【技术实现步骤摘要】
基于BP神经网络模型的PearsonIII型曲线参数预测方法
本专利技术属于数据分析领域，具体涉及基于BP神经网络模型的PearsonIII型曲线参数预测方法。
技术介绍
人工神经网络能够模拟人的思维，其是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理，大量神经元构成的网络系统所能实现的功能是极其强大的。BP神经网络模型由Rumelhart和McCelland为首的科学家小组在1986年所提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，其对于解决如PearsonIII型曲线参数预测具有重要的实用性价值。目前解决PearsonIII型曲线的参数计算的问题上，一般使用矩法、适线法、最小二乘法、最大似然函数法等传统数学方法或者是随机森林法这样的传统机器学习方法预测。这些方法在实际过程中对PearsonIII型曲线的预测准确率不高，同时对于复杂函数的映射逻辑的学习程度很底。
技术实现思路
本专利技术在于提供基于BP神经网络模型的Pea...
【技术保护点】
1.基于BP神经网络模型的PearsonIII型曲线参数预测方法，其特征在于：包括如下步骤：步骤S1：定义PearsonIII型曲线函数，步骤S2：设置若干参数组，步骤S3：将步骤S2中参数组的参数代入PearsonIII型曲线函数中，并通过确定20个横坐标，刻画若干条PearsonIII型曲线，步骤S4：根据步骤S3中刻画的若干条PearsonIII型曲线，构建BP神经网络，并获取PearsonIII型曲线中坐标点的纵坐标，步骤S5：BP神经网络通过梯度下降法对步骤S4中获取的纵坐标进行误差修订，并通过对节点和梯度进行定义和注册，保证PearsonIII型曲线参数预测的顺...
【技术特征摘要】
1.基于BP神经网络模型的PearsonIII型曲线参数预测方法，其特征在于：包括如下步骤：步骤S1：定义PearsonIII型曲线函数，步骤S2：设置若干参数组，步骤S3：将步骤S2中参数组的参数代入PearsonIII型曲线函数中，并通过确定20个横坐标，刻画若干条PearsonIII型曲线，步骤S4：根据步骤S3中刻画的若干条PearsonIII型曲线，构建BP神经网络，并获取PearsonIII型曲线中坐标点的纵坐标，步骤S5：BP神经网络通过梯度下降法对步骤S4中获取的纵坐标进行误差修订，并通过对节点和梯度进行定义和注册，保证PearsonIII型曲线参数预测的顺利运行，步骤S6：BP神经网络对步骤S5中的纵坐标进行准确率测试，从而实现PearsonIII型曲线参数预测。2.根据权利要求1所述的基于BP神经网络模型的PearsonIII型曲线参数预测方法，其特征在于：所述步骤S2中的参数组中的参数分别为PearsonIII曲线函数的均值、离势系数和偏态系数。3.根据权利要求1所述的基于BP神经网络模型的PearsonIII型曲线参数预测方法，其特征在于：所述BP神经网络的输入值为20个坐标点的纵坐标所组成的张量，所述BP神经网络的输出值为20个坐标点的横坐标所在曲线中对应的均值、离势系数和偏态系数。4.根据权利要求3所述的基于BP神经网络模型的PearsonIII型曲线参数预测方...
【专利技术属性】
技术研发人员：童海滨，唐林昊，胡锦程，闫相佩，王慧慧，田飞鸿，熊晨，张艺，张嫣文，芦冠奇，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南,41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。