神经网络模型预测控制,神经网络回归预测模型

bp神经网络为什么要采用非线性函数来进行预测？

提问：bp神经网络为什么要采用非线性函数来进行预测？ 回答：简单的讲，主要是复杂的bp神经网络的行为动态及神经元之间的相互作用是无法用简单的线性函数来描述的！

一般来讲，用数学函数模拟一个系统输入与输出的关系（系统函数）时，设其函数为f(x),则它可以表征为一个输入变量x的多项式，即 f(x)=∑an*x^n ∣n=0 ->∞.; 当n≥2时，f(x)就成为非线性函数了。

an是每个x高次项的系数。可以用具体的实际实验数据来确定。

谷歌人工智能写作项目：神经网络伪原创

求助神经网络做非线性回归问题

样本变量不需要那么多，因为神经网络的信息存储能力有限，过多的样本会造成一些有用的信息被丢弃写作猫。如果样本数量过多，应增加隐层节点数或隐层数目，才能增强学习能力。

一、隐层数一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。

一般来讲应设计神经网络应优先考虑3层网络（即有1个隐层）。一般地，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。

对于没有隐层的神经网络模型，实际上就是一个线性或非线性（取决于输出层采用线性或非线性转换函数型式）回归模型。

因此，一般认为，应将不含隐层的网络模型归入回归分析中，技术已很成熟，没有必要在神经网络理论中再讨论之。

二、隐层节点数在BP 网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。

目前多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况，而且多数是针对最不利的情况，一般工程实践中很难满足，不宜采用。事实上，各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。

为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。

研究表明，隐层节点数不仅与输入/输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。

地质灾害风险评估方法

滑坡泥石流等地质灾害的不确定性决定了其评估方法采用非确定性分析方法。该类方法是基于地质灾害预测理论的广义系统科学原理，在类比法的基础上发展起来的一类研究方法。

随着概率论、数理统计及信息理论、模糊数学理论用于地质灾害预测，目前已形成了多种预测模型，其预测成果可相互对比、检验，从而可使预测成果更具合理性、科学性。目前常用的非确定性分析方法主要有以下几种。

一、参数合成法参数合成法又称专家经验指数综合评判法。它是最为简单的定量评估方法。

该类模型主要是建立在专家丰富的经验基础之上的，通过专家打分法等途径获取专家经验知识，专家选择影响地质灾害的因子并编制成图。

根据专家的经验，赋予每个因子一个适当的权重，最后进行加权叠加或合成，形成地质灾害危险性分区图。

它的主要优点是：①可以同时考虑大量的参数；②可以应用于任意比例尺的区域和单体斜坡稳定性评估；③大大降低了隐含规则的使用，定量化程度提高；④整个流程可以在GIS的支持下快速完成，使数据管理标准化，时间短，费用少。

主要缺点有：①主观性较强，不同的调查者或专家得出的结果无法进行比较。

权值的确定仍含有不同程度的主观性；②隐含的评判规则使结果分析和更新困难；③需要详细的野外调查；④应用于大区域评估时，操作复杂，模型难以推广。

二、数理多元统计模型法该方法是通过对现有地质灾害及其类似不稳定现象与地质环境条件和作用因素之间的统计规律研究，建立相关的预测模型，从而预测区域地质灾害的危险性。

该类模型方法很多，如回归分析、判别分析、聚类分析方法等。

统计分析的前提是已知学习区（训练区）的地质灾害分布情况，根据数理统计理论，建立影响参数和地质灾害发生与否的数学统计模型，在测试区得到验证后，将其应用到地质环境相同或相似的地区，预测研究区的灾害危险性分布规律。

因此，统计分析方法评估的结果的可靠度直接取决于测试区原始数据的精度，模型也不能在任何地区推广使用。

尽管如此，大量的研究表明，统计分析是目前最为适用的区域地质灾害危险度评估区划方法，它有严格的数理统计理论作基础，数学模型简单易懂，而且与GIS技术能够很好地结合，使庞大的数据得到合理的标准化管理、分析与储存。

多元统计分析中的主成分分析和因子分析方法在环境统计方面有不少成功的应用。将这两种方法结合起来的主成分－因子分析法可以应用于多变量的因子赋权研究（吴聿明，1991）。

主成分－因子分析法的主要思想是（应农根，刘幼慈，1987）：在所研究的全部原始变量中将有关信息集中起来，通过探讨相关矩阵的内部依赖结构，将多变量综合成少数彼此互不相关的主成分，以再现原始变量之间的关系，并通过因子荷载矩阵的轴正交或斜交旋转，进一步探索产生这些相关联系的内在原因。

此方法适用于区域地质灾害空间预测研究，对一定地区土地利用、国土开发、城市规划具有宏观指导作用。

<