畢業(yè)設計---神經(jīng)網(wǎng)絡算法在公路運量預測中的應用

1、<p>　　神經(jīng)網(wǎng)絡算法在公路運量預測中的應用</p><p><b>　　學 生： </b></p><p><b>　　學 號： </b></p><p>　　專 業(yè)：信息與計算科學</p><p><b>　　班 級： </b></

2、p><p>　　指導教師： </p><p><b>　　二OO一二年六月</b></p><p>　　畢業(yè)設計（論文）任務書</p><p>　　設計（論文）題目： 神經(jīng)網(wǎng)絡在公路運量中的應用 </p><p>　　接受

3、任務時間 2012年3月 15日 </p><p>　　教研室主任 （簽名）　　二級學院院長 （簽名）</p><p>　　1．畢業(yè)設計（論文）的主要內(nèi)容及基本要求</p><p>　　主要內(nèi)容：利用BP神經(jīng)網(wǎng)絡和MATLAB 工具箱建立網(wǎng)絡，對公路運量進行預測。</p

4、><p><b>　　基本要求：</b></p><p><b>　　熟讀參考文獻</b></p><p>　　掌握神經(jīng)網(wǎng)絡的基本理論和結構。</p><p>　　能夠利用MATLAB工具箱建立網(wǎng)絡。</p><p>　　2．指定查閱的主要參考文獻及說明</p>&

5、lt;p>　　MATLAB在數(shù)學建模中的應用（卓金武主編）；它以數(shù)學建模為主，比較全面的講</p><p>　　解了神經(jīng)網(wǎng)絡以及MATLAB 的相關知識。</p><p><b>　　3．進度安排</b></p><p>　　注：本表在學生接受任務時下達</p><p><b>　　摘 要</b&g

6、t;</p><p>　　采用BP神經(jīng)網(wǎng)絡建立公路運量組合預測的理論模型，靈活利用神經(jīng)網(wǎng)絡通過自適應自學習能夠擬合任意非線性函數(shù)的功能，有效克服傳統(tǒng)的組合預測方法，在實際應用中把數(shù)據(jù)間的關系強加給某一類函數(shù)的不足，并借助于先進的數(shù)學計算軟件進行簡單的編程大大降低模型的計算難度。實例證明該方法具有很高的預測精度。</p><p>　　關鍵詞： MATLAB；公路運量；預測；BP神經(jīng)網(wǎng)絡&l

7、t;/p><p><b>　　ABSTRACT</b></p><p>　　A new theory model is brought forward and based on BP neural network is used in highway volume combination forecasting .This model flexibly applied t

8、he capability that the neural network can fit any non-linear function by self-adaptation and self-learning,avoiding the shortage effectively that traditional combination forecasting method forces the relationship among t

9、he data on some sort of function in the application.with the help of MATLAB,some simple program is compiled.It deceases the difficu</p><p>　　Key words:BP neural network; volume; MATLAB; forecast</p>&

10、lt;p><b>　　目 錄</b></p><p><b>　　摘 要I</b></p><p>　　ABSTRACTII</p><p><b>　　目 錄III</b></p><p>　　第一章 前 言1</p><p>　　第

11、二章 人工神經(jīng)網(wǎng)絡及公路運量3</p><p>　　2.1人工神經(jīng)網(wǎng)絡3</p><p>　　2.1.1人工神經(jīng)元3</p><p>　　2.2 BP網(wǎng)絡基本原理4</p><p><b>　　2.2.1原理4</b></p><p>　　2.2.2 BP網(wǎng)絡的主要功能6</p&

12、gt;<p>　　2.2.3 BP網(wǎng)絡的算法6</p><p>　　2.3 公路運量7</p><p>　　第三章 運用MATLAB建立模型預測公路運量9</p><p>　　3.1 MATLAB工具箱9</p><p>　　3.1.1 MATLAB工具箱的用途9</p><p>　　3.1.2

13、 MATLAB神經(jīng)網(wǎng)絡工具箱函數(shù)9</p><p>　　3.2 運用BP網(wǎng)絡建模10</p><p>　　3.2.1應用實例10</p><p>　　第四章 結論與總結11</p><p><b>　　4.1 結論11</b></p><p><b>　　4.2 總結12&l

14、t;/b></p><p><b>　　參考文獻13</b></p><p><b>　　致 謝15</b></p><p><b>　　附 錄16</b></p><p><b>　　文獻綜述19</b></p><p&

15、gt;<b>　　前 言</b></p><p>　　交通運輸是一個國家重要的基礎產(chǎn)業(yè)，對國民經(jīng)濟的發(fā)展存在著舉足輕重的作用，同時對區(qū)域產(chǎn)業(yè)經(jīng)濟結構的發(fā)展也有著直接的影響。公路運輸系統(tǒng)作為交通運輸系統(tǒng)的一個子系統(tǒng)，在交通運輸系統(tǒng)中的主導作用也逐漸凸顯。近年來，我國交通基礎設施和運輸裝備都不斷改善，為公路運輸?shù)目焖侔l(fā)展創(chuàng)造了有利的條件①。在公路運輸生產(chǎn)中，公路運量是反映交通運輸業(yè)生產(chǎn)成果的

16、重要指標，隨著計算機技術和神經(jīng)網(wǎng)絡技術的日趨成熟，許多人都應用神經(jīng)網(wǎng)絡技術對貨運量進行預測，一些人應用神經(jīng)網(wǎng)絡技術建立的公路運量組合預測模型具有著較高的預測精度②。反映公路產(chǎn)量的指標還有客貨的周轉(zhuǎn)量，它更能綜合地反映公路運輸部門為社會提供運輸服務的能力，所以建立一個較好預測系統(tǒng)對公路網(wǎng)規(guī)劃、建設和管理都具有指導意義③。</p><p>　　人工神經(jīng)網(wǎng)絡(Artificial Neural Networks)理論是

17、近年來發(fā)展起來的模擬人腦生物過程的人工智能技術，也就是在模擬人腦神經(jīng)組織的基礎上發(fā)展起來的計算系統(tǒng)，是由大量處理單元通過廣泛的互聯(lián)而構成的網(wǎng)絡體系，它具有生物神經(jīng)系統(tǒng)的基本特征，在一定的程度上反映了人腦功能的若干反映，是對生物系統(tǒng)的某種模擬④。適用于因果關系非常復雜的非確定性推理、判斷、識別和分類等問題。它在模式識別、計算機視覺、信號處理、非線性優(yōu)化、語音識別、聲納識別、傳感技術與機器人、生物醫(yī)學工程等領域都有著廣泛的應用⑤。隨著神經(jīng)網(wǎng)

18、絡的理論的研究和實際應用的不斷深入，研究神經(jīng)網(wǎng)絡各個方面的應用都迅速發(fā)展⑥。特別是MATLAB神經(jīng)網(wǎng)絡工具箱的開發(fā)，為神經(jīng)網(wǎng)絡的研究和設計提供了強有力的工具，所取得的成果已經(jīng)廣泛應用于神經(jīng)網(wǎng)絡的教學和科研中⑦。</p><p>　　BP神經(jīng)網(wǎng)絡在實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，數(shù)學理論證明三層神經(jīng)網(wǎng)絡就能夠以任意的精度逼近任何非線性連續(xù)函數(shù)。這使得其特別適合于求解內(nèi)部機制很復雜的問題，也就是說BP神經(jīng)網(wǎng)絡

19、具有較強的非線性映射能力⑧。BP神經(jīng)網(wǎng)絡在訓練時，能夠通過學習自動提取輸出、輸出數(shù)據(jù)間的“合理規(guī)則”，并自動適應，將學習內(nèi)容記憶于網(wǎng)絡的權值中，即BP神經(jīng)網(wǎng)絡有高度自主學習和自適應的能力。BP神經(jīng)網(wǎng)絡即使在其局部的或部分的神經(jīng)元受到破壞也不會對全局的訓練結果造成很大的影響，也就是說即使系統(tǒng)在受到局部損傷時還是可以正常工作。即BP神經(jīng)網(wǎng)絡具有一定的容錯能力⑨。</p><p>　　本文以BP神經(jīng)網(wǎng)絡為基礎建，運用M

20、ATLAB工具箱來建立一個神經(jīng)網(wǎng)絡對某地區(qū)的公路運量進行預測，通過數(shù)據(jù)的對比該次的建立神經(jīng)網(wǎng)絡有著很高的準確性。</p><p>　　本文重點研究運用BP神經(jīng)網(wǎng)絡來預測公路的運量，共分四章：第一章，前言；第二章，介紹神經(jīng)網(wǎng)絡及公路運量；第三章，運用MATLAB建立模型預測公路運量；第四章，結論總結。</p><p>　?、傥樾郾?，劉 偉，郭建鋼。基于神經(jīng)網(wǎng)絡的公路運輸量預測模型及應用。&l

21、t;/p><p>　?、谕蹙S國，張靜靜?；贐P神經(jīng)網(wǎng)絡的貨運量預測方法。</p><p>　?、圳w淑芝，田振中，張樹山，等?；贐P 神經(jīng)網(wǎng)絡的組合預測模型及其在公路運輸量預測中的應用。</p><p>　?、荜惷鳌Ｉ窠?jīng)網(wǎng)絡模型[M]。 ⑤胡守仁,余少波等。神經(jīng)網(wǎng)絡導論[M]。</p><p>　　⑥周志華,曹存根。神經(jīng)網(wǎng)絡及其應用。

22、 ⑦董長虹。 MATLAB神經(jīng)網(wǎng)絡與應用。</p><p>　?、嘧拷鹞?。Matlab在數(shù)學建模中的應用。</p><p>　?、釓埵ラ?，郭文義，肖力墉?；贛ATLAB的BP神經(jīng)網(wǎng)絡的設計與訓練。</p><p>　　第二章 人工神經(jīng)網(wǎng)絡及公路運量</p><p><b>　　2.1人工神經(jīng)網(wǎng)絡</b></p

23、><p>　　人工神經(jīng)網(wǎng)絡（artificial neutral network，ANN）是近20年來發(fā)展起來的一門活躍的邊緣性交叉學科，是一種新興的數(shù)學建模方法，它的研究和發(fā)展涉及到神經(jīng)生理科學、數(shù)理科學、信息科學以及計算機科學等眾多學科領域。它是由大量的簡單的基本元件——神經(jīng)元相互連接而成的，通過模擬人的大腦神經(jīng)處理信息的方式，進行信息的并行處理和非線性轉(zhuǎn)換的復雜網(wǎng)絡系統(tǒng)，它實現(xiàn)了多輸入和多輸出并且能夠進行數(shù)據(jù)的

24、并行處理以及自學能力。人工神經(jīng)網(wǎng)絡是由具有適應性的簡單單元組成的廣泛并行互連的網(wǎng)絡，它的組織能夠模擬生物的神經(jīng)系統(tǒng)對真實世界物體所作出的交互反應，雖然單個的神經(jīng)元的結構極其簡單，功能有限，但由大量神經(jīng)元構成的網(wǎng)絡系統(tǒng)所能實現(xiàn)的行為卻是非常豐富多彩的。神經(jīng)網(wǎng)絡可以用于分類、聚類、預測等問題。神經(jīng)網(wǎng)絡需要有一定量的歷史數(shù)據(jù)，通過對歷史數(shù)據(jù)的訓練，網(wǎng)絡就可以學習到數(shù)據(jù)中所隱含的知識。只要在問題中，只要能夠找到某些問題的一些特征，以及對應的評價

25、數(shù)據(jù)，并用這些數(shù)據(jù)來訓練神經(jīng)網(wǎng)絡，就可以得到一個可以使用的神經(jīng)網(wǎng)絡了。它主要運用在以下領域：</p><p>　　（1）模式識別和圖像處理。印刷體和手寫字符識別、語音識別、簽字識別、指紋識別、人體病理分析、目標檢測與識別、圖像壓縮和圖像復制等。</p><p>　?。?）控制和優(yōu)化。化工過程控制、機器人運動控制、家電控制、半導體生產(chǎn)中摻雜控制、石油精煉優(yōu)化控制和超大規(guī)模集成電路布線設計等。

26、</p><p>　?。?）預報和智能信息管理。股票市場預測、地震預報、有價證券管理、借貸風險分析和交通管理。</p><p>　?。?）通信。自適應均衡、路由選擇和ATM網(wǎng)絡中的呼叫接納識別和控制。</p><p>　?。?）空間科學?？臻g交匯對接控制、導航信息智能管理、飛行器制導和飛行程序優(yōu)化管理等。</p><p>　　常用的神經(jīng)網(wǎng)絡系

27、統(tǒng)有BP網(wǎng)絡和RBF網(wǎng)絡。</p><p>　　2.1.1人工神經(jīng)元</p><p>　　生物神經(jīng)元傳遞信息的過程：生物神經(jīng)元是一個多輸入、單輸出單元。常用的人工神經(jīng)元模型可用圖2.1.1模擬。</p><p>　　圖2.1.1人工神經(jīng)元（感知器）示意圖</p><p>　　當神經(jīng)元j有多個輸入(i=1,2,…,m)和單個輸出時，輸入和輸出的

28、關系可表示為: </p><p>　　其中j為閾值，為從神經(jīng)元i到神經(jīng)元j的連接權重因子，f( )為傳遞函數(shù)，也稱激勵函數(shù)。</p><p>　　2.2 BP網(wǎng)絡基本原理</p><p><b>　　2.2.1原理</b></p><p>　　BP網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，就是在網(wǎng)絡訓練中，調(diào)整網(wǎng)絡權值的訓練算法是反向

29、傳播法（即ＢＰ學習算法）。</p><p>　　如圖1.2.1所示，ＢＰ網(wǎng)絡是一種具有三層或者三層以上神經(jīng)元的神經(jīng)網(wǎng)絡，包括輸入層、中間層（隱含層）和輸出層。它的上下層之間實現(xiàn)全面連接，而同一層的神經(jīng)元之間沒有連接，輸入神經(jīng)元與中間神經(jīng)元之間是網(wǎng)絡的權值，其意義是兩個神經(jīng)元之間的神經(jīng)強度。隱含層或輸出層任一神經(jīng)元將前一層所有神經(jīng)元傳來的信息進行整合，通常還會在整合過的信息中添加一個闕值，這主要是模仿生物學中神經(jīng)元

30、必須達到一定的闕值才會觸發(fā)的原理，然后將整合過的信息作為該層神經(jīng)元輸入。</p><p><b>　　圖1.2.1</b></p><p>　　當一對學習樣本提供給輸入神經(jīng)元后，神經(jīng)元的激活值（該層神經(jīng)元輸出值）從輸入層通過各個中間層向輸出層傳播，在輸出層的各個神經(jīng)元獲得網(wǎng)絡的輸入響應，然后按照減少網(wǎng)絡輸出與實際輸出樣本之間誤差的方向，從輸出層反向經(jīng)過各個中間層回到輸

31、入層，從而逐步修正各連接權值，這種算法就稱為誤差反向傳播法，即BP算法。這種誤差逆向傳播修正的反復進行，將不斷提高網(wǎng)絡對輸入模式響應的正確率。BP算法的核心是數(shù)學中的“負梯度下降”理論，即它的誤差調(diào)整方向總是沿著誤差下降最快的方向進行，常規(guī)三層BP網(wǎng)絡哦權值和闕值調(diào)整公式如下：</p><p>　　其中，E為網(wǎng)絡輸出和實際輸出樣本之間的誤差平方和；為網(wǎng)絡的學習速率也就是權值調(diào)整幅度；為t時刻輸入層第i個神經(jīng)元與和

32、中間層第j個神經(jīng)元的連接權值；為t+1時刻輸入層第i個神經(jīng)元與和中間層第j個神經(jīng)元的連接權值；為t時刻中間層第j個神經(jīng)元輸出層第k個神經(jīng)元之間的連接權值；為t+1時刻中間層第j個神經(jīng)元輸出層第k個神經(jīng)元之間的連接權值；B為神經(jīng)元的閥值，下標的意義與權值相同。</p><p>　　2.2.2 BP網(wǎng)絡的主要功能</p><p>　　目前，在人工神經(jīng)網(wǎng)絡的實際應用中。絕大部分的神經(jīng)網(wǎng)絡模型都采

33、用BP神經(jīng)網(wǎng)絡及其變化形式。它也是前向網(wǎng)絡的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡的精華。BP神經(jīng)網(wǎng)絡具有對外界刺激和輸入信息進行聯(lián)想記憶的能力。這是因為它采用了分布并行的信息處理方式，對信息的提取必須采用聯(lián)想的方式，才能將相關神經(jīng)元全部調(diào)動起來。BP 神經(jīng)網(wǎng)絡通過預先存儲信息和學習機制進行自我適應訓練，可以從不完整的信息和噪聲干擾中恢復原始的完整信息。這種能力使其在圖像復原、語言處理、模式識別等方面具有重要應用。再次，BP神經(jīng)網(wǎng)絡對外界輸入樣本

34、有很強的識別與分類能力，由于它具有強大的非線性處理能力，可以較好地進行非線性分類, 解決了神經(jīng)網(wǎng)絡發(fā)展史上的非線性分類的難題。另外，BP 神經(jīng)網(wǎng)絡具有優(yōu)化計算能力。BP神經(jīng)網(wǎng)絡本質(zhì)上是一個非線性優(yōu)化問題, 它可以在已知的約束條件下，尋找一組參數(shù)組合，使該組合確定的目標函數(shù)達到最小。因此，BP網(wǎng)絡主要運用在以下四個方面：</p><p>　　函數(shù)逼近：用輸入向量和相應的輸出向量訓練一個網(wǎng)絡以逼近一個函數(shù)。</

35、p><p>　　模式識別：用一個待定的輸出向量將它與輸入向量聯(lián)系起來。</p><p>　　分類：把輸入向量所定義的合適方式進行分類。</p><p>　　數(shù)據(jù)壓縮：減少輸出向量維數(shù)以便傳輸或存儲。</p><p>　　2.2.3 BP網(wǎng)絡的算法</p><p>　　BP算法是一種有監(jiān)督式的學習算法，其主要思想是：輸入學習

36、樣本，使用反向傳播算法對網(wǎng)絡的權值和偏差進行反復的調(diào)整訓練，使輸出的向量與期望向量盡可能地接近，當網(wǎng)絡輸出層的誤差平方和小于指定的誤差時訓練完成，保存網(wǎng)絡的權值和偏差。其計算步驟如下：</p><p><b>　　權值初始化；</b></p><p>　　其中，sq為ij，jk或者kl。</p><p>　　(2)依次輸入P個學習樣本。設當前輸

37、入第p個樣本。</p><p>　　(3)依次計算各層的輸出：</p><p>　　，或者，j=0，1，…,；k=0,1，…，；l=0,1，…，m-1</p><p><b>　　求各層的反傳誤差：</b></p><p>　　其中，l=0,1，…，m-1；k=0,1，…，；j=0,1，…，。并記下各個，

38、 ， 的值。</p><p>　?。?）記錄已學習過的樣本個數(shù)p。如果p<P，轉(zhuǎn)步驟</p><p>　　(2)繼續(xù)計算；如果p= P，轉(zhuǎn)步驟(6)。</p><p>　　(6)按權值修正公式修正各層的權值或閾值。</p><p>　　按新的權值進行第（4）步。若滿足終止條件即終止，否則轉(zhuǎn)到第（2）步。</p>&l

39、t;p><b>　　2.3 公路運量</b></p><p>　　運輸行業(yè)的重要性隨著我們經(jīng)濟的不斷發(fā)展而快速提高，不管是旅客運輸還是貨物運輸?shù)陌l(fā)展與變化都成為國民經(jīng)濟發(fā)展的重要部分，交通運輸是國家重要的基礎產(chǎn)業(yè)，對國民經(jīng)濟的發(fā)展有著舉足輕重的作用，同時對區(qū)域產(chǎn)業(yè)經(jīng)濟結構的發(fā)展也有直接的影響。公路運輸系統(tǒng)作為交通運輸系統(tǒng)的一個子系統(tǒng)，在交通運輸系統(tǒng)中的主導作用也日益凸顯。近年來，我國交

40、通基礎設施和運輸裝備不斷改善，為公路運輸市場的快速發(fā)展創(chuàng)造了有利條件。在公路運輸生產(chǎn)中，公路運輸量是反映交通運輸業(yè)生產(chǎn)成果的重要指標，而在其中公路運輸又成為運輸行業(yè)的重中之重。公路運量主要包括公路客運量和公路貨運量兩個方面，它主要是負責短途運輸。一個地區(qū)的公路運量與該地區(qū)的人口、機動車數(shù)量、和公路網(wǎng)的情況有關。</p><p>　　第三章 運用MATLAB建立模型預測公路運量</p><p&g

41、t;　　3.1 MATLAB工具箱</p><p>　　3.1.1 MATLAB工具箱的用途</p><p>　　MATLAB 是一種科學與工程計算的高級語言，廣泛地運用于包括信號與圖像處理，控制系統(tǒng)設計，系統(tǒng)仿真等諸多領域。為了解決神經(jīng)網(wǎng)絡問題中的研究工作量、編程和計算工作量問題，工程領域中目前較為流行的軟件MATLAB，就提供了現(xiàn)成的神經(jīng)網(wǎng)絡工具箱，神經(jīng)網(wǎng)絡工具箱是在MATLAB環(huán)境下

42、開發(fā)出來的許多工具箱之一。它以人工神經(jīng)網(wǎng)絡理論為基礎，利用MATLAB編程語言構造出許多典型神經(jīng)網(wǎng)絡的框架和相關的函數(shù)，這些工具箱函數(shù)主要為兩大部分：一部分函數(shù)特別針對某一種類型的神經(jīng)網(wǎng)絡的，如感知器的創(chuàng)建函數(shù)、BP網(wǎng)絡的訓練函數(shù)等；而另外一部分函數(shù)則是通用的，幾乎可以用于所有類型的神經(jīng)網(wǎng)絡，如神經(jīng)網(wǎng)絡仿真函數(shù)、初始化函數(shù)和訓練函數(shù)等。這些函數(shù)的MATLAB實現(xiàn)，使得設計者對所選定網(wǎng)絡進行計算的過程，就轉(zhuǎn)變?yōu)閷瘮?shù)的調(diào)用和參數(shù)的選擇，這

43、樣一來，網(wǎng)絡設計人員可以根據(jù)自己的的需要去調(diào)用工具箱中有關的設計和訓練程序，從煩瑣的編程中解脫出來，集中精力解決其他問題，從而提高了工作效率。</p><p>　　3.1.2 MATLAB神經(jīng)網(wǎng)絡工具箱函數(shù)</p><p>　　最新版本的神經(jīng)網(wǎng)絡工具箱幾乎涵蓋了所有的神經(jīng)網(wǎng)絡的基本常用模型，如感知器和BP網(wǎng)絡等。對于各種不同的網(wǎng)絡模型，神經(jīng)網(wǎng)絡工具箱集成了多種學習算法，為用戶提供了極大的方

44、便。MATLAB R2007神經(jīng)網(wǎng)絡工具箱中包含了許多用于BP網(wǎng)絡分析與設計的函數(shù)。BP網(wǎng)絡的常用函數(shù)如表3.1.1所示。</p><p>　　表3.1.1 BP網(wǎng)絡的常用函數(shù)表</p><p>　　3.2 運用BP網(wǎng)絡建模</p><p><b>　　3.2.1應用實例</b></p><p>　　根據(jù)調(diào)查得知某地區(qū)1

45、990年到2011年的人口機動車數(shù)量，公路面積以及公路客運量和貨運量的數(shù)據(jù)（見附錄一），需要預測2012年和2013年該地區(qū)的公路客運量和貨運量。 我們可以把該問題分解為六個模塊： </p><p><b>　　原始數(shù)據(jù)的輸入；</b></p><p><b>　　數(shù)據(jù)歸一化；</b></p><p><b&g

46、t;　　網(wǎng)絡訓練；</b></p><p>　　對原始數(shù)據(jù)進行仿真；</p><p>　　將原始數(shù)據(jù)仿真結果與樣本進行對比；</p><p><b>　　對新數(shù)據(jù)進行仿真。</b></p><p>　　本次我就運用MATLAB的BP神經(jīng)網(wǎng)絡的工具箱來編程（見附錄二）建立模型來解決。</p>&l

47、t;p><b>　　第四章 結論與總結</b></p><p><b>　　4.1 結論</b></p><p>　　運行3.2.2的程序可得到如下結果： </p><p><b>　　anew=</b></p><p><b>　　1.0e+004*<

48、/b></p><p>　　0.6110 0.6162 </p><p>　　1.5859 1.9015 </p><p>　　也就是說2012年和2013年的公路客運量分別為 6110萬人和6162萬人；貨運量分別為15859萬噸和19015萬噸。</p><p><b>　　圖4.1.1</b>

49、</p><p>　　從學習曲線圖（圖4.1.1）中，可以看出網(wǎng)絡的最后訓練的誤差很小，達到了期望的值。</p><p><b>　　圖4.1.2</b></p><p>　　從實際樣本與網(wǎng)絡輸出值之間的訓練和測試的對比圖中（圖4.1.2），可以看出兩者之間的誤差極小，可以放心利用該網(wǎng)絡進行預測。</p><p><

50、;b>　　4.2 總結</b></p><p>　　BP神經(jīng)網(wǎng)絡的運用極其廣泛，并且在很多領域都很實用，在MATLAB工具箱的幫助下更顯得簡單快速，BP網(wǎng)絡對于非線性的模仿能力很強，這也是它能夠廣泛運用的重要原因。但它也有一些缺點：用過BP網(wǎng)絡的恩都會認識到一個問題，那就是BP網(wǎng)絡的收斂速度是很慢的；它的網(wǎng)絡模型的逼近和推廣能力與學習樣本的典型性密切相關，所以從問題中選取典型樣本實例組成訓練集就

51、是很重要的，但這本身又是一個很困難的問題。</p><p><b>　　參考文獻</b></p><p>　　陳明。神經(jīng)網(wǎng)絡模型[M]。大連:大連理工大學出版社,2002。</p><p>　　張乃堯,閻平凡。神經(jīng)網(wǎng)絡與模糊控制[M]。北京:清華大學出版社,1998:7-28。</p><p>　　周開利,康耀紅。神經(jīng)網(wǎng)

52、絡模型及其MATLAB仿真程序設計[M]。北京:清華大學出版社,2002。</p><p>　　戴葵。神經(jīng)網(wǎng)絡實現(xiàn)技術[M]。長沙:國防科技大學出版社,1999:33-46。</p><p>　　胡守仁,余少波等。神經(jīng)網(wǎng)絡導論[M]。長沙:國防科技大學出版社,2003。</p><p>　　周志華,曹存根。神經(jīng)網(wǎng)絡及其應用[M]。北京：清華大學出版社,2000。&l

53、t;/p><p>　　蔣良孝,李超群?；贐P神經(jīng)網(wǎng)絡的函數(shù)逼近方法及其Matlab實現(xiàn)[J]。微型機與應用,2004,1:52-54。</p><p>　　蘭倩,李駿。神經(jīng)網(wǎng)絡的函數(shù)逼近性分析[J]。甘肅科學學報,2005,1。</p><p>　　Barnsley M F. Fractal functions and interpolation[J]. Constr

54、y Approx,2003, 2(3): 303-329</p><p>　　卓金武。Matlab在數(shù)學建模中的應用。北京航空航天大學出版社，2011.4。</p><p>　　趙淑芝，田振中，張樹山，等?；贐P 神經(jīng)網(wǎng)絡的組合預測模型及其在公路運輸量預測中的應用［J］。交通運輸系統(tǒng)工程與信息，2006，6（4）：108 - 112 。 </p><p>　　李

55、曉慧?；贛ATLAB的BP和經(jīng)網(wǎng)絡響應用。蘇州大學物理科學與技術學院。</p><p>　　董長虹。 MATLAB神經(jīng)網(wǎng)絡與應用[M]。北京： 國防工業(yè)出版社，2007，64-104。</p><p>　　王維國，張靜靜?；贐P神經(jīng)網(wǎng)絡的貨運量預測方法[期刊論文]-物流技術，2005(07)。 </p><p>　　韓力群。人工神經(jīng)網(wǎng)絡理論、設計及應用，2002

56、。 </p><p>　　溫巖，喬兵?；贛ATLAB工具箱的神經(jīng)網(wǎng)絡在地震預報中的應用[J]。東北地震研究，2001。</p><p>　　張圣楠，郭文義，肖力墉?；贛ATLAB的BP神經(jīng)網(wǎng)絡的設計與訓練[I]。內(nèi)蒙古科技與經(jīng)濟，2005，4(17)：95—98。</p><p>　　飛思科技產(chǎn)品研發(fā)中心。神經(jīng)網(wǎng)絡理論與MATLAB7 實現(xiàn)。北京:電子工業(yè)出版社

57、，2005。</p><p>　　伍雄斌，劉 偉，郭建鋼?；谏窠?jīng)網(wǎng)絡的公路運輸量預測模型及應用。福建農(nóng)林大學學報（自然科學版），第36卷第1期，2007年1月。</p><p><b>　　致 謝</b></p><p>　　時間如梭，轉(zhuǎn)眼畢業(yè)在即?；叵朐诖髮W求學的四年，心中充滿無限感激和留戀之情，母校為我們提供的良好學習環(huán)境，使我們能夠在此

58、專心學習，陶冶情操。經(jīng)過兩個多月的時間終于把論文完成了，在這其中難免有很多的辛酸和不少的喜悅。</p><p>　　本次論文是在高媛媛老師的細心和耐心指導下完成的。從選題到整個論文的寫作到完成都是在高老師的指導下進行的，她在百忙中抽初時間來給我們輔導、指導，并給我們耐心地講解我們不懂的地方，傾注了不少的心血在我們的身上。在此，謹向高老師表示崇高的敬意和衷心的感謝。感謝我們一起完成論文的同學，我們一起互相幫助，才能

59、解決一個又一個的難題。感謝學校給我們提供了一個良好的學習環(huán)境，讓我們學了一些武裝自己的本領。此外還要感謝其它的老師和同學的關心和幫助，沒有他們我也不會這么順利的完成這次畢業(yè)論文。</p><p>　　最后，再次感謝所有關心和幫助過我的老師、同學和朋友，感謝你們的真誠幫助和熱情的關心。</p><p><b>　　附 錄</b></p><p>

60、　　附錄一:某地區(qū)公路運量數(shù)據(jù)表</p><p><b>　　附錄二：程序</b></p><p><b>　　clc</b></p><p><b>　　clear</b></p><p>　　sqrs=[20.51 20.61 21.03 21.35 22.32 22.53

61、 22.78 23.58 23.98 24.12 24.25 24.56 24.68 24.99 25.21 25.46 26.01 26.32 26.45 27.25 27.57 28.58];%人數(shù)（單位：萬人）</p><p>　　sqjdcs=[0.50 0.52 0.59 0.61 0.65 0.69 0.72 0.76 0.82 0.98 1.61 1.92 2.31 2.65 2.98 3.24 3

62、.65 3.85 4.11 4.25 4.36 4.78];%機動車數(shù)（單位：萬輛）</p><p>　　sqglmj=[0.11 0.12 0.15 0.17 0.18 0.21 0.25 0.26 0.28 0.31 0.31 0.35 0.37 0.39 0.42 0.48 0.48 0.51 0.53 0.56 0.58 0.59];%公路面積（單位：萬平方千米）</p><p>

63、　　glkyl=[5123 5136 5189 5214 5268 5321 5378 5431 5468 5511 5543 5576 5598 5645 5667 5821 5824 5863 5924 5985 6035 6075];%公路客運量（單位：萬人）</p><p>　　glhyl=[1235 1248 1365 1375 1391 3425 5241 5613 6243 6821 7531 78

64、91 8012 8645 8962 9056 9786 10025 10068 11230 13450 13961];%公路貨運量（單位：萬噸）</p><p>　　p=[sqrs;sqjdcs;sqglmj];</p><p>　　t=[glkyl;glhyl];</p><p>　　[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)

65、;</p><p>　　dx=[-1,1;-1,1;-1,1];</p><p>　　net=newff(dx,[3,7,2],{'tansig','tansig','purelin'},'traingdx');</p><p>　　net.trainParam.show=1000;</p>

66、<p>　　net.trainParam.Lr=0.05;</p><p>　　net.trainparam.epochs=50000;</p><p>　　net.trainparam.goal=0.65*10^(-3);</p><p>　　net=train(net,pn,tn);</p><p>　　an=sim(net

67、,pn);</p><p>　　a=postmnmx(an,mint,maxt);</p><p>　　x=1990:2011;</p><p>　　newk=a(1,:);</p><p>　　newh=a(2,:);</p><p>　　figure (2);</p><p>　　subpl

68、ot(2,1,1);</p><p>　　plot(x,newk,'ro',x,glkyl,'b+');</p><p>　　legend('網(wǎng)絡輸出客運量','實際客運量');</p><p>　　xlabel('年份');ylabel('客運量/萬人');</p

69、><p>　　title('運用工具箱客運量學習和測試對比圖');</p><p>　　subplot(2,1,2);</p><p>　　plot(x,newh,'ro',x,glhyl,'b+');</p><p>　　legend('網(wǎng)絡輸出貨運量','實際貨運量

70、9;);</p><p>　　xlabel('年份');ylabel('貨運量/萬噸');</p><p>　　title('運用工具箱學習和測試對比圖');</p><p>　　pnew=[28.73 28.85</p><p>　　4.950 5.120</p><p&g

71、t;　　0.620 0.670];</p><p>　　pnewn=tramnmx(pnew,minp,maxp);</p><p>　　anewn=sim(net,pnewn);</p><p>　　anew=postmnmx(anewn,mint,maxt)</p><p><b>　　文獻綜述</b></p&

72、gt;<p>　　交通運輸是國家重要的基礎產(chǎn)業(yè)，對國民經(jīng)濟的發(fā)展有著舉足輕重的作用，同時對區(qū)域產(chǎn)業(yè)經(jīng)濟結構的發(fā)展也有直接的影響。公路運輸系統(tǒng)作為交通運輸系統(tǒng)的一個子系統(tǒng)，在交通運輸系統(tǒng)中的主導作用也日益凸顯。近年來，我國交通基礎設施和運輸裝備不斷改善，為公路運輸市場的快速發(fā)展創(chuàng)造了有利條件。在公路運輸生產(chǎn)中，公路運輸量是反映交通運輸業(yè)生產(chǎn)成果的重要指標，隨著計算機技術和神經(jīng)網(wǎng)絡技術的日趨成熟，許多學者應用神經(jīng)網(wǎng)絡技術對貨運

73、量進行預測，一些學者應用神經(jīng)網(wǎng)絡技術建立的公路貨運量組合預測模型具有較高的預測精度。反映公路產(chǎn)量的指標還有客貨周轉(zhuǎn)量，它更能綜合反映公路運輸部門為社會提供運輸服務的能力，所以建立一個較好預測系統(tǒng)對公路網(wǎng)規(guī)劃、建設和管理更具有指導意義。</p><p>　　人工神經(jīng)網(wǎng)絡(Artificial Neural Networks)理論是近年來發(fā)展起來的模擬人腦生物過程的人工智能技術，是在模擬人腦神經(jīng)組織的基礎上發(fā)展起來的

74、計算系統(tǒng)，是由大量處理單元通過廣泛互聯(lián)而構成的網(wǎng)絡體系，它具有生物神經(jīng)系統(tǒng)的基本特征，在一定程度上反映了人腦功能的若干反映，是對生物系統(tǒng)的某種模擬。適合于因果關系復雜的非確定性推理、判斷、識別和分類等問題。它在模式識別、計算機視覺、信號處理、非線性優(yōu)化、語音識別、聲納識別、傳感技術與機器人、生物醫(yī)學工程等領域有著廣泛的應用。隨著神經(jīng)網(wǎng)絡理論研究和實際應用的不斷深入，研究神經(jīng)網(wǎng)絡的個方面的應用迅速發(fā)展。特別是MATLAB神經(jīng)網(wǎng)絡工具箱函數(shù)

75、，為神經(jīng)網(wǎng)絡的研究和設計提供了強有力的工具，所取得的成果已經(jīng)廣泛應用于神經(jīng)網(wǎng)絡的教學、科研中。</p><p>　　BP神經(jīng)網(wǎng)絡實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，數(shù)學理論證明三層的神經(jīng)網(wǎng)絡就能夠以任意精度逼近任何非線性連續(xù)函數(shù)。這使得其特別適合于求解內(nèi)部機制復雜的問題，即BP神經(jīng)網(wǎng)絡具有較強的非線性映射能力。BP神經(jīng)網(wǎng)絡在訓練時，能夠通過學習自動提取輸出、輸出數(shù)據(jù)間的“合理規(guī)則”，并自適應的將學習內(nèi)容記憶于

76、網(wǎng)絡的權值中。即BP神經(jīng)網(wǎng)絡具有高度自學習和自適應的能力。BP神經(jīng)網(wǎng)絡在其局部的或者部分的神經(jīng)元受到破壞后對全局的訓練結果不會造成很大的影響，也就是說即使系統(tǒng)在受到局部損傷時還是可以正常工作的。即BP神經(jīng)網(wǎng)絡具有一定的容錯能力。</p><p>　　本文以BP神經(jīng)網(wǎng)絡為基礎建，運用MATLAB工具箱來建立一個神經(jīng)網(wǎng)絡對某地區(qū)的公路運量進行預測，通過數(shù)據(jù)的對比該次的建立神經(jīng)網(wǎng)絡有著很高的準確性。</p>

77、<p><b>　　參考文獻：</b></p><p>　　陳明。神經(jīng)網(wǎng)絡模型[M]。大連:大連理工大學出版社,2002。</p><p>　　張乃堯,閻平凡。神經(jīng)網(wǎng)絡與模糊控制[M]。北京:清華大學出版社,1998:7-28。</p><p>　　周開利,康耀紅。神經(jīng)網(wǎng)絡模型及其MATLAB仿真程序設計[M]。北京:清華大學出版

78、社,2002。</p><p>　　戴葵。神經(jīng)網(wǎng)絡實現(xiàn)技術[M]。長沙:國防科技大學出版社,1999:33-46。</p><p>　　胡守仁,余少波等。神經(jīng)網(wǎng)絡導論[M]。長沙:國防科技大學出版社,2003。</p><p>　　周志華,曹存根。神經(jīng)網(wǎng)絡及其應用[M]。北京：清華大學出版社,2000。</p><p>　　蔣良孝,李超群?；?/p>

79、于BP神經(jīng)網(wǎng)絡的函數(shù)逼近方法及其Matlab實現(xiàn)[J]。微型機與應用,2004,1:52-54。</p><p>　　蘭倩,李駿。神經(jīng)網(wǎng)絡的函數(shù)逼近性分析[J]。甘肅科學學報,2005,1。</p><p>　　Barnsley M F. Fractal functions and interpolation[J]. Constry Approx,2003, 2(3): 303-329&l

80、t;/p><p>　　卓金武。Matlab在數(shù)學建模中的應用。北京航空航天大學出版社，2011.4。</p><p>　　趙淑芝，田振中，張樹山，等。基于BP 神經(jīng)網(wǎng)絡的組合預測模型及其在公路運輸量預測中的應用［J］。交通運輸系統(tǒng)工程與信息，2006，6（4）：108 - 112 。 </p><p>　　李曉慧?；贛ATLAB的BP和經(jīng)網(wǎng)絡響應用。蘇州大學物理科學

81、與技術學院。</p><p>　　董長虹。 MATLAB神經(jīng)網(wǎng)絡與應用[M]。北京： 國防工業(yè)出版社，2007，64-104。</p><p>　　王維國，張靜靜?；贐P神經(jīng)網(wǎng)絡的貨運量預測方法[期刊論文]-物流技術，2005(07)。 </p><p>　　韓力群。人工神經(jīng)網(wǎng)絡理論、設計及應用，2002。 </p><p>　　溫巖，喬兵

82、?；贛ATLAB工具箱的神經(jīng)網(wǎng)絡在地震預報中的應用[J]。東北地震研究，2001。</p><p>　　張圣楠，郭文義，肖力墉?；贛ATLAB的BP神經(jīng)網(wǎng)絡的設計與訓練[I]。內(nèi)蒙古科技與經(jīng)濟，2005，4(17)：95—98。</p><p>　　飛思科技產(chǎn)品研發(fā)中心。神經(jīng)網(wǎng)絡理論與MATLAB7 實現(xiàn)。北京:電子工業(yè)出版社，2005。</p><p>　　伍