论文部分内容阅读
在自然科学和社会科学各领域中,大量决策问题离不开预测,预测是决策的基础。解决预测问题的最有力的方法是发现、揭示给定动态过程或现象背后的规律。实际中,有关事物的信息经常是不完全的,有关的理论也是不完善的,人们对事物的了解仅限于观测数据,即时间序列,因此只能利用现有的历史数据构造模型,进而预测未来。 本文首先介绍了时间序列预测目前采用的方法与各种预测模型,介绍了这些方法与模型的性质特征,总结出目前的方法与模型在处理非线性系统的预测方面的特点与需要改进的一些方面;然后介绍了近些年兴起的神经网络尤其是前馈神经网络(BP神经网络)在非线性预测模型方面的应用及表现出来的良好的特性与优势,同时也指出BP神经网络预测模型及其在训练算法方面的一些固有缺陷:BP神经网络是一种静态的网络,没有时间处理能力,所以不能进行时间序列模式的识别;标准BP算法收敛速度慢、易落入局部极小点。针对这些缺陷,本文提出采用线性AR预测模型良好的对时间序列的模式识别能力来进行识别,构造出具有代表性的样本训练神经网络;同时在分析了标准遗传算法的主要缺点的基础上,对标准遗传算法(SGA)进行了改进设计,然后用改进的遗传算法(IGA)来优化网络的初始权阈值,最后采用L-M(Levenberg-Marquardt)BP算法来进行网络的训练与寻优。这样,既运用了AR模型良好的模型辨识能力,又发挥了神经网络良好的非线性映射能力,还综合了遗传算法的全局优化能力,从而使构造的预测模型更加实用、特性更好。 本文将所构造的模型与所设计的算法应用到都江堰灌区渠首岷江上游来水预测中,并通过大量的实验与仿真,实验结果表明,本文所设计的模型与算法