第6期 2017年6月
组合机床与自动化加工技术
Modular Machine Tool & Automatic Manufacturing Technique
文章编号：10012265(2017)06011004
D0I:10. 13462/j. cenki. mmtamt.2017.06.028
基于神经网络和证据理论的样本预测方法
姚雪梅"，李少波",2，臻晶磊
No.6 Jun.2017
(1a.贵州大学现代制造技术教育部重点实验室；b.机械工程学院，贵阳550025;2.中国科学院成都计算机应用研究所，成都610041）
摘要：为了满足某些特殊领域的预测精度需求，提出一种基于神经网络和证据理论的样本预测方法。该方法通过统计学中的数据集Iris花的样本特征进行仿真验证。首先，构建神经网络直接训练和测试样本，获得89.33%的识别率；其次，利用遗传算法优化神经网络的初始权值和阀值后再对样本进行训练和测试，获得94.66%的识别率；最后，结合数据融合中的证据理论进一步把识别率提高到
97.33%。实验表明，该方法具有较高的预测精度。关键词：神经网络；证据理论；遗传算法；预测
中图分类号：TH165；TG506
文献标识码：A
Sample Prediction Method Based on Neural Networks and Evidence Theory
YAO Xue-mei, LI Shao-Bo*,, QU Jing-lei"
( 1a. Key Laboratory of Advanced Manufacturing Technology, Ministry of Education; b. School of Mechanical Engineering, GuiZhou Unversity , Guiyang 550025 , China ;2. Chengdu Institute of Computer Applications, Chi-nese Academy of Sciences, Chengdu 610041, China)
Abstract : A sample prediction method based on neural networks and evidence theory is proposed to meet the demand of prediction accuracy in some special fields. The method is simulated and verified by the data set I-ris flower samples in statistic. First of all, the neural network is constructed directly to train and test the sam-ples, and the recognition rate of 89. 33% is obtained; Secondly, the genetic algorithm is used to optimize the initial weights and thresholds of the neural network to train and test, and the rate of 94. 66% is obtained; finally, combining with the evidence theory in data fusion, the rate is further improved to 97. 33% . The simulation results show higher prediction accuracy of this method.
Key words: neural network; evidence theory ; genetic algorithm; prediction
0引言
随着大数据一词的风靡，大数据技术也被应用到了各行各业中，其中以预测较为典型。百度在2014年低调上线了一款大数据产品“百度预测”，用户可以登录该网站查询景区预测、电影票房预测、流行感管地区预测、股票走势预测等信息。百度还以100%的准确度成功预测了2014年世界杯的四分之一决赛。目前，样本预测的方法比较多样，神经网络便是其中的一大利器。文献[1]提出了一种结合反向传播神经网络与样本炳分析癫痫发作的实时预测方法；文献[2]提出了一种基于灰色神经网络优化组合模型的预测方法；文献3」构建了一种基于最小二乘支持间量机的智能预测模型，并应用到了机载电子设备费用预测上；文献[4」推导了一种基于样本内在特征和规律性的自组织
聚类的神经网络预测模型；文献[5]提出了一种神经网络结合主成分分析法的多基色颜色预测模型，
神经网络算法学习规则简单，便于计算机实现而得到了广泛的应用，但也由于神经网络自身的局限使得预测精度无法满足某些领域的要求。比如，大型机电设备故障诊断中，机电设备结构复杂，故障类型多且彼此相关，设备各组成部件成本昂贵，需要较高的预测精度确定故障点；在航天发射任务中，对于卫星进入预定轨道的时间，经度纬度等参数需要精确预测，在完成运行任务，坠人大气层的落地点也需要极高的预测精度；类似这样一些特殊的领域，对于预测精度有非常高的标准和要求，引入数据融合领域的证据理论方法可满足该需求。因此，本文构建了一个用遗传算法优化神经网络，并结合证据理论提高精度的预测模型6），如图1所示。
收稿日期：20160930
*基金项目：国家自然科学基金资助项目(51475097）；费州省重大基确研究资助项目（黔科合JZ字[2014]2001）
作者简介：姚雪梅(1985—），女，云南大理人，责州大学讲师，博士，研究方向为制造过程自动化与制造物联，（E-mail)yaomei0119@126.com;通讯
作者：李少波（1973—），男，潮南岳阳人，贵州大学教授、博士，研究方向为制造大数据，（E-mail)lishaobo@gzu.edu.en。
万方数据