灰色类神经网路预测方法与装置

摘要

一种具有可预测系统之发展趋势的灰色类神经网路预测方法与装置，具有较高准确度之硬体化架构。该预测装置主要包含：(1)输入资料数目选择器(Input DataSelector)(2)灰色模型预测电路(Grey Model Circuit)，(3)储存电路(Memory Circuit)，(4)时段选择器(Time Selector)，(5)顺向类神经网路(Feedforward Neural Network)，(6)控制电路(ControlCircuit)。当前述顺向类神经网路以系统不同时段的灰色模型预测资料依据训练方法训练至收敛后，再将各时间段数组的不同时段之系统发展趋势资料重新输入该顺向类神经网路中，即可预测系统发展趋势。

主权项

1.一种灰色类神经网路的预测装置,可预测系统之发展趋势,主要包括:一输入资料数目选择器,系选择输入前述系统在各组不同时间段数的已知发展趋势资料;一灰色模型预测电路,系从前述输入资料选择器中输入各组不同时间段的前述发展趋势资料,以产生不同时间段之前述系统的发展趋势预测资料;一储存电路,系暂存前述灰色模型预测电路所产生各组不同时间段之前述发展趋势预测资料;一时段选择器,系选择前述储存电路中之各组不同时间段数在不同时间段的前述发展趋势预测资料输出;一顺向类神经网路,系从前述时段选择器中输入不同时段的各组前述发展趋势预测资料并输出一预测値;及一控制电路,系产生控制前述输入资料选择器、前述灰色模型预测电路、前述储存电路、前述时段选择器及前述顺向类神经网路所需的控制信号。2.如申请专利范围第1项所述之灰色类神经网路预测装置,其中前述灰色模型预测电路可产生相对于输入时间段的前述发展趋势预测资料。3.如申请专利范围第1项所述之灰色类神经网路预测装置,其中前述顺向类神经网路包括输入层与输出层以及一组权重W,其产生前述预测値的训练方法包括下列步骤:步骤一:由前述灰色模型预测电路所产生的前述发展趋势预测资料Xp与前述系统的实际发展趋势资料Dp组成训练资料集合T,T=(Xp,Dp)│p=1,....P,P为总时间段数步骤二:随机初始化前述权重W为极小非零値;步骤三:设定累计输出误差最大値为Emax,且设E←0,p←1,epoch←1;步骤四:计算前述顺向类神经网路在输出层的输出値Yp,Yp=WXp步骤五:计算累计输出误差値E,步骤六:更新权重W步骤七:假如pEmax则epoch←epoch+1,p←1,E←0并跳至步骤四;否则,跳至步骤九;步骤九:终止训练,获得训练过权重W'。4.如申请专利范围第1或第3项所述之灰色类神经网路预测装置,其中产生前述预测値y系将前述灰色模型预测电路产生之前述发展趋势预测资料,经由前述储存电路及前述时段选择器输入前述顺向类神经网路中,藉由前述训练过权重W'求出前述预测値y=W'X。5.一种灰色类神经网路预测方法,可预测系统之发展趋势,前述预测方法包含训练方法及呼叫方法,其中前述训练方法包括下列步骤:步骤一:取得前述系统过去在m种不同时间段数的发展趋势资料;步骤二:对于前述每一种时间段数的发展趋势资料建立灰色模型GM(1,1),并求出每一前述灰色模型之发展趋势预测资料 ,其中i=l,....,m,k=l,....,P,P为总时间段数目;步骤三:在总时间段数目P下,将前述灰色模型产生之前述发展预测资料Xp与前述系统的实际发展趋势资料Dp组成训练资料集合T,步骤四:随机初始化一组权重W为极小非零値;其中W=[W1......Wm]步骤五:设定累计输出误差最大値为Emax,且设E←0,p←1,epoch←1;步骤六:计算输出値Yp,Yp=WXp步骤七:计算累计输出误差値E,步骤八:更新权重W步骤九:假如pEmax则epoch←epoch+1,p←1,E←0则并跳至步骤六;否则跳至步骤十一;步骤十一:终止训练,获得训练过权重W';以及前述呼叫方法包括下列步骤:步骤一:利用建模的m种前述灰色模型求出输入时间段的发展趋势预测资料步骤二:将前述步骤一中产生的前述发展趋势预测资料配合前述训练方法中步骤十一之训练过权重W',根据下式求出预测値图式简单说明:第一图系本发明灰色类神经网路其顺向类神经网路之示意图;第二图系本发明灰色类神经网路预测系统的硬体架构示意图;