');%通用BP神经网络P=[-1 -1 2 2;0 5 0 5];t=[-1 -1 1 1];net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingd');%输入参数依次为:'样本P范围',[各层神经元数目],{各层传递函数},'训练函数'%训练函数traingd--梯度下降法，有7个训练参数.%训练函数traingdm--有动量的梯度下降法,附加1个训练参数mc(动量因子，缺省为0.9)%训练函数traingda--有自适应lr的梯度下降法,附加3个训练参数:lr_inc(学习率增长比，缺省为1.05;% lr_dec(学习率下降比，缺省为0.7);max_perf_inc(表现函数增加最大比，缺省为1.04)%训练函数traingdx--有动量的梯度下降法中赋以自适应lr的方法，附加traingdm和traingda的4个附加参数%训练函数trainrp--弹性梯度下降法,可以消除输入数值很大或很小时的误差，附加4个训练参数: % delt_inc(权值变化增加量，缺省为1.2);delt_dec(权值变化减小量，缺省为0.5);% delta0(初始权值变化，缺省为0.07);deltamax(权值变化最大值,缺省为50.0)% 适合大型网络%训练函数traincgf--Fletcher-Reeves共轭梯度法;训练函数traincgp--Polak-Ribiere共轭梯度法;%训练函数traincgb--Powell-Beale共轭梯度法%共轭梯度法占用存储空间小,附加1训练参数searchFcn(一维线性搜索方法,缺省为srchcha);缺少1个训练参数lr%训练函数trainscg--量化共轭梯度法,与其他共轭梯度法相比，节约时间.适合大型网络% 附加2个训练参数:sigma(因为二次求导对权值调整的影响参数，缺省为5.0e-5);% lambda(Hessian阵不确定性调节参数，缺省为5.0e-7)% 缺少1个训练参数:lr%训练函数trainbfg--BFGS拟牛顿回退法,收敛速度快,但需要更多内存,与共轭梯度法训练参数相同,适合小网络%训练函数trainoss--一步正割的BP训练法,解决了BFGS消耗内存的问题,与共轭梯度法训练参数相同%训练函数trainlm--Levenberg-Marquardt训练法,用于内存充足的中小型网络net=init(net);net.trainparam.epochs=300; %最大训练次数(前缺省为10,自trainrp后，缺省为100)net.trainparam.lr=0.05; %学习率(缺省为0.01)net.trainparam.show=50; %限时训练迭代过程(NaN表示不显示，缺省为25)net.trainparam.goal=1e-5; %训练要求精度(缺省为0)%net.trainparam.max_fail 最大失败次数(缺省为5)%net.trainparam.min_grad 最小梯度要求(前缺省为1e-10，自trainrp后，缺省为1e-6) %net.trainparam.time 最大训练时间(缺省为inf)[net,tr]=train(net,P,t); %网络训练a=sim(net,P) %网络仿真%通用径向基函数网络——%其在逼近能力,分类能力,学习速度方面均优于BP神经网络%在径向基网络中,径向基层的散步常数是spread的选取是关键%spread越大,需要的神经元越少,但精度会相应下降,spread的缺省值为1%可以通过net=newrbe(P,T,spread)生成网络,且误差为0%可以通过net=newrb(P,T,goal,spread)生成网络,神经元由1开始增加,直到达到训练精度或神经元数目最多为止%GRNN网络,迅速生成广义回归神经网络(GRNN)P=[4 5 6];T=[1.5 3.6 6.7];net=newgrnn(P,T);%仿真验证p=4.5;v=sim(net,p)%PNN网络,概率神经网络P=[0 0 ;1 1;0 3;1 4;3 1;4 1;4 3]';Tc=[1 1 2 2 3 3 3];%将期望输出通过ind2vec()转换,并设计、验证网络T=ind2vec(Tc);net=newpnn(P,T);Y=sim(net,P);Yc=vec2ind(Y)%尝试用其他的输入向量验证网络P2=[1 4;0 1;5 2]';Y=sim(net,P2);Yc=vec2ind(Y)%应用newrb()函数构建径向基网络,对一系列数据点进行函数逼近P=-1:0.1:1;T=[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609...0.1336 -0.2013 -0.4344 -0.500 -0.3930 -0.1647 -0.0988...0.3072 0.3960 0.3449 0.1816 -0.0312 -0.2189 -0.3201];%绘制训练用样本的数据点plot(P,T,'r*');title('训练样本');xlabel('输入向量P');ylabel('目标向量T');%设计一个径向基函数网络，网络有两层,隐层为径向基神经元,输出层为线性神经元%绘制隐层神经元径向基传递函数的曲线p=-3:.1:3;a=radbas(p);plot(p,a)title('径向基传递函数')xlabel('输入向量p')%隐层神经元的权值、阈值与径向基函数的位置和宽度有关,只要隐层神经元数目、权值、阈值正确,可逼近任意函数%例如a2=radbas(p-1.5);a3=radbas(p+2);a4=a+a2*1.5+a3*0.5;plot(p,a,'b',p,a2,'g',p,a3,'r',p,a4,'m--')title('径向基传递函数权值之和')xlabel('输入p');ylabel('输出a');%应用newrb()函数构建径向基网络的时候,可以预先设定均方差精度eg以及散布常数sc eg=0.02;sc=1; %其值的选取与最终网络的效果有很大关系,过小造成过适性,过大造成重叠性net=newrb(P,T,eg,sc);%网络测试plot(P,T,'*')xlabel('输入');X=-1:.01:1;Y=sim(net,X);hold onplot(X,Y);hold offlegend('目标','输出')%应用grnn进行函数逼近P=[1 2 3 4 5 6 7 8];T=[0 1 2 3 2 1 2 1];plot(P,T,'.','markersize',30)axis([0 9 -1 4])title('待逼近函数')xlabel('P')ylabel('T')%网络设计%对于离散数据点,散布常数spread选取比输入向量之间的距离稍小一些spread=0.7;net=newgrnn(P,T,spread);%网络测试A=sim(net,P);hold onoutputline=plot(P,A,'o','markersize',10,'color',[1 0 0]);title('检测网络')xlabel('P')ylabel('T和A')%应用pnn进行变量的分类P=[1 2;2 2;1 1]; %输入向量Tc=[1 2 3]; %P对应的三个期望输出%绘制出输入向量及其相对应的类别plot(P(1,:),P(2,:),'.','markersize',30)for i=1:3text(P(1,i)+0.1,P(2,i),sprintf('class %g',Tc(i)))endaxis([0 3 0 3]);title('三向量及其类别')xlabel('P(1,:)')ylabel('P(2,:)')%网络设计T=ind2vec(Tc);spread=1;net=newgrnn(P,T,speard);%网络测试A=sim(net,P);Ac=vec2ind(A);%绘制输入向量及其相应的网络输出plot(P(1,:),P(2,:),'.','markersize',30)for i=1:3text(P(1,i)+0.1,P(2,i),sprintf('class %g',Ac(i)))endaxis([0 3 0 3]);title('网络测试结果')xlabel('P(1,:)')ylabel('P(2,:)')P=[13, 0, 1.119, 1, 26.3;22, 0, 1.135, 1, 26.3;-15, 0, 0.9017, 1, 20.4;-30, 0, 0.9172, 1, 26.7;24, 0, 1.238,0.9704,28.2;3,24,1.119,1,26.3;0,52,1.089,1,26.3;0,-73,1.0889,1,26.3;1,28, 0.8748,1,26.3;-1,-39,1.1168,1,26.7;-2, 0, 1.495, 1, 26.3;0, -1, 1.438, 1, 26.3;4, 1,0.4964, 0.9021, 26.3;3, -1, 0.5533, 1.2357, 26.7;-5, 0, 1.7368, 1, 26.7;1, 0, 1.1045, 0.0202, 26.3;-2, 0, 1.1168, 1.3764, 26.7;-3, -1, 1.1655, 1.4418,27.5;3, 2, 1.0875, 0.748, 27.5;-3, 0, 1.1068, 2.2092, 26.3;4, 1, 0.9017, 1, 13.7;3, 2, 0.9017, 1, 14.9;-3, 1, 0.9172, 1, 13.7;-2, 0, 1.0198, 1.0809, 16.1;0, 1, 0.9172, 1, 13.7] T=[1, 0, 0, 0, 0 ;1, 0, 0, 0, 0 ;1, 0, 0, 0, 0 ;1, 0, 0, 0, 0 ;1, 0, 0, 0, 0; 0, 1, 0, 0, 0;0, 1, 0, 0, 0;0, 1, 0, 0, 0;0, 1, 0, 0, 0;0, 1, 0, 0, 0;0, 0, 1, 0, 0;0, 0, 1, 0, 0;0, 0, 1, 0, 0;0, 0, 1, 0, 0;0, 0, 1, 0, 0;0, 0, 0, 1, 0 ;0, 0, 0, 1, 0 ;0, 0, 0, 1, 0 ;0, 0, 0, 1, 0 ;0, 0, 0, 1, 0 ; 0, 0, 0, 0, 1;0, 0, 0, 0, 1;0, 0, 0, 0, 1;0, 0, 0, 0, 1;0, 0, 0, 0, 1 ];%期望输出plotpv(P,T);%描绘输入点图像。

2021.12科学技术创新铁路轨道是保障高铁列车行驶安全的重要结构部件。

在铁路日常运营中，轨道在列车高速下的冲击、振动及列车荷载等长时间作用下，内部结构不可避免地发生改变。

轨道不平顺的发展，将会对铁路运营产生巨大影响，如铁路运输的质量指数（Track Quality Index,简称TQI ）是评价轨道整体不平顺的重要指标，因此预测TQI 的发展变化趋势,能够帮助铁路部门人员及时掌握设备状态，制定合理的维修计划，实现由“事后修”到“状态修”的转变，避免人力、物力方面的浪费。

实践证明，随着运营时间的增长，单元区段内轨道不平顺几何数据以多阶段、周期性、非线性等形式表现出来的。

ARMA 模型由于具有线性预测优势，主要被应用在线形预测方面。

然而针对非线性规律部分预测，则稍显不足。

BP 神经网络在非线性预测方面有着独特的优势，因此本文提出建立ARMA-BP 组合模型对轨道质量指数TQI 进行预测研究。

1ARMA-BP 组合模型1.1ARMA （p,q ）模型自回归滑动平均模型由自回归模型（AR 模型）与滑动平均模型（MA 模型）两个模型混合而成。

1.1.1自回归模型AR(p)其中，1,2，…，p 是模型参数；兹t 为白噪声序列。

1.1.2滑动平均模型MA(q)1.1.3自回归滑动平均模型ARMA(p,q)如果时间序列模型既包括p 阶自回归，又包括q 阶滑动平均，则此模型为自回归滑动平均模型，有如下形式：1.2BP 神经网络模型BP （Back Propagation ）网络在1986年由以Rinehart 和McClelland 为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

BP 网络无需事前描述映射关系，可以学习和保存大量的输入-输出模式映射关系。

1.3ARMA-BP 组合模型构建TQI 时间序列往往含有线形变化规律和非线性变化规律，ARMA 模型作为传统的时间序列预测模型，能够很好地提取时间序列线性特征。

MATLAB中的神经网络模型融合与集成方法导言：神经网络模型是一种模仿生物神经系统进行信息处理的数学模型，具有强大的学习能力和适应性。

然而，单一神经网络模型可能存在局限性，为了充分发挥神经网络模型的优势，研究人员开始探索模型融合与集成方法。

本文将介绍MATLAB中的神经网络模型融合与集成方法，并探讨其在实际问题中的应用。

一、神经网络模型融合的方法1. 加权平均加权平均是神经网络模型融合中最简单且常用的方法之一。

其原理是将多个神经网络模型的预测结果按照一定的权重进行线性组合，得到最终的融合结果。

在MATLAB中，可以通过定义权重向量和使用MATLAB自带的函数来实现加权平均的模型融合。

这种方法适用于多个神经网络模型具有相似预测性能的情况。

2. 投票法投票法是一种常见的非加权模型融合方法。

其基本原理是将多个神经网络模型的预测结果进行投票，选择得票最多的结果作为最终的融合结果。

在MATLAB中，可以通过使用变量存储各模型的预测结果，并利用统计函数进行计数和选择得票最多的结果。

投票法适用于多个神经网络模型有较大差异的情况。

二、神经网络模型集成的方法1. 堆叠自编码器堆叠自编码器是一种用于神经网络模型集成的深度学习算法。

其基本原理是将多个自编码器进行堆叠，形成一个复杂的神经网络模型。

在MATLAB中，可以通过使用MATLAB自带的深度学习工具箱和相关函数，按照一定的层次关系，构建并训练堆叠自编码器。

堆叠自编码器适用于数据集较大且特征较复杂的情况。

2. 集成学习算法集成学习算法是一种有效的神经网络模型集成方法。

其基本原理是通过组合多个不同的神经网络模型，以提高整体性能，并减少模型的方差和偏差。

在MATLAB中，可以通过使用集成学习工具箱和相关函数，实现模型集成的算法。

常用的集成学习算法包括随机森林、Adaboost等。

集成学习算法适用于样本较少且模型高度相关的情况。

三、神经网络模型融合与集成方法的应用案例1. 图像分类在图像分类领域，神经网络模型融合与集成方法可以用于提高分类准确率。

BPNN在matlab中的实现学习运用Matlab创建BP神经网络（R2022b）BP神经网络属于前向网络以下为创建BP神经网络的方法及参数意义（1）net=newff（P,T,S）或者net=newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)P：输入参数矩阵。

(R某Q1)T：目标参数矩阵。

(SN某Q2)S：N-1个隐含层的数目（S（i）到S（N-1）），输出层的单元数目取决于T，默认为空矩阵。

TF：相关层的传递函数，默认隐含层为tanig函数，输出层为purelin函数。

BTF：BP神经网络学习训练函数，默认值为trainlm函数。

BLF：权重学习函数，默认值为learngdm。

PF：性能函数，默认值为me。

IPF，OPF，DDF均为默认值即可。

（2）传递函数purelin线性传递函数tanig正切S型传递函数logig对数S型传递函数隐含层和输出层函数的选择对BP神经网络预测精度有较大影响，一般隐含层节点转移函数选用tanig函数或logig函数，输出层节点转移函数选用tanig函数或purelin函数。

（3）学习训练函数神经网络的学习分为有导师学习和无导师学习。

最速下降BP算法：traingd动量BP算法：traingdm学习率可变的BP算法：trainda（学习率可变的最速下降BP算法）；traind某（学习率可变的动量BP算法）弹性算法：trainrp变梯度算法：traincgf（Fletcher-Reeve修正算法）traincgp（Polak_Ribiere修正算法）traincgb（Powell-Beale复位算法）trainbfg（BFGS拟牛顿算法）traino（OSS算法）trainlm（LM算法）参数说明：通过net.trainParam可以查看参数ShowTrainingWindowFeedbackhowWindow:trueMinimumGradientmin_grad:性能函数最小梯度Ma某imumValidationCheckma某_fail:最大验证失败次数LearningRatelr:学习速率LearningRateIncreaelr_inc:学习速率增长值LearningRatelr_dec:学习速率下降值Ma某imumPerformanceIncreaema某_perf_inc:MomentumContantmc:动量因子（4）BP神经网络预测函数SimOut=im('model',Parameter)&y=im(net,某)函数功能：用训练好的BP神经网络预测函数输出net：训练好的网络某：输入数据y：网络预测数据(5)训练函数[net,tr]=train(Net,P,T,Pi,Ai)其中，Net待训练的网络P输入数据矩阵T输出数据矩阵(default=zero)Pi初始化输入层条件(default=zero)Ai初始化输出层条件(default=zero)net训练好的网络tr训练过程记录注意：PNi-by-TScellarrayEachelementP{i,j,t}ianNi-by-Qmatri 某.TNl-by-TScellarrayEachelementT{i,t}iaUi-by-Qmatri某.现给出一药品商店一年当中12个月的药品销售量（单位：箱）如下：205623952600229816341600187314871900150020461556训练一个BP网络，用当前的所有数据预测下一个月的药品销售量。

MATLAB中的神经网络算法和实现方法简介：神经网络是一种模仿生物神经系统活动的数学模型，广泛应用于机器学习和模式识别领域。

MATLAB作为一种功能强大的科学计算软件，提供了丰富的工具箱和函数，用于神经网络的设计、训练和应用。

本文将介绍MATLAB中的神经网络算法和实现方法。

1. 神经网络的基本原理神经网络由多个神经元组成的网络结构，每个神经元都有多个输入和一个输出。

神经网络的基本原理是通过对输入和权重的加权求和，经过激活函数的处理得到输出。

神经网络的学习过程就是通过调整权重的数值和选择合适的激活函数，使网络能够逼近目标函数。

2. MATLAB中的神经网络工具箱MATLAB提供了神经网络工具箱(Neural Network Toolbox)，用于快速实现各种类型的神经网络。

神经网络工具箱包含了各种神经网络算法和函数，可用于网络的创建、训练和应用。

3. 神经网络的创建与配置在MATLAB中创建神经网络可以通过网络构建函数(newff、newcf、newp等)来实现。

可以根据网络的拓扑结构、层数和节点数目来创建神经网络。

配置神经网络可以通过设置网络的参数，如网络输入、目标输出、激活函数、训练算法等。

4. 神经网络的训练神经网络的训练过程是调整网络的权值和偏置，使网络能够对输入进行正确的分类或预测输出。

在MATLAB中，可以使用train函数进行神经网络的训练。

train函数提供了多种训练算法，如梯度下降、Levenberg-Marquardt算法等。

训练过程中，可以设置训练次数、学习率、误差目标等参数。

5. 神经网络的应用神经网络可以用于各种应用领域，如模式识别、数据挖掘、图像处理等。

在MATLAB中，可以使用已经训练好的神经网络对新的输入进行分类或预测。

可以使用sim函数对训练好的网络进行模拟，并根据输出结果进行判断。

6. 神经网络的性能评估与改进在使用神经网络进行建模和预测时，需要对网络的性能进行评估。

在Matlab中使用机器学习工具箱进行模型训练和预测引言：随着人工智能的快速发展，机器学习在各个领域中得到了广泛的应用。

而Matlab作为一款功能强大的数值计算软件，其机器学习工具箱为用户提供了便捷的模型训练和预测功能。

本文将介绍在Matlab中如何使用机器学习工具箱进行模型训练和预测，并结合实例加以说明。

一、数据准备在进行模型训练和预测之前，首先需要准备训练和测试所需的数据集。

Matlab中的机器学习工具箱提供了丰富的数据导入和处理函数，可以直接读取常见的数据格式，如CSV和Excel文件。

同时，也可以通过代码生成或手动输入数据。

数据准备包括数据清洗、预处理、特征选择等步骤，这些步骤的目的是为了提高后续模型训练和预测的准确性和效果。

二、选择合适的算法在进行机器学习任务之前，需要先选择合适的算法。

Matlab的机器学习工具箱提供了各类经典的机器学习算法，如线性回归、逻辑回归、决策树、支持向量机等。

在选择算法时，需要根据任务的特点和数据的性质来决定。

比如要进行分类任务，可以选择逻辑回归或支持向量机；要进行回归任务，可以选择线性回归或决策树。

算法的选择直接影响了后续模型的性能和效果，因此需要慎重考虑。

三、模型训练选择好算法之后，就可以进行模型训练了。

在Matlab中，只需要简单几行代码就可以完成模型的训练过程。

以线性回归为例，首先需要定义一个线性回归模型对象，然后使用训练数据对模型进行训练。

训练过程中可以设置一些参数，如迭代次数、学习率等。

训练完成后，可以通过评估指标来评价模型的性能，如均方误差（MSE）和决定系数（R-squared）。

四、模型预测模型训练完成后，就可以使用该模型进行预测了。

Matlab提供了预测函数，可以将测试数据输入模型，得到预测结果。

预测结果可以通过可视化的方式呈现，以便于观察。

同时，也可以计算预测结果与真实标签之间的误差，以评估模型的预测能力。

五、模型调优在模型训练和预测的过程中，有时候会出现性能不佳的情况。

通行费收入预测问题的探讨摘要：近几年，我国的高速公路发展迅速，在2015年末时，全国的高速公路总里程已经达到125373公里，成为全球最长的高速公路。

然而，高速公路是一种具有投资大、回收期长、具有准公益性质的特殊商品，其投资与经营过程十分复杂。

如何确保高速公路的经营和管理工作走上正轨，保持高速、平稳的发展势头，是目前我国高速公路建设的一个重大课题。

如何正确地进行城市道路交通管理，其中最重要的工作就是对道路收费进行科学的预测。

本文通过对我国高速公路收费收入的影响因素的分析，结合我国的实际情况，提出了一种比较可靠的公路通行费收入短期预测模式。

关键词：高速公路；通行费；收入预测中国的高速公路在近几年发展迅速，已经成为全球最长的高速公路，已经初步形成了一个具有超过20万城镇人口的高速路网。

高速公路的建设，既能缩短省际、重要城市间的时间和空间，又能加速区域间人员、商品、技术、信息的交流，有效地减少了生产和运输的费用，同时还能带动落后地区的发展。

然而，我国高速公路的建设投入巨大，其融资渠道以银行贷款为主。

高速公路收费是高速公路的一项重要收入，高速公路特许经营企业的主要业务是通过汽车通行费来支付贷款和利息，以及日常的高速公路运行费用。

特别是在新建或扩建高速公路时，要知道工程的回收，也就是每年的过桥费收入。

新设或扩建的公路收费是以预测为准，其计算方式与营运后收费所得相似，但又有所不同。

本文对高速公路收费的新增、扩建作了初步的预测，为高速公路企业和有关主管部门的政策制定与管理提供了依据。

一、高速公路通行费收入影响因素分析（一）交通量影响因素1.宏观经济形势的不稳定.经济周期的改变将直接影响到经济行为对运输容量的需求，从而影响到高速公路的总流量和总的费用[1]。

2.不同的需求方对高速公路的认知存在差异。

高速公路对通过的车辆收费，让需要的人在支付费用方面有很大的不同。

3.道路管理和养护管理和服务设施。

一方面，由于部分地区道路经常发生交通堵塞等问题，导致了消费者对高速公路的良好印象度降低。

matlab神经网络43个案例分析MATLAB神经网络是一种广泛使用的机器学习工具，可以应用于多种问题的解决。

下面为大家介绍43个用MATLAB神经网络解决的案例分析。

1. 基于神经网络的股票市场预测通过分析历史数据，建立神经网络模型，预测未来股票市场走势。

2. 神经网络分类器建模分析通过建立分类模型，对不同类型数据进行分类处理。

3. 基于神经网络的信用评估模型通过收集客户的基本信息和信用历史，建立神经网络模型，对客户的信用进行评估。

4. 神经网络医学图像分析通过医学图像数据，建立神经网络模型，进行疾病诊断与分析。

5. 基于神经网络的机器人动作控制通过神经网络，训练机器人进行动作控制，提高机器人的智能化水平。

6. 神经网络预测库存需求通过分析历史销售数据，建立神经网络模型，预测未来库存需求，提高企业的运作效率。

7. 基于神经网络的人脸识别通过收集人脸数据，建立神经网络模型，实现人脸识别功能。

8. 神经网络垃圾邮件过滤通过建立神经网络模型，对邮件进行分类，筛选出垃圾邮件。

9. 基于神经网络的语音识别通过收集语音数据，建立神经网络模型，实现语音识别功能。

10. 神经网络飞机失速预测通过分析飞机数据和空气动力学知识，建立神经网络模型，预测飞机发生失速的概率。

11. 基于神经网络的目标识别通过收集目标数据，建立神经网络模型，实现目标识别功能。

12. 神经网络电力负荷预测通过历史电力数据，建立神经网络模型，预测未来电力负荷。

13. 基于神经网络的网络入侵检测通过建立神经网络模型，检测网络攻击行为。

14. 神经网络手写数字识别通过收集手写数字数据，建立神经网络模型，实现手写数字识别功能。

15. 基于神经网络的情感分析通过对情感文本数据进行分析，建立神经网络模型，实现情感分析功能。

16. 神经网络自然语言处理通过对自然语言文本数据进行处理和分析，建立神经网络模型，实现自然语言处理功能。

17. 基于神经网络的物体识别通过收集物体数据，建立神经网络模型，实现物体识别功能。

关于快递行业中货量预测方法的介绍作者：胡佳迎来源：《电脑知识与技术》2018年第08期摘要：随着电商的兴起，人们已经习惯在网上购物。

随之兴起的便是物流快递行业。

对于各大快递公司来说，如果能够比较精确的预测淡旺季的货量，便能够提前安排好各个分拨中心的人力以及车线的运作。

文章对四种货量预测的方法进行简单的介绍，定性预测，线性回归预测，时间序列预测以及神经网络预测，并对四种方法的优缺点做了分析。

关键词：预测；货量；定性预测；线性回归；时间序列；神经网络中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）08-0152-02近年来，快递行业随着电商的兴起业务量也大大增加，据国家邮政局统计，2017年11月份，全国快递公司业务量完成47.1亿件，同比增长25.2%。

如此庞大的业务量对快递公司来说的确是一个考验，能否按时把快递送到客户手中，能否做到时效最优无疑成了各大快递公司竞争的焦点。

特别是面对双十一，双十二这种电商大促，如果快递公司能做到比较精确的预测未来一段时间的货量，那么就能够提前安排各个分拨中心的人力以及全国路由车线的运作，避免出现爆仓等现象。

1货量预测方法简介有关货量预测的方法有很多，下面就分别介绍四种最常见的方法，定性预测，线性回归预测，时间序列预测以及神经网络预测，其中后面三种预测属于定量预测。

1.1定性预测所谓定性预测，就是相关做预测的人员或者管理人员根据过去的经验，知识和直觉等对事物做出的预测。

定性预测法不需详细并且连续的历史数据作为支撑，而且时效性更强，但是由于定性预测受主观因素的影响比较大，我们很难确定其结果的可信度，而且误差也无法估计。

现在有如表1所示两行数据，要预测7/11号的货量。

第一行数据为日期，第二行数据为实际货量（货量单位：万）：根据定性预测法，有人会用1号到10号的均值（115）作为11号的预测值；也有人会觉得货量是呈现上升趋势的，应该增加一个增长率作为预测值。

BP神经网络原理及应用1 人工神经网络简介1.1生物神经元模型神经系统的基本构造是神经元（神经细胞），它是处理人体内各部分之间相互信息传递的基本单元。

据神经生物学家研究的结果表明，人的大脑一般有1011个神经元。

每个神经元都由一个细胞体，一个连接其他神经元的轴突1010和一些向外伸出的其它较短分支——树突组成。

轴突的功能是将本神经元的输出信号（兴奋）传递给别的神经元。

其末端的许多神经末梢使得兴奋可以同时送给多个神经元。

树突的功能是接受来自其它神经元的兴奋。

神经元细胞体将接受到的所有信号进行简单地处理后由轴突输出。

神经元的树突与另外的神经元的神经末梢相连的部分称为突触。

1.2人工神经元模型神经网络是由许多相互连接的处理单元组成。

这些处理单元通常线性排列成组，称为层。

每一个处理单元有许多输入量，而对每一个输入量都相应有一个相关联的权重。

处理单元将输入量经过加权求和，并通过传递函数的作用得到输出量，再传给下一层的神经元。

目前人们提出的神经元模型已有很多，其中提出最早且影响最大的是1943年心理学家McCulloch和数学家Pitts在分析总结神经元基本特性的基础上首先提出的M-P 模型，它是大多数神经网络模型的基础。

)()(1∑=-=ni j i ji j x w f t Y θ （1.1）式(1.1)中,j 为神经元单元的偏置（阈值），ji w 为连接权系数（对于激发状态，ji w 取正值，对于抑制状态，ji w 取负值），n 为输入信号数目，j Y 为神经元输出，t 为时间，f()为输出变换函数，有时叫做激发或激励函数，往往采用0和1二值函数或Ｓ形函数。

1.3人工神经网络的基本特性人工神经网络由神经元模型构成；这种由许多神经元组成的信息处理网络具有并行分布结构。

每个神经元具有单一输出，并且能够与其它神经元连接；存在许多（多重）输出连接方法，每种连接方法对应一个连接权系数。

严格地说，人工神经网络是一种具有下列特性的有向图：（１）对于每个节点存在一个状态变量xi ；（２）从节点i 至节点j ，存在一个连接权系数wji ； （３）对于每个节点，存在一个阈值j ；（４）对于每个节点，定义一个变换函数(,,),j i ji j f x w i j θ≠,对于最一般的情况，此函数取()j ji i j if w x θ-∑形式。

[matlab⼯具箱]神经⽹络NeuralNet//⽬的是学习在BP神经⽹络的基础上添加遗传算法，蚁群算法等优化算法来优化⽹络，这是后话。

先简单了解了MATLAB中的神经⽹络⼯具箱，⼯具箱功能还是⾮常强⼤的，已经可以拟合出⾮常多的曲线来分析了。

神经⽹络⼯具箱选择（4种）今天下载了⾃带的example跑了⼀次试⼀下选择隐藏神经元个数训练结束后可以在plot查看各种图表，这⾥只对⼯具箱操作做简单介绍最近⼀段时间在研究如何利⽤预测其销量个数，在⽹上搜索了⼀下，发现了很多模型来预测，⽐如利⽤回归模型、时间序列模型，GM（1,1）模型，可是⾃⼰在结合实际的⼯作内容，发现这⼏种模型预测的精度不是很⾼，于是再在⽹上进⾏搜索，发现神经⽹络模型可以来预测，并且有很多是结合时间序列或者SVM（⽀持向量机）等组合模型来进⾏预测，本⽂结合实际数据，选取了常⽤的BP神经⽹络算法，其算法原理，因⽹上⼀⼤堆，所以在此不必⼀⼀展⽰，并参考了这篇博⽂，运⽤matlab 2016a,给出了下⾯的代码，并最终进⾏了预测clcclear allclose all%bp 神经⽹络的预测代码%载⼊输出和输⼊数据load C:\Users\amzon\Desktop\p.txt;load C:\Users\amzon\Desktop\t.txt;%保存数据到matlab的⼯作路径⾥⾯save p.mat;save t.mat;%注意t必须为⾏向量%赋值给输出p和输⼊tp=p;t=t;%数据的归⼀化处理，利⽤mapminmax函数，使数值归⼀化到[-1.1]之间%该函数使⽤⽅法如下：[y,ps] =mapminmax(x,ymin,ymax)，x需归化的数据输⼊，%ymin，ymax为需归化到的范围，不填默认为归化到[-1,1]%返回归化后的值y，以及参数ps，ps在结果反归⼀化中，需要调⽤[p1,ps]=mapminmax(p);[t1,ts]=mapminmax(t);%确定训练数据，测试数据,⼀般是随机的从样本中选取70%的数据作为训练数据%15%的数据作为测试数据，⼀般是使⽤函数dividerand，其⼀般的使⽤⽅法如下：%[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio)[trainsample.p,valsample.p,testsample.p] =dividerand(p,0.7,0.15,0.15);[trainsample.t,valsample.t,testsample.t] =dividerand(t,0.7,0.15,0.15);%建⽴反向传播算法的BP神经⽹络，使⽤newff函数，其⼀般的使⽤⽅法如下%net = newff(minmax(p),[隐层的神经元的个数，输出层的神经元的个数],{隐层神经元的传输函数，输出层的传输函数｝,'反向传播的训练函数'),其中p为输⼊数据，t为输%tf为神经⽹络的传输函数，默认为'tansig'函数为隐层的传输函数，%purelin函数为输出层的传输函数%⼀般在这⾥还有其他的传输的函数⼀般的如下，如果预测出来的效果不是很好，可以调节%TF1 = 'tansig';TF2 = 'logsig';%TF1 = 'logsig';TF2 = 'purelin';%TF1 = 'logsig';TF2 = 'logsig';%TF1 = 'purelin';TF2 = 'purelin';TF1='tansig';TF2='purelin';net=newff(minmax(p),[10,1],{TF1 TF2},'traingdm');%⽹络创建%⽹络参数的设置net.trainParam.epochs=10000;%训练次数设置net.trainParam.goal=1e-7;%训练⽬标设置net.trainParam.lr=0.01;%学习率设置,应设置为较少值，太⼤虽然会在开始加快收敛速度，但临近最佳点时，会产⽣动荡，⽽致使⽆法收敛net.trainParam.mc=0.9;%动量因⼦的设置，默认为0.9net.trainParam.show=25;%显⽰的间隔次数%指定训练参数% net.trainFcn = 'traingd'; %梯度下降算法% net.trainFcn = 'traingdm'; %动量梯度下降算法% net.trainFcn = 'traingda'; %变学习率梯度下降算法% net.trainFcn = 'traingdx'; %变学习率动量梯度下降算法% (⼤型⽹络的⾸选算法)% net.trainFcn = 'trainrp'; % RPROP(弹性BP)算法,内存需求最⼩%共轭梯度算法% net.trainFcn = 'traincgf'; %Fletcher-Reeves修正算法% net.trainFcn = 'traincgp'; %Polak-Ribiere修正算法,内存需求⽐Fletcher-Reeves修正算法略⼤% net.trainFcn = 'traincgb'; % Powell-Beal复位算法,内存需求⽐Polak-Ribiere修正算法略⼤% (⼤型⽹络的⾸选算法)%net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量⽐上⾯三种算法都⼩很多% net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均⽐共轭梯度算法⼤,但收敛⽐较快% net.trainFcn = 'trainoss'; % OneStep Secant Algorithm,计算量和内存需求均⽐BFGS算法⼩,⽐共轭梯度算法略⼤% (中型⽹络的⾸选算法)%net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,内存需求最⼤,收敛速度最快% net.trainFcn = 'trainbr'; %贝叶斯正则化算法% 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm'%在这⾥⼀般是选取'trainlm'函数来训练，其算对对应的是Levenberg-Marquardt算法net.trainFcn='trainlm';[net,tr]=train(net,trainsample.p,trainsample.t);%计算仿真，其⼀般⽤sim函数[normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据，根据BP得到的结果[normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据，经BP得到的结果[normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据，经BP得到的结果%将所得的结果进⾏反归⼀化，得到其拟合的数据trainoutput=mapminmax('reverse',normtrainoutput,ts);validateoutput=mapminmax('reverse',normvalidateoutput,ts);testoutput=mapminmax('reverse',normtestoutput,ts);%正常输⼊的数据的反归⼀化的处理，得到其正式值trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的验证数据validatevalue=mapminmax('reverse',valsample.t,ts);%正常的验证的数据testvalue=mapminmax('reverse',testsample.t,ts);%正常的测试数据%做预测，输⼊要预测的数据pnewpnew=[313,256,239]';pnewn=mapminmax(pnew);anewn=sim(net,pnewn);anew=mapminmax('reverse',anewn,ts);%绝对误差的计算errors=trainvalue-trainoutput;%plotregression拟合图figure,plotregression(trainvalue,trainoutput)%误差图figure,plot(1:length(errors),errors,'-b')title('误差变化图')%误差值的正态性的检验figure,hist(errors);%频数直⽅图figure,normplot(errors);%Q-Q图[muhat,sigmahat,muci,sigmaci]=normfit(errors);%参数估计均值,⽅差,均值的0.95置信区间,⽅差的0.95置信区间[h1,sig,ci]= ttest(errors,muhat);%假设检验figure, ploterrcorr(errors);%绘制误差的⾃相关图figure, parcorr(errors);%绘制偏相关图运⾏之后的，结果如下：BP神经⽹络的结果分析图训练数据的梯度和均⽅误差之间的关系图验证数据的梯度与学习次数残差的正态的检验图（Q-Q图）在⽹上，发现可以通过神经⽹络⼯具箱这个GUI界⾯来创建神经⽹络,其⼀般的操作步骤如下：1：在输⼊命令⾥⾯输⼊nntool命令，或者在应⽤程序这个选项下找到Netrual Net Fitting 这个应⽤程序，点击打开，就能看见如下界⾯2：输⼊数据和输出数据的导⼊（在本⽂中选取了matlab⾃带的案例数据）3：随机选择三种类型的数据所占的样本量的⽐例，⼀般选取默认即可4：隐层神经元的确定5：训练算法的选取，⼀般是选择默认即可，选择完成后点击<train>按钮即可运⾏程序6：根据得到的结果，⼀般是MSE的值越⼩，R值越接近1，其训练的效果⽐较，并第⼆张图给出了神经⽹络的各参数的设置以及其最终的结果，其拟合图R越接近1，模型拟合的更好最终的结果图7：如果所得到的模型不能满⾜你的需求，则需重复上述的步骤直⾄能够得到你想要的精确度8：将最终的得到的各种数据以及其拟合值进⾏保存，然后查看，就可以得到所要的拟合值最后参考了⽹上和MATLAB的帮助，给出了⼀些与神经⽹络相关的函数，希望能够帮助⼤家。