灰色神經網絡算法中的基于物聯網關鍵技術預測模型應用研究

冉鴻雁

（四川化工職業技術學院，四川瀘州 646005）

0 引言

物聯網技術是指通過無線射頻識別、無線紅外感應器、無線全球定位系統以及無線激光掃描器等信息傳感設備.運用多層網關協議,把任何物品與互聯網連接起來,進行信息交換和通訊,以實現智能化識別視頻跟蹤與監控和管理的一種新一代計算機網絡技術.

1 物聯網灰色神經網絡應用物聯網關鍵技術研究

1.1 物聯網灰色GM(1,1)模型的建模

物聯網灰色物聯網預測方法建立GM(1,1)模型的實質是對原始數據作一次累加生成,使生成數列呈現一定規律,通過建立微分方程模型,求得擬和曲線,用以對系統進行物聯網關鍵技術預測.設有時間序列作一階累加生成物聯網預測算法：

構造一階線性微分方程后,可得該方程的白化微分方程為：

利用最小二乘法求解a,u有

1.2 基于輸入輸出GM(1,1)模型殘差和相對殘差研究

設原始離散非負數列X(0)：

殘差數列ε：(0)

相對殘差數列Δ：

1.3 基于物聯網灰色神經網絡組合模型研究

利用多個數列分別建立物聯網灰色GM(1,1)模型.假設有m個相互關聯的數列,每個數列有n個數據,物聯網灰色神經網絡的物聯網預測模型如下：

(1)用m個數列分別建立m個物聯網灰色GM(1,1)模型;

(2)分別用這m個模型物聯網預測各數列的第2到第n個數據,得到m個長度為n-1的數據序列P;

(3)取原始數列第2到第n個數據,得到m個長度為n-1的數據序列T;

(4)將數據序列P作為神經網絡的輸入向量,T作為神經網絡的輸出向量,進行網絡結構與初始權值,閾值的設定;

(5)訓練BP網絡,得到網絡中對應于每一個節點的一系列權值和閾值;

(6)再次用第一步建立的物聯網灰色GM(1,1)模型來物聯網預測未來時刻的值,即為物聯網灰色神經網絡物聯網預測模型的結果.

2 基于物聯網灰色神經網絡仿真應用研究

2.1 輸入輸出層設計

本課題將與研究指標物聯網輸出量相關的輸入變量分別進行GM(1,1)模型進行物聯網預測,得到的幾個物聯網預測值作為BP神經網絡的輸入,采用一個隱含層,傳遞函數為(0,1)S型函數輸出為研究指標為物聯網輸出量的實際值.

2.2 隱含層神經元數的確定

網絡訓練精度的提高,一般對于三層前向網絡隱含層節點數有如下經驗公式:

式中m:輸出節點數目；n：輸入層節點數目；α ：為1～10的常數；

2.3 網絡樣本數據的處理

隨著標準化后的數據范圍從0到1,在反饋灰色神經網絡算法輸出的數據范圍也正好從0到1,所以這種標準化方法在反傳神經網絡算法中,被用來標度目標值.有時為了允許預報值在一定范圍內超界,訓練樣本集目標的范圍標度轉化為0.2～0.10,即：

歸一化公式如下式：

神經網絡計算結束后,再做反歸一化處理,便得到實際的輸出值即預報值.

反歸一化公式如下：

公式（9）和（10）中,xi'j表示經標準化后的第i樣本第j變量的數據；xij表示原始空間量；xjmax和xjmin分別表示樣本集中變量j的最大和最小數據.

2.4 基于訓練樣本歸一化處理和網絡結構設置

（1）訓練樣本數據是從某物聯網即2012年8月1日到10月31日的實際生產記錄,根據要求從中選取了控制效果較好的48組數據.

（2）為了便于物聯網灰色神經網絡學習,將實際數據進行了歸一化處理,將實際物理量分別劃為[0,1]區間的數值.

（3）采用Matlab程序設計語言編寫了物聯網預測程序,物聯網預測精度為0.01,最大訓練次數為10000次,學習率η=0.7, 輸入層到隱含層的傳遞函數為Sigmoid函數,隱含層到輸出層為線性傳遞函數Purelin,物聯網出量的神經網絡結構為7×20×1.

2.5 物聯網應用實例

以某物聯網2012年7月到2012年9月的教育教學數據,并檢驗物聯網預測效果.取訓練樣本數為48,網絡結構：6-17-1,即：輸入節點為6個,隱含層節點17個,輸出節點1個.

基于兩種模型的物聯網預測結果及比較,說明了物聯網灰色神經網絡建模優于單一的物聯網灰色GM(1,1),充分顯示了物聯網灰色神經網絡的優越性.

3 結束語

在物聯網出量預測過程中,應用物聯網灰色GM(1,1)和BP網絡相結合建立的物聯網輸出量預報模型,是一種新型實用且精度比較高的時間序列物聯網預測方法,值得推廣和進一步研究.

[1]神經網絡系統理論 焦李成 西安：西安電子科技大學出版社,1990

[2]神經網絡及其在工程中的應用 張際憲 宓霞 北京：機械工業出版社,1996