bp 神经网络模型在室内温度预测中的应用.pdf

Network World • 网络天地 BP神经网络模型在室内温度预测中的应用 文/何泾沙　郑伟 随着技术发展，人们对环境 摘 的要求越来越高，良好的环境质 要 量如适宜的温度关系到人们生活、 生产活动的质量，所以对的环境 温度的预测显得尤为重要。通过 确定适当的 BP 神经网络结构，对 已知的历史温度数据进行网络训 练和学习，能够预测其后某时刻 温度数值的结果。实验结果表明 该模型对温度的变化趋势有较好 的预测能力。 【关键词】反向传播神经网络 温度预测 前向 传播 1 引言 图1：测试后BP网络的实际输出和仿真输出 对人的生存环境的关注一直是现代科学 研究的重要 目标，对室内环境信息如温度进行 有效监测可以了解环境自身状况，还可以为研 究环境变化、环境污染提供参考。 常用的温度预测模型有线性回归模型 [2] 和灰色—线性回归组合模型。温度在很多时候 为随机、非线性变化，采用线性回归的数据分 析方法显得不是十分适用。 针对上述几种模型的不足，本文采用非 线性的BP 神经网络作为预测模型。根据 BP 神经网络模型的可以逼近任意非线性函数的特 性，通过分析已近采集到的温度，进行大量的 实验，获得最佳预测模型，利用模型来预测环 境信息如温度的短时间变化，从而实现有效的 预测。 2 BP神经网络概述 图2：灰色—线性回归组合模型的实际输出和仿真输出 传统的预测方法中，数据处理模块 比较 隐含层和输出层。 为克服这种不足，本文采用有动量的梯 简单，主要利用采用以前积累的若干数据，利 度下降法，该方法通过对权值变化量添加一个 用线性回归的进行曲线拟合，得到若干条温度 3 基于BP神经网络模型的温度预测方法 与前一循环时权值变化量成正比的值，并根据 曲线，能够反应温度的变化率，但是灵活性较 3.1 BP神经网络 BP 算法来产生新的权值变化，其实质是利用 差，预测精度低，前期需要大量的数据积累， 附加的动量把最后一次权值的影响传播到整个 可推广性不强。 本系统采用 BP 神经网络建立温度预测模 BP 网络。 人 工 神 经 网 络 （artificial neural 型。BP 网络算法分为两部分：一是信号的正 network ），是一种模仿生物神经网络的结构 向传播过程，即训练信号由神经网络的输入层 3.2 模型应用以及误差分析 和功能的数学模型。由大量的人工神经元联结 经隐层处理后传向输出层，其间每一层神经元 3.2.1 样本采集及准备 进行计算，常用来对输入和输出间复杂的关系 的状态只影响下一层的神经元的状态；二是误 采集某企业机房温度传感器节点 8 月 17 进行建模。 差 (E(t)) 的反向传播过程，即采用梯度下降的 日 18:00 至 19:00 和 8 月 18 日 18:00 至 19:00 BP （Back Propagation ）神经网络是一种 最小方差学习方式，将误差反向传播，不断调 两小时的温度数据，采集间隔为两分钟。以第 按误差逆传播算法训练的多层前馈网络。它的