[发明专利]一种基于BP神经网络的预测装置及设备

说明书

技术领域

本发明主要涉及数据挖掘技术领域。

背景技术

一、数据挖掘技术：

随着存储设备和数据库技术的发展，数据的存储已经不是问题，相反，人们已经开始感到被大量的数据淹没，因此，急需一种科学的方法将海量的数据转化成对人们有实际意义的知识和规律，数据挖掘就是在这个背景下产生的技术。

20世纪80年代末，数据挖掘作为新兴的研究领域悄然出现。数据挖掘的研究目的是在大型数据集中发现那些隐藏的、人们感兴趣的具有特定规律的信息。随着数据挖掘的发展，这种技术被应用在商业管理、政府办公、科学研究和工程开发等众多的领域中。

一般来说，基本的数据挖掘流程如下所示：

⑴定义问题：清晰地定义出业务问题，确定数据挖掘的目的。

⑵数据准备：数据准备包括：选择数据--在大型数据库和数据仓库目标中提取数据挖掘的目标数据集；数据预处理--进行数据再加工，包括检查数据的完整性及数据的一致性、去噪声，填补丢失的域，删除无效数据等。

⑶数据挖掘：根据数据功能的类型和数据的特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。

⑷结果分析：对数据挖掘的结果进行解释和评价，转换成为能够最终被用户理解的知识。

⑸知识的运用：将分析所得到的知识集成到业务信息系统的组织结构中去。

二、神经网络算法：

近年来，神经网络被广泛运用于时间序列分析和金融预报，这是因为神经网络具有非常强的非线性函数逼近能力，克服了传统处理方法对于数据方面的缺陷，使之在预测领域得到成功的应用。

神经网络是一种类似于大脑神经突触结构并可以进行信息处理的数学模型，它是对人脑的抽象、简化和模拟，反映了人脑的基本特性。

神经网络（图1）同时也是一种运算模型，由大量的节点（也称为神经元）和相互之间的加权连接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称为权重（weight），这相当于神经网络的记忆。网络的输出则根据网络的连接方式、权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

神经网络主要解决数据挖掘的分类和回归任务，它可以找出输入属性和可预测属性之间平滑连续的非线性关系。

三、BP神经网络：

BP（Back Propagation）网络是1986年由Rumelhart和McCelland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网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断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（input）、隐藏层(hide layer)和输出层(output layer)。

神经网络可以用作分类、聚类、预测等。神经网络需要有一定量的历史数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。在你的问题中，首先要找到某些问题的一些特征，以及对应的评价数据，用这些数据来训练神经网络。 　　虽然BP网络得到了广泛的应用，但自身也存在一些缺陷和不足，主要包括以下几个方面的问题。首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。其次，BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。

回顾各种数据挖掘预测算法的发展，我们可以看到其推广的瓶颈在于不同的算法需要不同的训练数据格式和特殊化的参数设置，而且其预测过程往往需要人为干预和设定，预测时需要提供大量的辅佐数据，预测结果也不够直观，这对于算法的推广和使用均十分不利。

发明内容