基于BP神经网络模型中国石油需求预测,本文是一篇关于神经网络论文范文，可作为相关选题参考,和写作参考文献。
神经网络论文参考文献：
[摘 要] 石油需求量预测对编制石油产业发展规划具有重要意义.为了合理预测中国石油需求量,将1965—2014年中国国内生产总值、人口数量、产业结构及技术进步4个分量作为输入向量,石油需求量数据作为输出向量,建立中国石油需求预测的BP神经网络模型,利用Matlab软件的神经网络工具箱对BP神经网络模型反复训练,发现当隐含层节点数为17、学习率为01、训练次数为8次、训练精度为0001时得到的效果最好.最后运用所确定的BP神经网络模型对2015—2024年中国石油需求数据进行了预测.
[关键词] BP神经网络；石油需求；预测
[中图分类号]F407.22
[文献标识码]A
[文章编号] 1673-5595（2015）03-0008-04
一、引言
早在2009年,国际能源署（简称IEA）的月度石油市场报告就显示,2012年亚洲将成为全球石油需求增长的主力,而在亚洲各国中,随着经济的快速发展,中国将成为亚洲最大的石油需求地.[1]在这一背景下,对石油需求量进行科学预测已经成为编制石油产业发展规划、制定能源发展战略、协调国内各产业发展的重要依据.1999年,Frank等运用协整分析法对美国石油进口进行了分析,得出了价格冲击和长期价格对石油进口需求行为具有显著影响的结论[2]；2005年,许荣胜运用灰色系统理论预测了中国石油消费需求,认为未来中国石油消费需求将快速增长[3]；同年,倪铮等对中国石油需求量进行了协整计量分析,进一步采用误差修正模型预测了中国石油需求量[4]；2010年,吴良海运用支持向量机拟合中国石油需求数据,拟合结果较好,他对其进行了改进并建立了粒子群优化的支持向量机[5]；2011年,Mehdi运用自回归分布滞后模型分析了七国集团和金砖四国的石油需求,得出了收入、价格弹性及节油技术对石油需求具有显著影响的结论.[6]石油分析和预测的方法主要有协整分析法、灰色预测法、误差修正模型、支持向量机模型和自回归分布滞后模型等,而BP神经网络法具有广泛的适应能力、学习能力和映射能力,在非线性系统建模和预测方面通常可取得满意的结果.[7-10]为此,本文采用BP神经网络构建中国石油需求预测模型,为发展中国石油产业提供科学指导.
二、中国石油需求概况和研究方法
(一)中国石油需求概况
1965—1976年,由于各大油田的相继发现,中国石油需求在能源总需求中所占的比重迅速上升,1976年石油需求比重达到峰值,为247%.1973—1975年的世界经济危机对中国的石油需求产生了很大的影响,导致1976—1983年的石油需求比重以较大的速率下降.此后,石油需求在能源总需求中所占的比重相对稳定,在经过一系列的波动后,石油需求占能源总需求的比重维持在172%左右.随着中国经济的又一轮增长,石油需求比重出现了新一轮提升,石油需求占能源总需求的比重在2000年出现了峰值,为223%,该值为20世纪80年代至今的石油需求占能源总需求的所有比重中的最高值.如今,中国石油需求占能源总需求的比重有进一步提升的趋势,2014年,石油需求在中国能源总需求中的比重为194%.1965—2014年中国石油需求比重变动情况具体如图1所示.
除1973—1975年世纪石油危机对中国石油需求造成较大影响外,中国石油需求在较长时期内处于不断上升的状态.1982年以后,石油的需求量不断增长,需求量的增长主要显现在增长率的区别上.按照增长率的波动情况,1982—2001年石油需求增长率在一定时间段上有所放缓,最终以相对稳定的增长率稳步增长,2001年中国石油需求量达到22929027万吨.2002年后,中国石油需求量陡增,5年中中国石油需求的增长率均保持在6%以上,在经过2005年和2007年两次增速的放缓之后,中国石油需求的增长率不断提升,增长率有指数增长的趋势,到2014年中国石油需求量为50834224万吨.1965—2014年中国石油需求量变动情况具体如图2所示.
(二)研究方法
BP神经网络是神经网络的一种,在神经网络中有其自身特点,即误差反向传播,同时它具有多层网络且为前馈神经网络.在BP网络中,信号是向前移动的,样本从输入层传入,即产生信号的输入,信号在隐层经过一定的函数进行处理,在经过各个隐层的指定函数处理后传向输出层,在输出层信号形成一个输出值,输出值会和期望输出值进行对比,若两者不等则出现误差,此时误差会和信号进行相反方向的运动,相反方向传播的误差又逐次反向经过BP网络的各个隐层（通常为S型隐层）,在经过各个隐层的处理后将误差回馈给各层单元,各层单元获得误差信号后,凭此信号值修正各单元的权值.[11]此过程不断进行,并不断对各单元的权值进行调整,训练停止的参考标准为误差达到的可接受范围或学习次数达到的给定值.训练结束后,训练结果进入线性输出层,由输出层得出的数值即为有限不连续点函数的逼近值.
BP网络神经元模型包括输入和神经元两个部分,一个具有R个输入的基本的BP神经元模型结构如图3所示.
图3中,p1、p2、p3、等、pR为输入值,w1,1、w1,2、w1,3、等、w1,R为权值,∑和f为神经元传递函数,n为处理次数,b为误差项,a为最终处理函数.
BP神经网络是多层前馈型网络,其网络结构由输入层、隐含层和输出层三个部分组成,各层之间通常采用全部连接的方式,同一层的各个单元之间不存在相互连接.一个具有R分输入、由S个logsig神经元构成的单层网络如图4所示.
前馈神经网络通常有一个或多个隐层,隐层神经元多为S型,并且是由一个线性神经元构成的输出层,如果具有多个非线性传递函数的神经元层,则网络便可以学习非线性关系,这种关系集中体现在输入和输出之间,而输出值则可以在[-1,+1]之外取值,这是通过线性输出层实现的.如果需要限制网络输出的值域,那么可以使用S型函数作为输出层的输出函数.
结论：关于对不知道怎么写神经网络论文范文课题研究的大学硕士、相关本科毕业论文深度神经网络算法论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。
基于遗传算法的BP神经网络对高炉炉温的预测
摘 要：本文为基于遗传算法优化的BP神经网络对高炉炉温的预测。从机理上求解冶炼过程的混合动力学方程组最优解是尚未解决的数学难题，BP神经网络能以。
就bp神经网络银行选址模型相关
摘要：文章基于调查分析这一方式，结合bp神经网络构建过程中存在的非线性关系映射的特征，针对性分析银行网点选址时存在的影响因素。分析出其影响因素中。
基于BP神经网络模型人才考核评价
摘 要：人才工作考核评价是对人才素质、业绩和人才价值的综合测评。多年的人才管理工作实践表明，引入科学的人才评价体系是人才资源有效开发的前提和开展。
基于小波分析和GA—BP神经网络美元兑人民币汇率预测
[摘 要]运用小波分析的方法去除汇率曲线中的噪声，以此消除对预测精度不利的干扰部分。在把消噪后的序列投入BP神经网络和GA-BP神经网络中进行预。