灰色神经网络算法中的基于物联网关键技术预测模型应用研究

冉鸿雁

（四川化工职业技术学院，四川泸州 646005）

0 引言

物联网技术是指通过无线射频识别、无线红外感应器、无线全球定位系统以及无线激光扫描器等信息传感设备.运用多层网关协议,把任何物品与互联网连接起来,进行信息交换和通讯,以实现智能化识别视频跟踪与监控和管理的一种新一代计算机网络技术.

1 物联网灰色神经网络应用物联网关键技术研究

1.1 物联网灰色GM(1,1)模型的建模

物联网灰色物联网预测方法建立GM(1,1)模型的实质是对原始数据作一次累加生成,使生成数列呈现一定规律,通过建立微分方程模型,求得拟和曲线,用以对系统进行物联网关键技术预测.设有时间序列作一阶累加生成物联网预测算法：

构造一阶线性微分方程后,可得该方程的白化微分方程为：

利用最小二乘法求解a,u有

1.2 基于输入输出GM(1,1)模型残差和相对残差研究

设原始离散非负数列X(0)：

残差数列ε：(0)

相对残差数列Δ：

1.3 基于物联网灰色神经网络组合模型研究

利用多个数列分别建立物联网灰色GM(1,1)模型.假设有m个相互关联的数列,每个数列有n个数据,物联网灰色神经网络的物联网预测模型如下：

(1)用m个数列分别建立m个物联网灰色GM(1,1)模型;

(2)分别用这m个模型物联网预测各数列的第2到第n个数据,得到m个长度为n-1的数据序列P;

(3)取原始数列第2到第n个数据,得到m个长度为n-1的数据序列T;

(4)将数据序列P作为神经网络的输入向量,T作为神经网络的输出向量,进行网络结构与初始权值,阈值的设定;

(5)训练BP网络,得到网络中对应于每一个节点的一系列权值和阈值;

(6)再次用第一步建立的物联网灰色GM(1,1)模型来物联网预测未来时刻的值,即为物联网灰色神经网络物联网预测模型的结果.

2 基于物联网灰色神经网络仿真应用研究

2.1 输入输出层设计

本课题将与研究指标物联网输出量相关的输入变量分别进行GM(1,1)模型进行物联网预测,得到的几个物联网预测值作为BP神经网络的输入,采用一个隐含层,传递函数为(0,1)S型函数输出为研究指标为物联网输出量的实际值.

2.2 隐含层神经元数的确定

网络训练精度的提高,一般对于三层前向网络隐含层节点数有如下经验公式:

式中m:输出节点数目；n：输入层节点数目；α ：为1～10的常数；

2.3 网络样本数据的处理

随着标准化后的数据范围从0到1,在反馈灰色神经网络算法输出的数据范围也正好从0到1,所以这种标准化方法在反传神经网络算法中,被用来标度目标值.有时为了允许预报值在一定范围内超界,训练样本集目标的范围标度转化为0.2～0.10,即：

归一化公式如下式：

神经网络计算结束后,再做反归一化处理,便得到实际的输出值即预报值.

反归一化公式如下：

公式（9）和（10）中,xi'j表示经标准化后的第i样本第j变量的数据；xij表示原始空间量；xjmax和xjmin分别表示样本集中变量j的最大和最小数据.

2.4 基于训练样本归一化处理和网络结构设置

（1）训练样本数据是从某物联网即2012年8月1日到10月31日的实际生产记录,根据要求从中选取了控制效果较好的48组数据.

（2）为了便于物联网灰色神经网络学习,将实际数据进行了归一化处理,将实际物理量分别划为[0,1]区间的数值.

（3）采用Matlab程序设计语言编写了物联网预测程序,物联网预测精度为0.01,最大训练次数为10000次,学习率η=0.7, 输入层到隐含层的传递函数为Sigmoid函数,隐含层到输出层为线性传递函数Purelin,物联网出量的神经网络结构为7×20×1.

2.5 物联网应用实例

以某物联网2012年7月到2012年9月的教育教学数据,并检验物联网预测效果.取训练样本数为48,网络结构：6-17-1,即：输入节点为6个,隐含层节点17个,输出节点1个.

基于两种模型的物联网预测结果及比较,说明了物联网灰色神经网络建模优于单一的物联网灰色GM(1,1),充分显示了物联网灰色神经网络的优越性.

3 结束语

在物联网出量预测过程中,应用物联网灰色GM(1,1)和BP网络相结合建立的物联网输出量预报模型,是一种新型实用且精度比较高的时间序列物联网预测方法,值得推广和进一步研究.

[1]神经网络系统理论 焦李成 西安：西安电子科技大学出版社,1990

[2]神经网络及其在工程中的应用 张际宪 宓霞 北京：机械工业出版社,1996