[发明专利]一种基于BP神经网络的预测装置及设备

权利要求书

1.一种基于BP神经网络的预测装置，所述装置包括数据接收单元、数据预处理单元、初始化单元、学习单元、迭代预测单元和数据恢复单元，其特征在于：

上述单元依次串行排列，

其中，数据接收单元、数据预处理单元和初始化单元用于准备基础数据和参数，以便装置顺利执行；

学习单元对原始数据进行训练和学习，找出权值矩阵；

迭代预测单元根据权值矩阵来推导预测结果；

数据恢复单元将归一化的预测结果恢复到原始值。

2.如权利要求1所述的基于BP神经网络的预测装置，其特征在于：

所述数据接收单元接收该预测装置所必需的原始训练数据和预测时长参数，所述原始训练数据为N*N行列式。

3.如权利要求2所述的基于BP神经网络的预测装置，其特征在于：

所述数据预处理单元数据接收单元接收到的原始训练数据进行自动的归一化处理，并建立训练样本的输入输出矩阵。

4.如权利要求3所述的基于BP神经网络的预测装置，其特征在于：

所述初始化单元初始化BP神经网络的各项参数，所述参数包括学习速率、期望误差最小值、惯性系数、最大训练次数、隐藏单元和输出单元各神经元初值等。

5.如权利要求4所述的基于BP神经网络的预测装置，其特征在于：

所述学习单元对训练样本进行学习，通过学习的过程不断调整隐藏单元和输出单元的加权系数，当误差小于最小期望误差或达到最大训练次数时，学习过程结束，其目的是得到权值矩阵。

6.如权利要求5所述的基于BP神经网络的预测装置，其特征在于：

所述迭代预测单元进行迭代预测，将学习单元最后的训练样本作为已知，通过学习到的各单元加权系数进行运算得出第一个预测结果，再以此预测结果作为已知并推算出下一个预测结果，以此类推，迭代完成所有预测，获得预测结果。

7.如权利要求6所述的基于BP神经网络的预测装置，其特征在于：

所述数据恢复单元将归一形式的预测结果恢复成与原始训练数据一致的数值范围。

8.如权利要求7所述的基于BP神经网络的天气预测方法，其特征在于：

所述误差计算函数为：

若为输出神经元，则误差Err_i＝O_i(1－O_i)(T_i－O_i)，

O_i是输出神经元i的输出，T_i是该输出神经元的实际值；

若为隐藏神经元，则误差Err_i＝O_i(1－O_i)∑_jErr_jw_ij，

O_i是隐藏神经元i的输出，该神经元有j个到下层的输出，所述Err_j是神经元j的误差，w_ij是这两个神经元之间的权值；

所述调整权值函数为：w_ij＝w_ij＋l* Err_j * O_i，l为学习速度。

9.如权利要求1-8任意一项所述的基于BP神经网络的预测装置，其特征在于：所述数据接收单元接收的是天气数据，或者交通状况数据。

10.一种天气预测设备，其特征在于，包括如权利要求1-8任意一项所述的基于BP神经网络的预测装置。