基于神经网络的回归分析.doc

神经网络在非线性回归中的应用摘要:本文主要介绍了神经网络在非线性回归中的应用,实例证明其回归效果优于传统的回归方法。但是标准BP算法具有收敛速度慢、易陷入局部极小点等缺陷,于是又介绍一种改进的神经网络学****算法,并进行了仿真,证明了该算法的有效性。关键词:非线性回归;神经网络;workinNonlinear-puterScienceandTechnology,SchoolofInformation,ShanghaiOceanUniversity,China)Abstract:innonlinearregression,,easytofailintolocalminimumpointandotherdefects,learningalgorithmandasimulationwascarriedout,:non-linearregression;;BPalgorithm1引言回归分析就是确立和分析某种响应(因变量Y)和重要因素(对响应有影响的自变量X)之间的函数关系。传统的回归分析就是希望找到映射的具体表达式f:y=f(x)。但要从大量的带有一定随机性的实验数据样木组(X1,Y1)、(X2,Y2)(X3,Y3)…(Xk,Yk)中“回归”出映射X→Y的具体表达f的形式,通常是十分困难的。但是人工神经网络是一种大规模并行非线性系统,其良好的非线性映射能力、强大的解决逆问题的能力和实际推广能力,使得它在工程领域中得到了广泛应用。但是标准BP算法具有收敛速度慢、易陷入局部极小点等缺陷。于是又引进一种改进的神经网络学****算法,并采用新的目标函数来进行训练,仿真结果表明了该算法的有效性。本文主要对神经网络在非线性回归中的应用,以及改进的神经网络学****算法在非线性回归中的应用进行了简介。并比较了它们的预测精度。2人工神经网络非线性回归的引入前馈神经网络在理论上只需要三层节点就能够以任意精度逼近任意的连续函数,鉴于人工神经网络在非线性领域应用的成功实践,对于非线性回归,神经网络模型也许有用武之地。基于神经网络的回归分析,希望寻找的不是具体的映射数学表达,而是通过网络对样本的进行学****训练,当网络训练完成后,其网络结构F就代表了映射X→Y。虽然这个过程不能得出简明的数学公式表达,但它却代表了更复杂的映射关系。通过这个网络结构(网络层数、各层单元数、各连接权及阈值等均确定下来),当有一自变量x输入时,就会产生一因变量输出y,这就是网络的回想过程,这个参数被确定下来的网络就成为解决该特殊问题的“专家”,上述问题可以得到较好的解决。在计算机编程过程中,所使用的网络模型及确定的参数,可以通过类、对象等软件技术实现。需要指出的是,学****过程必须是有教师示教的学****方式,实验数据样木组(X1,Y1)、(X2,Y2)(X3,Y3)…(Xk,Yk)就是学****样本,从理论上说,学****样本越多,学****效果越好。3基于人工神经网络的非线性回归的实践分析在人工神经网