前言：中文期刊网精心挑选了神经网络特征重要性范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
神经网络特征重要性范文1
【关键词】电力负荷;神经网络;网络模型
1.电力负荷预测的重要性
电力工业在我国经济迅速发展的今天，正飞速的发展，而电力工业在生产与传输过程中存在不能对其进行保存的特性，所以这就要求发电厂与用户间的供求关系应平衡，否则会造成用户用电的质量受影响，也会使供电部门经济利益受得损失，因此电力系统负荷预测方法迅速的发展，而精度高、速度快的电力负荷预测的保证电力市场供求关系平衡的一个重要前提，同时也是电力系统安全稳定运行的一个重要保障，因此电力负荷预测的方法研究的重要性可想而知。
2.建立神经网络模型
在本文中，将以河北省泊头市的2013年6月1日至6月7日的电力负荷作为样本对进来几天的电力负荷进行预测。
以神经网络的非线性映射能力为依据来建立短期的电力负荷预测模型，可以将其过程归纳为以下几步：
（1）先确定所要研究的神经网络模型的结构;
（2）对所选取的电力系统中的历史电力负荷数据进行分析，并按照一定的经验选取最能反映电力负荷变化的一部分电力负荷数据作为该神经网络模型的输入量，再选取该网络中历史负荷预测值作为该网络模型的输出量;
（3）选取合适的样本数据集作为该网络训练的样本集;
（4）将选取的样本集作为输入，输入到神经网络模型中进行运算，然后将期望的输出值和与经过神经网络训练后输出值进行比较，并按照一定的网络算法规则去调整该神经网络中各层之间的连接权值。并反复进行该网络输出误差计算和权值修改的工作，当误差输出满足一定的输出精度，或达到规定的迭代次数时完成训练;
（5）将这里训练好的神经网络模型应用到短期电力负荷预测中;
（6）该电力网络负荷预测模型使用一段时间后，在保留原有权值不变的基础上，根据实际的情况选取一些新的数据样本集对该神经网络进行重新的训练，使网络权值能够适应最近一段时间的负荷变化情况，保证预测电力负荷数值具有良好的精确度。
3.样本数据的预处理
在对短期电力系统负荷样本的处理前，应先对其日期的类型进行划分，其负荷日期的类型大致可以分为以下三种：
第1种：将一周内的七天分成两类：一类命名为工作日（周一至周五），一类命名为休息日（周六、周日）;
第2种：将一周的七天分成五种类型：周一为一个类型、周二到周四为一个类型、周五、周六、周日分别作为一种类型;
第3种：将一周的七天分为七种类型：即每天都作为一种类型。
在本文中采用第三种类型，即把一周中的每一天都看作一种类型，并且又做了进一步的细分，在这里对一天内的24小时中的每个时辰的电力负荷量进行统计并作为本文的研究样本。
4.气象特征的量化处理
本文在分析历史电力负荷数据的同时考虑了与该电力负荷数值密切相关的气象变化，如采集历史电力负荷数据当日天气的温度、湿度及当是的天气特征（阴天，雨天，晴天）等，经大量观察分析这些因素对电力负荷值所起的影响，影响最大的是温度因素和天气特征，因此本文采用选取当天的最高温度、最低温度及天气特征作为该神经网络模型的三个输入量值，在本文中分别用 0代表情天、0.5代表阴天、1代表雨天的情况。
表1 河北省泊头市区6月1日到7日电力负荷表
日期 6月1日 6月2日 6月3日 6月4日 6月5日 6月6日 6月7日
0时 0.5513 0.636 0.6487 0.6371 0.6258 0.6352 0.603
1时 0.5341 0.6122 0.6249 0.6142 0.6006 0.6108 0.5861
2时 0.5277 0.6004 0.6089 0.6024 0.5902 0.5933 0.5616
3时 0.5202 0.5888 0.5939 0.5876 0.5846 0.5794 0.5701
4时 0.5164 0.5829 0.6098 0.5865 0.5956 0.5887 0.559
5时 0.5759 0.6269 0.6515 0.6254 0.6432 0.621 0.5911
6时 0.6481 0.6913 0.7118 0.6868 0.7003 0.6721 0.6276
7时 0.7299 0.7641 0.7875 0.7649 0.7752 0.7496 0.6923
8时 0.8331 0.8657 0.898 0.8778 0.8785 0.8368 0.7609
9时 0.8993 0.942 0.9522 0.9398 0.9358 0.89 0.8177
10时 0.9292 0.958 0.9741 0.9658 0.9626 0.9114 0.8381
11时 0.8542 0.8829 0.8904 0.8915 0.8829 0.8326 0.7794
12时 0.8183 0.8389 0.8477 0.843 0.8416 0.8015 0.7461
13时 0.8854 0.914 0.9106 0.9191 0.9172 0.8603 0.7862
14时 0.8878 0.9203 0.911 0.9128 0.916 0.8571 0.7886
15时 0.8912 0.9186 0.9118 0.9096 0.9166 0.8571 0.7974
16时 0.8833 0.912 0.9071 0.8966 0.8995 0.8425 0.8148
17时 0.8545 0.872 0.8652 0.8612 0.8567 0.8157 0.8043
18时 0.8341 0.8501 0.8474 0.8248 0.8333 0.7932 0.7752
19时 0.8388 0.8586 0.8459 0.8338 0.8334 0.799 0.7601
20时 0.8323 0.8521 0.8331 0.8304 0.8336 0.7916 0.7401
21时 0.7641 0.7928 0.7618 0.7657 0.7688 0.742 0.6797
22时 0.7374 0.7515 0.7312 0.7303 0.7422 0.7118 0.6469
23时 0.6754 0.6796 0.6659 0.656 0.6726 0.6397 0.5913
最高温度 0.0023 0.0031 0.0028 0.002 0.0023 0.0023 0.0014
最低温度 0 0.0003 0.0006 0.0003 0.0006 0.0003 0.0003
天气 0 0 0 1 0.5 0 0
5.实验仿真结果
5.1 参数设计
（1）BP神经网络：学习速率η=0.1，学习目标ε=0.00001，最大循环次数100次。
（2）ELMAN神经网络：训练次数300次，mc的值为0.9，自适应学习速率初始学习速率为0.01，训练目标为0.0001，学习速度增长比例因子为1.05，学习速率下降比例因子为0.7，最大确认失败次数为5。
（3）PSO算法：种群规模N=20，最大进化次数为100次，惯性权重ω从0.9到0.4线性减小。
（4）本文以前20天每个时辰的负荷值作为训练样本集数据，以第21天的每个时辰的负荷值作为测试样本集数据。
5.2 实验结果
图1 经PSO算法优化的BP、ELMAN网络预测输出与期望输出比较
通过实验我们可以看出：
从图1中可以明显看出，经PSO-ELMAN神经网络预测值与期望值十分接近，预测效果要明显好于经PSO―BP神经网络预测的结果，经PSO-BP神经网络预测误差平均值为0.031792，而PSO-ELMAN神经网络预测误差平均值为0.016792。PSO-ELMAN网络预测结果要比PSO-BP网络预测结果精度高得多。
参考文献
神经网络特征重要性范文2
【摘要】 人工神经网络由于其具有高度的自适应性、非线性、善于处理复杂关系的特点，在许多研究领域得到了广泛应用，并取得了令人瞩目的成就。对其目前在医学研究领域中的应用做一简单综述。
【关键词】 人工神经网络； 应用
人工神经网络(Artificial Neural Network，ANN)方法自从本世纪40年代被提出以来，许多从事人工智能、计算机科学、信息科学的科学家都在对它进行研究，已在军事、医疗、航天、自动控制、金融等许多领域取得了成功的应用。目前出现了许多模仿动物和人的智能形式与功能的某个方面的神经网络，例如，Grossberg提出的自适应共振理论（Adaptive Resonance Theory，ART），T-Kohenen的自组织特征映射网络(Self-Organizing feature Map，SOM)，径向基函数网络（Radial Basis Function，RBF），Hopfield网等。进入90年代以后，由于计算机技术和信息技术的发展，以及各种算法的不断提出，神经网络的研究逐渐深化，应用面也逐步扩大，本研究对常用的神经网络方法及其在医学领域中的应用做一简单综述。
1 自组织特征映射网络（self-organizing feature map，SOM）在基因表达数据分析中的应用
1.1 方法介绍
脑神经学的研究表明，人脑中大量的神经元处于空间的不同区域，有着不同的功能，各自敏感着各自的输入信息模式的不同特征。芬兰赫尔辛基大学神经网络专家T.Kohonen根据大脑神经系统的这一特性，于1981年提出了自组织特征映射网络，它模拟人的大脑，利用竞争学习的方式进行网络学习，具有很强的自组织、自适应学习能力，鲁棒性和容错能力，其理论及应用发展很快，目前已在信息处理、模式识别、图像处理、语音识别、机器人控制、数据挖掘等方面都有成功应用的实例。
Kohonen网络由输入层和竞争层组成，网络结构见图1。输入层由N个神经元组成，竞争层由M个输出神经元组成，输入层与竞争层各神经元之间实现全互连接，竞争层之间实行侧向连接。设输入向量为x=(x1，…，xd)T ，输出神经元j对应的权重向量为wj=(wj1，…，wjd)T ，对每一输出神经元计算输入向量x 和权重向量wj 间的距离，据此利用竞争学习规则对权向量进行调节。在网络的竞争层，各神经元竞争对输入模式的响应机会，最后仅一个神经元成为胜利者，并对与获胜神经元有关的各权重朝着更有利于它竞争的方向调整，这样在每个获胜神经元附近形成一个“聚类区”，学习的结果使聚类区内各神经元的权重向量保持与输入向量逼近的趋势，从而使具有相近特性的输入向量聚集在一起，这种自组织聚类过程是系统自主、无教师示教的聚类方法，能将任意维输入模式在输出层映射成一维或二维离散图形，并保持其拓扑结构不变。网络通过对输入模式的学习，网络竞争层神经元相互竞争，自适应地形成对输入模式的不同响应，模拟大脑信息处理的聚类功能、自组织、自学习功能，实现用低维目标空间的点去表示高维原始空间的点，其工作原理和聚类算法及改进方法参见相关文献［1］。
1.2 应用
基因芯片技术的应用使得人们可以从基因水平探讨疾病的病因及预后，而基因芯片产生的数据具有高维度（变量多）、样本量小、高噪声的特点，样本量远小于变量数，如何从海量的数据中挖掘信息或知识成为重大课题。聚类分析是数据挖掘中的一类重要技术，传统方法主要有系统聚类、k-means聚类等，但在处理复杂非线性关系及变量间的交互作用时效果较差，受异常值影响较大。近年来神经网络技术法成为聚类领域的研究热点，其中自组织特征映射网络由于其良好的自适应性，其算法对基因表达数据的聚类有较高的稳定性和智能性，尤其在处理基因表达中有缺失数据及原始空间到目标空间存在非线性映射结构时有较好的体现，适用于复杂的多维数据的模式识别和特征分类等探索性分析，同时可实现聚类过程和结果的可视化［2］。目前Kohonen网络已被成功用到许多基因表达数据的分析中，Jihua Huang等［3］设计6×6的网络对酵母细胞周期数据进行分析，总正确率为67.7%；曹晖等［4］将其算法改进后用在酵母菌基因表达数据中，总正确率高达84.73%，有较高的聚类效能；邓庆山［5］将该模型与K平均值聚类方法结合用于公开的结肠基因表达数据集和白血病基因表达数据集，聚类的准确率分别为94.12%和90.32%。目前Kohonen网络在医学领域中主要应用前景有：① 发现与疾病相关的新的未知基因，对目标基因进一步研究，提高诊断的正确率，并对药物的开发研究提供重要的线索；② 对肿瘤组织的基因表达谱数据聚类，以期发现新的、未知的疾病亚型（肿瘤亚型），以便提出更加有针对性的治疗方案，为从分子水平对疾病分型、诊断、预后等提供依据；③ 发现与已知基因有相似功能的基因，为推断未知基因的可能功能提供线索。
2 BP神经网络在医学研究中的应用
2.1 BP神经网络在疾病辅助诊断中的应用
2.1.1 方法介绍
BP神经网络是目前应用最多的神经网络，一般由一个输入层（input layer）、一个输出层（output layer）、一个或几个中间层（隐层）组成。每一层可包含一个或多个神经元，其中每一层的每个神经元和前一层相连接，同一层之间没有连接。输入层神经元传递输入信息到第一隐层或直接传到输出层，隐层的神经元对输入层的信息加权求和，加一个常数后，经传递函数运算后传到下一个隐层（或输出层），常用的传递函数是logistic函数，即Φh=1/(1+exp(-z)) ，输出层神经元对前一层的输入信息加权求和经传递函数Φ0 （线性或logistic函数或门限函数）运算后输出，BP神经网络一般采用BP算法训练网络，关于BP算法及改进可参考相关文献［1］。
人工神经网络具有强大的非线性映射能力，含一个隐层的网络可以实现从输入到输出间的任意非线性映射，是典型的非线性数学模型，建立BP神经网络模型的一般步骤为：① BP网训练集、校验集、测试集的确定；② 输入数据的预处理：使输入变量的取值落在0到1的范围内，如果是无序分类变量，以哑变量的形式赋值；③ 神经网络模型的建立及训练：学习率、传递函数、隐层数、隐单元数的选择，注意防止过度拟合。一般使用灵敏度、特异度、阳性预测值、阴性预测值、ROC曲线对模型的预测性能进行评价。
2.1.2 应用
BP神经网络已广泛用于临床辅助诊断中，白云静等［6］用于中医证候的非线性建模，建立了RA证侯BP网络模型和DN证侯BP网络模型，结果显示平均诊断准确率分别为90.72%、92.21%，具有较高的诊断、预测能力。曹志峰［7］采用PROBEN1中的甲状腺疾病数据库用于甲状腺疾病（甲亢、甲减、正常）的诊断，结果显示训练样本的正确识别率为99.3% ，测试样本的正确识别率为98.2%，提示对临床诊断甲状腺疾病提供有益的帮助；还有学者用于急性心肌梗塞、甲状腺功能紊乱、乳腺癌、前列腺癌、宫颈癌、肺癌、卵巢癌、急性肺梗塞等的辅助诊断等［8］。
2.2 BP神经网络在生存分析中的应用
2.2.1 方法介绍
传统的生存分析方法有非参数、半参数、参数模型，参数模型主要有指数回归模型、Weibull回归模型，都要求对基线风险做一定的假设，但实际资料常常不符合条件，生存分析中应用最为广泛的半参数模型:Cox比例风险模型，但它要求满足比例风险的假定，在很多情况下也难以满足。基于神经网络的生存分析模型可以克服这些困难，可以探测复杂的非线性效应，复杂的交互效应，模型中协变量的效应可以随时间变化，对数据的分布不做要求。目前一些策略被用到神经网络预测方法中分析含有删失的生存数据，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。
BP神经网络建立生存分析模型常用的方法有［9］：连续时间模型（continuous time models）与离散时间模型（discrete time models）。常用的Faraggi和Simon［10］提出的连续时间模型扩展了Cox回归模型，允许非线性函数代替通常的协变量的线性组合，这种方法既保持了Cox回归模型的比例风险的特点，又提供了处理复杂非线性关系、交互作用能力的好方法。
离散时间模型常用的模型有：① 输出层为单个结点：模型的输出层只有一个神经元结点，是最简单的神经网络模型，生存时间被分成两个区间，当研究者仅仅对某一时间点的预后感兴趣时，例如预测癌症患者的5年生存情况，如欲预测多个时间点，则需建立多个神经网络模型（每个模型对应一个时间区间）；② 输出层为多个结点：生存时间被分成几个离散的区间，估计某个时间区间事件发生的概率，Liestol法是常用的离散时间模型。还有研究者在建立多个时间区间模型时将时间也做为一个输入变量，也有学者将神经网络纳入Bayes方法的研究框架。
一般采用灵敏度、特异度、一致性指数C(Concordance index)作为预测准确性的评价指标，神经网络在生存分析中的应用主要在于［11］：个体患者预后的预测，研究预后因子的重要性，研究预后因子的相互作用，对于预测变量的影响力强弱及解释性，还有待进一步探讨。
2.2.2 应用
国外Ruth M.Ripley等［9］将7种不同的神经网络生存分析模型（3种离散时间模型，4种连续时间模型）用于1335例乳腺癌患者复发概率的预测，并对其精确性、灵敏度、特异度等预测性能指标进行比较，结果证明神经网络方法能成功用于生存分析问题，可以提取预后因子所蕴涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模拟研究方法，在9种实验条件下（不同的输入结点、删失比例、样本含量等）对Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法处理右删失生存数据的性能与Cox回归作比较，研究结果提示神经网络方法可以作为分析右删失数据的一个有效的方法。D.J.Groves［13］等将Cox回归与神经网络方法对儿童急性淋巴母细胞白血病的预后进行了比较，Lucila Ohno-Machado等［14］建立输出层为4个结点的离散时间神经网络模型做为AIDS预后研究的工具，并使用ROC曲线下面积、灵敏度、特异度、阳性预测值、阴性预测值对不同时间区间的预测性能做了评价。国内用于生存分析方面的研究还较少，黄德生［15］等利用BP神经网络建立time-coded model和single-time point model用于肺鳞癌预后预测，贺佳［16］等把BP网络用于预测肝癌患者术后无瘤生存期，也有学者对AIDS、恶性肿瘤的预后做了相关的研究。
2.3 BP神经网络在其它方面的应用
近年来BP神经网络在疾病筛查中的的应用引起学者的关注，例如在乳腺癌、宫颈癌、糖尿病的筛查都有成功的应用［17］。神经网络在法医学研究领域具有实用性和广泛的应用前景，法医学家将其用在死亡时间推断、死因分析、个体识别和毒物分析等研究中［18］。在药学研究中也有一定的应用，例如在定量药物设计、药物分析、药动/药效学研究中，都有成功的应用案例，相秉仁等［19］对其做了详细的综述。曹显庆［20］等还将神经网络用于ECG、EEG等信号的识别和处理、医学图像分析中，取得了较好的结果。
人工神经网络是在研究生物神经网络的基础上建立的模型，迄今为止有代表性的网络模型已达数10种，人工神经网络不需要精确的数学模型，没有任何对变量的假设要求，能通过模拟人的智能行为处理复杂的、不确定的、非线性问题。在医学研究领域，变量间关系往往非常复杂，为了探测变量间的复杂模式，神经网络正逐渐变成分析数据的流行工具。目前国际上已出现许多著名的神经网络专业杂志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同时已有许多商业化的神经网络开发软件，如Matlab软件， S-plus软件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系统中的Enterprise Miner应用模块中也可以建立神经网络模型，随着计算机技术的进一步发展，人工神经网络在医学领域的应用前景也会更加广阔。
【参考文献】
1 余雪丽，主编.神经网络与实例学习.中国铁道出版社，1996.
2 白耀辉，陈明.利用自组织特征映射神经网络进行可视化聚类.计算机仿真，2006，23(1):180~183.
3 Jinua Huang，Hiroshi Shimizu，Suteaki Shioya.Clustering gene expression pattern and extracting relationship in gene network based on artificial neural networks.Journal of bioscience and bioengineering，2003，96(5):421~428.
4 曹晖，席斌，米红.一种新聚类算法在基因表达数据分析中的应用.计算机工程与应用，2007，43(18)：234~238.
5 邓庆山.聚类分析在基因表达数据上的应用研究.计算机工程与应用，2005，41(35):210~212.
6 白云静，申洪波，孟庆刚，等.基于人工神经网络的中医证侯非线性建模研究.中国中医药信息杂志，2007，14（7）:3~4.
7 曹志峰. BP 神经网络在临床诊断中的应用与探讨.实用医技杂志，2005，12(9):2656~2657.
8 William G Baxt. Application of artificial neural networks to clinical medicine. The Lancet，1995，346(8983):1135~1138.
9 Ruth M.Ripley，Adrian L.Harris，Lionel Tarassenko.Non-linear survival analysis using neural networks. Statistics in medicine，2004，23(5):825~842.
10 David Faraggi，Richard Simon.A neural network model for survival data. Statistics in medicine，1995，14(1):73~82.
11 高蔚，聂绍发，施侣元，等.神经网络在生存分析中的应用进展.中国卫生统计，2006，23（4）：358~360.
12 Anny Xiang，Pablo Lapuerta， Alex Ryutov.Comparison of the performance of neural network methods and Cox regression for censored survival data.Computational statistics ＆ data analysis，2000，34(2):243~257.
13 D.J.Groves，S.W.Smye，S.E.Kinsey.A comparison of Cox regression and neural networks for risk stratification in case of acute lymphoblastic leukaemia in children.Neural computing ＆ applications，1999，8(3):257~264.
14 Lucila Ohno-Machado.A comparison of cox proportional hazards and artificial neural network models for medicial prognosis.Comput Biol Med，1997，27(1):55~65.
15 黄德生，周宝森，刘延龄，等.BP人工神经网络用于肺鳞癌预后预测.中国卫生统计，2000，17(6):337~340.
16 贺佳，张智坚，贺宪民.肝癌术后无瘤生存期的人工神经网络预测.数理统计与管理，2002，21（4）：14~16.
17 黎衍云，李锐，张胜年.人工神经网络及其在疾病筛查中的应用前景.环境与职业医学，2006，23(1):71~73.
18 汪岚，刘良.人工神经网络的法医学应用.中国法医学杂志，2005，20(3)：161~163.
神经网络特征重要性范文3
Abstract： Low carbon architecture is an inevitable developmental trend of the construction industry. Especially in a crisis of global warming， we must make a comprehensive evaluation of low carbon architecture. Starting from the full life cycle of the building， the article used AHP and BP neural network method to build the low-carbon architecture evaluation system. The results showed that： compared with the only AHP， the evaluation result based on AHP and BP neural network method is more accurate. The model would effectively reduce the influence of subjective factors and enhance the objectivity of the evaluation results.
关键词： 低碳建筑;评价方法;层次分析法;BP神经网络
Key words： low-carbon architecture;assessment method;AHP（the analytic hierarchy process）;BP neural network
中图分类号：TU201.5 文献标识码：A 文章编号：1006-4311（2015）04-0134-03
0 引言
中国是一个经济发展迅猛的发展中经济体，其GDP总量已超过日本居世界第二，但与此同时，中国的二氧化碳排放量也超过美国居世界第一，其中建筑的碳排放量占较大的比例。因此，为实现我国在哥本哈根气候变化大会上40%-45%的减排承诺，建筑行业的责任重大。[1]合理构建低碳建筑评价指标体系，并对低碳建筑做出综合评价，是近几年建筑行业的研究重点，也是我国政策的关注热点。
目前大部分研究者多采用层次分析法对低碳建筑进行评价。层次分析法是将复杂的决策问题系统层次化，通过逐层比较各种关联因素的重要性来分析比较出最终的决策方案，该评价过程中主观因素占相当的比重。
BP神经网络法模拟人类大脑的活动，通常由输入层、隐含层、输出层构成。本文采用BP神经网络的有导师学习方式，将输入数据加载到网络的输入端，通过比较实际输出与期望输出的相对误差，不断地修改连接权值，直到相对误差趋于0，即网络的输出端给出最终的决策方案，该评价过程有效降低专家打分引起的主观误差。
1 低碳建筑评价指标体系的构建
低碳建筑的目标旨在建筑的整个生命周期内，减少化石能源的使用，提高能效，降低二氧化碳排放。低碳建筑评价指标体系的构建应从全生命周期出发，即全面又客观地反映出低碳建筑的节能减排情况，同时，指标的选取要遵循全局性、可比性、可持续性等原则。现通过向多位经验丰富的专家请教咨询，并参考大量相关研究资料，整合建立出一套较为系统、合理的低碳建筑评价指标体系，如图1所示。
请多位专家给实际建筑（I-VIII）的各指标进行打分，每个指标分值取（0-5）分。使定性的评价指标因素定量化，确立各具体评价指标值，再进行整理，得到如表1所示数据。
2 层次分析法对低碳建筑的评价
2.1 层次分析法的原理及应用步骤 层次分析法的基本思路是：先分解后综合。首先将所要分析的问题层次化，形成一个多层分析结构模型，最终归结为最底层（方案、措施、指标等）相对于最高层（总目标）相对重要程度的权值或相对优劣次序的问题。其在评价过程中的主要步骤如下：
①建立多层分析结构模型：目标层A准则层B指标层C（如图1所示）。
②构造成对比较矩阵。设某层有n个因素，即{X1，X2，X3，…，Xn}
将该层中两两因素成对比较，比较时取1-9尺度，则构造的成对比较矩阵形式如下：
注：一共构成6个判断矩阵，分别为准则层对目标层的判断矩阵（1个），指标层对准则层的判断矩阵（5个）。
③层次单排序及一致性检验。确定本层各因素对于上一层某因素重要性的排序，成为层次单排序。
求出上述判断矩阵的最大特征值？姿max及相应的归一化特征向量，即权重向量Wi。
为力保所求权值向量Wi的有效性，必须对判断矩阵进行一致性检验，引入一致性检验指标CI、CR，其中：
若CR < 0.1，则判断矩阵通过检验;否则重新构造新的成对比较矩阵。
经计算，层次单排序及一致性检验的结果，如表2所示。
④层次总排序及一致性检验。
确定本层各因素对于总目标重要性的排序，成为层次总排序。
则指标层C对目标层A的权重W=W0・W1・W2・W3・W4・W5，如表3所示。
2.2 层次分析法对实际建筑的评价结果
依据表1中专家给出的各指标分数，利用层次分析法确定的权重值，加权得到实际建筑的最终得分。则实际建筑物（I―VIII）的最终得分分别为：2.8068分、1.9214分、3.2136分、2.0547分、2.2787分、3.1699分、3.8517分、2.8116分。
3 BP神经网络法对低碳建筑的评价
3.1 BP神经网络结构及学习原理
BP算法的基本思路是：输入学习样本，使用反向传播算法对网络的权值进行反复的调整训练，使实际输出与期望输出尽可能接近。假定输入向量X={ X1，X2，X3，…，Xn };期望输出向量d={ d1，d2，d3，…，dq };输出层输出向量Y={ Y1，Y2，Y3，…，Yq };输入层与隐含层、隐含层与输出层的连接权值分别为Wih、Who 。BP神经网络算法的主要步骤如下[2-3]：
3.2 BP神经网络的训练
3.2.1 BP神经网络的建立 根据AHP对评价指标的分析，现提取出对低碳性能影响较大的前8个评价指标，即建筑布局C4、绿化系统C6、能源系统C7、施工材料C9、施工技术C10、维护修理C12、节能设备C13、回收材料C15（该8项指标的权重和为0.9662）。[4]
构建如下的三层BP神经网络对实际建筑的低碳性能进行测试：输入层节点8个，由上述各项评价指标组成;隐含层节点10个，隐含层的激活函数为logsig（S型的对数函数）;输出层节点1个，是对BP神经网络评价结果的输出，输出层的激活函数为tansig（双曲正切S型传递函数），且采用训练函数traingd、学习函数learngd。
3.2.2 BP神经网络的训练 首先设定BP神经网络中的基本参数：学习速率为0.05，误差限制在10-5。其次笔者将采用表1中实际建筑I-VI作为训练样本，实际建筑VII、VIII作为测试样本。网络的训练结果如图2。
通过训练1946次后，总体误差满足要求，此时EAV= 8.1583e-006。
3.3 BP神经网络法对实际建筑的评价结果 利用上述训练好的BP神经网络进行仿真检验，检验结果即为评价结果，并与传统层次分析法的评价结果进行比较（见表4）。
从表4可以看出，采用AHP与BP神经网络相结合建立的模型评价结果较精确，最大相对误差不超过1%，较传统层次分析法构建的模型优越。
由此，一个基于AHP与BP神经网络的低碳建筑评价体系已成功建立，可以对建筑物的低碳性能进行有效评价，从而为决策者提供决策依据。值得注意的是，若能得到更多的样本数据对网络进行训练，可使网络的评价结果更加精确。
4 总结
系统评价与决策是一个复杂的过程，基于AHP与BP神经网络相结合的方法很好的克服了传统层次分析法的不足与缺陷，主要体现有：①BP网络具有自学习特性，在训练过程中可根据误差不断调整层次之间的权重，一方面省去判断矩阵一致性检验，避免逻辑错误，另一方面减少人为因素的过多干预。②BP神经网络在一定程度上是参照层次分析法的结构建立的，但其隐含层的确立脱离实际评价结构。在BP神经网络评价系统中，一方面无需考虑层次间的线性或非线性关系;另一方面无需因评价体系层次结构的改变而改变神经网络结构，其应用更为快捷方便。
参考文献：
[1]薛进军.低碳经济学[M].北京：社会科学文献出版社，2011：3-18.
[2]葛哲学，孙志强.神经网络理论与MATLAB R2007实现[M].北京：电子工业出版社，2007：1-100.
[3]张良均，曹晶，蒋世忠.神经网络实用教程[M].北京：机械工业出版社，2008：1-28.
[4]李晓峰.基于AHP的人工神经网络模型的建立[J].四川大学学报，2003，35（1）：101-103.
[5]支家强，赵靖，李楠.基于人工神经网络的绿色建筑评价[J]. 城市环境与城市生态，2010，23（4）：44-47.
[6]黄冬民，端木京顺.基于BP算法的层次分析法研究[J].贵州工业大学学报，2004，33（1））：67-71.
神经网络特征重要性范文4
关键词：神经网络 BP算法 现金流 预测
近年来，国内外一系列公司破产事件让人们发现一个事实：公司能否持续经营下去并不在于资产规模的大小，不在于账面上会计利润的高低，而在于是否有足够的现金流支撑维系下去。从史玉柱巨人大厦的倒闭到安然“不沉的航母”的神话破灭，无数惨痛的教训使人们终于深刻体验到“现金为王”的道理。流动性相对一个公司的重要性甚至超过了盈利能力。
决策者如果能对企业未来的现金流量作出较为准确的预测，则有重大而深远的意义：企业经营管理层可以对本企业未来经营业绩作出完整客观的综合评价，了解企业发展的潜力和实力，尤其是企业资产管理能力、变现能力、盈利能力等方面是否存在问题、与历史水平相比是否有所改善等情况；企业进行并购决策时，只有对现金流进行准确的预测，才能通过自由现金流量法，对被并购的企业准确估价，为企业的并购决策提供科学依据；决策者可以尽早对预计流动资金的缺口的解决方案进行安排，或者从往年的利润中全部提取或部分提取，或者提前联系银行及其他投资机构来争取贷款或他方的投资，实现自有资金与债务的最优资本结构，既降低财务风险又充分利用较低的资金成本，取得最佳的经济效益。
预测现金流的方法概述
目前已有的测算方法主要有：趋势分析法、销售收入资金率法及资金习性法。但是趋势分析法应用的前提是假定企业发展变化的趋势已定。销售收入资金率法的局限性主要是假设资产、负债、收入、成本与销售额成正比例，资金习性法的缺陷在于根据资金数量与产销量关系的规律测算资金需要量时建立的数学模型为线性关系。在市场经济条件下，这些模型通常不符合实际情况，由于存在规模经济现象和批量购销等问题，现金流与各影响因素之间的关系十分复杂，因此存在难用线性函数来定量分析的局限性。
神经网络(Artificial Neural Network，简称ANN)是运用样本学习，在输入和输出结点建立非线形映射关系，它通过各种输入信息做出反应而完成信息处理并具有自学习、自组织、自适应和非线性动态处理等特性。所以具有以往方法一些不曾具有的独特优点，如具有很强的非线性映射能力，具有较强的自学习能力，系统可以在学习的过程中不断的更新和完善知识；神经网络可以以分布式方式存储信息，所以容错能力强，网络中少量单元的局部缺损不会造成网络的瘫痪，影响全局，反映了神经网络的鲁棒性；具有大规模的集体运算的能力。
神经网络BP算法模型分析
本文采用神经网络中的BP算法 (Back-propagation Learning Algorithm，简称BP算法)，是目前人工神经网络中最完善并且应用最为广泛的一种网络。
其中η为学习率，是控制算法收敛速度的参数。在第一阶段得到的总误差平方和又在第二阶段被一层一层地反向传播回去，从输出单元到输入单元，权值的调整决定于传播过程中的每一步。如果，E≤ε（给定的收敛值）则结束，否则重新迭代。
神经网络在现金流预测中的应用
预测现金流量的指标体系设计
基于简明性、科学性、数据易得性原则的基础上，将不同角度影响某企业现金流的指标按隶属关系、层次原则有序的组成集合。对影响现金流的因素加以系统分析和合理综合，提出三层次综合评价指标体系：整个指标体系结构如图1所示。
本文构建的指标体系中，某企业预测现金流量指标（O）是由企业资产管理能力指标（O1）、企业变现能力指标（O2）、企业盈利能力指标（O3）三方面决定， 即有：O=fo(O1，O2，O3)其中，设fi(i=0，1，2，3)分别表示企业现金流、企业资产管理能力、企业变现能力、企业盈利能力的预测函数，而这三个中间层指标又各自分别通过最能反映该方面状况的细化基础层指标进行测定。例如，对于O1它可以通过U1：流动资产周转率；U2：总资产周转率；U3：应收账款周转率；U4：存货占总资产比率4个具体的基础层指标来衡量，即有：O1=f1{U1：流动资产周转率；U2：总资产周转率；U3：应收账款周转率；U4：存货占总资产比率}。同理，对于O2、O3可以分别通过指标集中的具体指标决定：
O2=f2（U4：流动比率；U5：速动比率）， O3= f3（U6：销售净利率；U7：资产净利率）。
由于该指标体系具有前瞻性和先行性且简单明了，能较全面完整的反映某企业现金流的发展水平。不仅起到前瞻决策的作用，而且体现企业现有经营管理能力、未来发展潜力等。
神经网络预测模型的计算机实现过程
一旦网络模型确定以后，为了检验模型的实际效果，可以对企业发展 “拐点”进行模拟预测。
步骤1：现分别对某公司2000-2003年季度现金流进行网络训练。按前所述方法把历史数据正规化作为输入矢量输入神经网络BP算法模型。
步骤2：启动神经网络进行训练，具体运算原理如上所述。利用MATLAB软件计算，计算机在反复叠代的学习过程中找到一个逼近优化的映射利用训练模型。本文中学习率α取0.01；N为调整次数；Δwjk为样本输出层单元调整量的积累；Δwij为样本隐含层单元调整量的积累。k=1；共6组样本，n=6，误差判断原则是：当E
对照表1可知，神经网络给出的结果与真实值几乎完全一致（最大相对误差仅为0.02361）。
步骤3：将训练好的神经网络存入知识库，这样该网络就可以推广到其他年份或者季度现金流预测问题，只需输入2004年基础层指标特征值矩阵，便可立即得到现金流的预测值。在确定预测年份输入变量时，根据企业实际生产、供应、销售情况，确定2004年各基础层指标的季度目标值。结果见表2。
上述结果表明，用神经网络进行企业现金流测定的训练，并用训练后的网络对未来年份现金流进行预测是完全可行的，相对误差控制在0.1以内。预测结果2004年各季度企业现金流量较平稳，比上一年略有减少，主要原因是由于该企业同业竞争日趋激烈以及2003年非典疫情的影响，销售售入有所下降；而且企业的资产管理能力不强，例如存货占总资产的比率较高，应收账款数额较大。
企业领导者应该加强企业变现能力和资产管理能力，到2003年年末时就应对预计流动资金的缺口的解决方案进行安排，或从2003年的利润中全部提取或部分提取，也可提前联系银行及其他投资机构来争取贷款或他方的投资，实现自有资金与债务的最佳组合，既降低财务风险又充分利用较低的资金成本，取得最佳的经济效益。实践也证明上述预测结果对实际生产是有益的，可与另外三种方法结合使用，取长补短，使定量分析技术发挥最佳的预测功能。
参考文献：
神经网络特征重要性范文5
【关键词】城镇污水处理厂 自组织神经网络 方案 比选
【Abstract】Self-organizing neural network model is used to make decision about process selection of urban WTP. An example shows that the method is effective and valuable. Compared with conventional methods of optimization，the new model is easier to program and realize.
【Keywords】Urban WTP；Self-organizing neural network；Project；Decision-making
1 引言
目前越来越多的电厂开始应用城镇污水处理厂出水作为生产用水水源，而其出水水质直接取决于所采用的污水处理工艺。城镇污水处理厂工艺方案比选是一个十分复杂的系统分析问题，涉及经济、技术、社会、生态环境等诸多因素，而这些因素各自的属性不同、重要性差异较大，许多因素的评价结果难于定量化[1]。近年来国内外许多学者对该问题进行了研究，提出了灰色关联度比选模型[2-3]、层次分析法[4-5]、模糊数学评价模型[6-8]、物元分析模型[9]等众多方法，对城镇污水厂工艺方案比选起到了积极的作用。但是鉴于城镇污水处理工程关系重大，而现有方法各有其缺陷，因此在进行工艺方案比选时，有必要采用多种方法进行评估，综合比较，从而得出较为客观与合理的结论。为此，本文提出一种新的比选方法，即自组织映射（Self-Organizing Mapping，简称SOM）神经网络模型进行工艺方案的比选，以求丰富和完善城镇污水处理工艺方案比选的模型和方法。
2 自组织映射神经网络原理
自组织映射模型（SOM）是由芬兰学者Kohonen于1982年提出的，这种网络能模拟大脑脑皮层自组织的功能，它是一种竞争式学习网络，能无监督地进行自组织学习。自组织映射神经网络模型如图1所示，它由两层神经元构成，即输入层和竞争层（输出层），没有隐含层。输入层的神经元排成一列，其个数由输入网络的向量个数而定，竞争层（输出层）的若干神经元排成一个二维阵列。输入层与竞争层之间实行全互连接，竞争层的神经元之间还实行侧抑制连接。
图1自组织映射神经网络模型
Kohonen认为当一个神经网络接收外界输入模式时，将会分为不同的区域，各区域对输入模式具有不同的响应特征，同时这一过程是自动完成的。各神经元的连接权值具有一定的分布，最近的神经元互相诱导，而较远的神经元则相互抑制，而更远一些的则具有较弱的诱导作用。这样某个输出结点能对某个模式作出特别的反应以代表该模式，而且二维平面上相邻的结点能对实际模式分布中相近的模式作出特别的反应。当某数据模式输入时，对其某点给予最大的诱导。以指示该类模式所属区域，而同时对该点周围的点也给予较大的诱导。因此，自组织映射神经网络的输出状况，不但能判断输入模式所属的类别并使输出结点代表某一模式，还能够得到整个数据区域的大体分布情况，即从样本数据中抽取到所有数据分布的大体本质特征。总之，自组织特征映射神经网络是一种无教师的聚类方法，它能将高维模式映射到一平面上，而保持其拓扑结构不变，亦即距离相近的模式点，其映射点的距离也相近。其学习过程可描述为：对于每一个网络的输入，只调整一部分权值，使权向量更接近或更偏离输入矢量，这一调整过程，即为竞争学习。随着不断学习，权矢量在输入空间相互分离，形成了各自代表输入空间的一类模式，即实现了聚类功能。SOM神经网络的详细内容见文献[10-11]。下面给出这种模型的通用算法：
（1）初始化：将权值向量Wi用小的随机值进行初始化。设置初始学习速率η（0）
（2）采样：从输入空间中选取训练样本X。
（3）近似匹配：通过欧式距离最小的标准：
来选取获胜神经元c，从而实现了神经元的竞争过程。
（4）更新：对获胜神经元拓扑邻域Nc（n）内的兴奋神经元，以Hebb学习规则：
更新神经元的权值向量，从而实现神经元的合作和更新过程。
（5）更新学习速率η（n）及拓扑邻域Nbi（n），其中一种更新方法为：
式中rb和ri分别是输出单元b和i在映射平面的位置；σ（n）反映了邻域的范围。η（n）是可变学习速度，随迭代次数的增加而减小。也就是说，随着训练过程的进行，权值的调整幅度越来越小。Nbi（n）也随着迭代次数而收缩，当n足够大时，只训练获胜结点本身。η（n）和Nbi（n）有多种不同的表达形式，在具体训练过程中可以根据不同的要求不同的数据分布进行设计。
（6）判断迭代次数n是否超过N，如果n≤N，转到第二步，否则结束迭代过程。
3 实例研究
3.1实例概况
南方某城镇污水处理厂的设计规模为5×104 m3/d，工艺方案准备在三沟式氧化沟、SBR法、A2/O法和AB法4种工艺中选择，并依次记为方案1、方案2、方案3、方案4。选择的评价指标有工艺技术成熟度、费用现值（主要为主体构筑物和污泥处理部分的基建投资和运行电费现值之和）、占地面积、操作管理、出水稳定性和除磷脱氮效果6项。除费用现值和占地面积根据概算得到外，其余4项模糊指标经多位专家打分后取平均值得到。最后得到4种工艺方案和理想方案（记为方案5）及淘汰方案（记为方案6）的评价指标值，如表1所示。数据来自文献[3]。
3.2原始数据预处理
城镇污水处理工艺方案决策的影响因素错综复杂，包括多个评价指标。由于各评价指标量纲不一，范围大小差别较大，因此有必要对评价指标原始数据作预处理，以改善数据质量，保证工艺方案的可比性。常见的数据预处理方法有均值中心化、对数变换、正规化变换和标准化处理等，其中标准化处理方法是应用最广泛和最有效的数据预处理技术。本文就选用该方法对评价指标原始数据作预处理。变换公式为：
、 分别是评价指标原始数据矩阵X的第j列元素的标准偏差和平均值。经过标准化预处理的变量（一列元素）均值0，方差为1。式（1）适合于值越大效益越大的指标属性，式（2）适合于值越大效益越小的指标属性。由于各个评价指标在工艺方案中的重要性不同，需给它们赋以不同的权重。赋权的方法较多，这里采用通常使用的层次分析法。将开工艺方案各个指标的权重乘以其标准后的数据，得到加权后的各方案数据。
由层次分析法得到6项评价指标的权重为[0.3269，0.3269，0.0639，0.1165，0.1019，0.0639]，数据来自文献[[3]。按照式（1）、式（2）对评价指标原始数据进行标准化处理，再乘以相应的权重得到样本矩阵X（输入SOM网络时需要进行转置）。
3.3模型建立与方案比选
按照SOM原理，首先将上述的各个方案标准化和加权后的评价指标矩阵（转置后）作为输入样本，则输出为各个方案的分类，然后根据分类结果进行排序，从中选出最优方案。
利用MATLAB6.5神经网络工具箱[12]编制了一个程序，主要过程如下：
（1）确定输入样本，此处输入样本是标准化和加权后方案的评价指标集。
（2）利用神经网络工具箱函数newsom建立一个SOM网络，先确定竞争层（输出层）的神经元个数为两个，即将方案分为2类（优类与劣类）。
（3）利用train函数对网络进行训练，最大训练次数定为500次。
（4）最后通过sim函数实现输入样本的分类。
运行上述自编的程序，得到输出结果为：
a=（2，1） 1
（1，2） 1
（2，3） 1 （3）
（1，4） 1
（1，5） 1
（2，6） 1
式（3）中括弧内第1个数字为神经元编号，第2个数字为方案编号。即方案1、方案3、方案6在第2个神经元响应，它们属于同一类，方案2、方案4、方案5在第1个神经元响应，它们也属于同一类。由于方案5是理想方案，方案6是淘汰方案，故方案2和4要优于1和3。
由于还没有选出最优方案，需要利用SOM网络对样本进行进一步的细分。考虑将竞争层（输出层）的神经元个数定为3个，即将方案分为3类（优类、中类和劣类）。
运行程序得到输出为：
a=（2，1） 1
（1，2） 1
（3，3） 1 （4）
（2，4） 1
（1，5） 1
（3，6） 1
可见方案2和5为一类，方案1和4为一类，方案3和6为一类。综合以上两次分类所得结果可以知道方案2是最优方案，方案3是最差方案，4个方案的排序是2>4>1>3，即SBR法>AB法>三沟式氧化沟>A2/O法。故本方法推荐的比选方案是SBR法，这与实际结果是一致的，同时与文献[3]灰色关联度法比选的结果也是一致的 。
4 结论与建议
（1）利用自组织神经网络模型对城镇污水处理工艺方案进行比选，实质是一个对候选方案与理想开发方案及淘汰方案进行模式识别的过程，实例证明它是合理的、可行的，该方法也适用于其它类似问题的比选决策。
（2）建立自组织神经网络模型时，利用MATLAB软件的神经网络工具箱进行编程，简洁方便，且实现较为容易，比常规比选方法效率更高。
（3）由于城镇污水处理工艺方案的比选关系重大，因此可同时考虑几种决策方法，对它们的结果进行综合比较，从而得到更为客观、合理的方案。
参考文献：
[1]周律，米金套，吴春旭 等.中小城镇污水处理投资决策与工艺技术[M].北京：化学工业出版社，2002.
[2]凌猛，杭世B.城镇污水处理厂工艺方案模糊决策方法的应用[J].给水排水，1998，24（3）：6-9.
[3]王浙明，史惠祥，苏雨生 等.灰色关联模型用于工程方案优化[J].中国给水排水，2002，18（1）：81-84.
[4]胡天觉，陈维平，曾光明 等.运用层次分析法对株洲霞湾污水处理厂污水处理工艺方案择优[J].环境工程，2000，18（1）：61-63.
[5]张建锋，黄廷林.关中地区污水处理工艺选择的系统分析[J].环境工程，1999，17（3）：61.
[6]李如忠.多层次模糊综合评判模型在城镇污水处理中的应用[J].淮南工业学院学报，2000，20（4）：1-4.
[7]鄢恒珍，龚文琪，晏全香.小城镇污水处理方案的模糊相似优先比决策模型[J].环境科学与管理，2009，08：62-65.
[8]刘庆玉，柴丽.污水处理工艺方案的熵权模糊灰色关联优选法[J].沈阳农业大学学报，2008.02：125-127.
[9]慕金波，酒济明.物元分析在环境工程方案评标中的应用[J].重庆环境科学，1997，19（3）：28-32.
[10]Kohonen T. Self-Organizing Maps[M].Spring.Berlin.1995.
[11]袁曾任.人工神经元网络及其应用[M].北京：清华大学出版社，1999.
神经网络特征重要性范文6
【关键词】BP神经网络；电力系统；负荷预测
一、引 言
电力负荷预测是电力企业高效调度、正常生产的重要前提，涉及社会生产、人们生活的各个方面，其预测精度对电力系统有着非常重要的意义，提高预测精度尤其短期负荷预测的精度已成为当务之急.长期以来，国内外学者对电力负荷进行了广泛研究，已经成为电力系统中的一研究热点.
传统的预测方法通常有趋势外推法、非线性偏最小二乘回归模型、灰色模型群建模及基于相关分析的综合预测模型等，通过建立预测对象的精确数学模型可取得比较符合实际的预测结果.但是实际的负荷受经济、政策、气象及社会等因素的影响，而这些因素往往相关性比较强，从而使得电力负荷具有时变性，进行电力负荷预测是一个典型的非线性问题.应用神经网络进行预测，不需要建立预测对象的精确数学模型，样本数据本身就包含诸多影响电力负荷量大小的因素.人工神经网络收敛速度快，算法实现容易，通过对训练样本集进行学习，以获取数据间的规律性，建立起输入数据与输出数据间的一种映射，然后在此基础上进行推理从而得到预测结果.
人工神经网络从模仿人脑智能活动的角度出发，通过计算机结构模型，构造一种接近人类智能的信息处理系统.人工神经网络包括输入层、隐含层和输出层，层与层之间采用全互联方式，同一层之间不存在相互连接，隐含层可以有一个或多个，输入变量采用正交最小二乘法.人工神经网络采用反向传播（Back Propagation，BP）算法，是多层感知器的一种有效学习算法，它的模型为前向多层网络，如图所示.
本文研究的重点在于对历史负荷数据进行前期处理，因此本文选择了在神经网络具有代表性的BP网络来进行负荷预测.在运用BP神经网络预测电力负荷的过程中，如果输入空间严重自相关及网络维数较高，BP神经网络的预测精度就会下降.针对这一问题，本文对输入空间的主成分贡献率采用主成分分析的方法来进行分析，从而推断出网络的输入空间，最终以原输入空间各矢量的线性组合来表示原输入空间.由于各主成分之间关联性较低，是相互独立的，所以由各主成分组成的输入空间不存在自相P性，因此能够有效地解决问题.
二、主成分分析原理
主成分分析是一种多元统计分析方法，该方法通过构造原变量的一系列线性组合形成新变量，使这些新变量在彼此互不相关的前提下尽可能多地反映原变量的信息.而在实际问题的研究中，往往会涉及众多有关的变量，庞大的变量群体不仅会增加计算的复杂程度，而且也为合理地分析问题和解释问题带来了困难.通常情况下，每个变量都会带有重要性不同的信息，变量之间也存在一定的相关性，这些相关性使得变量提供的信息在一定程度上有所重叠.主成分分析[6]的原理便是先对这些变量进行处理，然后用较少的互不相关的新变量来反映变量所提供的绝大部分信息，最后通过对新变量的分析达到解决问题的目的.
三、基于主成分分析与BP神经网络
基于主成分分析与BP网络的短期负荷预测的基本思想，利用主成分分析方法与BP网络进行短期负荷预测的基本思想简述如下.
四、实例分析
以湖南某地区的4月1日到4月12日的负荷值以及当天的天气、温度、日期类型为特征状态作为样本，为了便于分析和处理，将每天24小时的数据进行归一化处理.选取凌晨1点到中午12点的数据样本，把4月2日12个时刻负荷值和影响因子值作为标准样本，以4月3日到11日的每天16个样本数据与2日的相应数据的差值作为训练数据，来预测4月12日相应时刻（相对于4月12日）的负荷变化值.
为了检验本方法，将不应用主成分分析方法与应用主成分分析方法的预测效果进行了比较，通过计算可以得出不应用主成分分析方法的平均误差为0.0209，而应用主成分分析方法的平均误差为0.0125.应用主成分分析方法预测效果更好，每个时间点的预测负荷结果和实际值都十分地吻合，预测结果十分地精确.说明基于主成分分析方法的预测精度较不用主成分分析方法的预测有了较大的提高.
五、结 论
采用BP神经网络预测电力负荷的方法虽然更容易建立起数学模型，但是输入空间维数过高，相关性较大.本文提出了基于主成分分析和BP神经网络进行负荷预测的方法，可以大大降低由于历史数据过多造成的建造数学模型的难度.主成分分析方法能够去除数据间的相关性，并且降低数据的维数，同时还能保留负荷数据的主要信息.通过将提取出的主成分作为BP网络的输入参数，不仅可以减少网络的输入量，而且能较好地提高预测精度.
【参考文献】
