| 误差的反向传播，伴随着权值的调整过程。信号的正向传播、误差的反向传播及权值的调整周而复始地反复进行。权值不断调整的过程就是网络训练的过程。当网络的输出误差达到可以接受的程度或者达到预先设定的学习次数时，网络的学习过程停止。
2.影响心理健康各因素的预测实例分析
2.1预测模型
以参考文献[1] 2002-2007年这6年的影响心理健康各因素的统计值为样本,对应各因素预测2008年的值。然后再以2003-2008年的影响心理健康各因素的统计值为样本，对应各因素预测2009年的值，并计算其误差，使预测值与真实值的平方根误差限定在1%之内。此时，BP神经网络的网络系数已经训练得比较准确了，最后再利用2004-2009年的影响心理健康各因素的统计值为样本，对应各因素预测2010年的值。需要注意的是，由于影响心理健康的“其他”因素是其它各因素之和与1做减法得出的，对于网络的总体误差没有什么影响，因此做误差时可以将其排除在外，即预测值与真实值的平方根误差不包括“其他”这一因素。
以预测2009年影响心理健康各因素的值为例。神经网络的结构与模型的确定： 1）输入层与输出层。以2003-2008年的各因素统计值作为输入向量，有6个结点，以2009年所对应的各因素的统计值为训练样本，有1个输出结点；2）隐含层。隐层结点并不唯一，得出2009年预测结果，对比误差大小，经训练得出此模型含4个隐层节点数；3）参数确定。初始权值w=-0.2～0.2，学习速率LP.r=0.1，惯性系数=0.6，修正周期T=10，训练步数=500。
建立BP网络的命令为net=newff(a,b,{'tansig','purelin'},'traingd')，训练网络的命令为[net,tr]=train(net,p,t)。将训练样本代回网络进行仿真，实现命令b=sim(net,p1)，其中b为预测结果，p1为训练样本。网络的训练误差曲线如图1，可以看到网络有很好的训练结果。其中对于2009年的预测值和真实值的比较曲线见图2，而且总体的平方根误差在了1%之内，从而说明建立的模型完全可用于对下一年影响心理健康各因素的预测。得出2009年影响心理健康各因素的预测结果，见表1[5-6]。
表1 2009年影响心理健康各因素的预测值表
| 影响因素 |
个人前途压力大 |
高考成绩不理想 |
个人情感挫折 |
同学关系矛盾 |
父母期望过高 |
家庭经济困难 |
父母关系不好 |
专业兴趣不高 |
其他 |
| 权重 |
0.268 |
0.023 |
0.266 |
0.142 |
0.154 |
0.024 |
0.064 |
0.033 |
0.026 |
从网络的训练误差曲线都可以看出网络有很好的训练，而且影响心理健康各因素的预测值与真实值之和的平方根误差在可接受的范围内结果，从而得出2010年的预测结果。最后预测结果见表2。
图1 训练误差曲线
图22009年心理健康因素的预测值与预测值的比较图
表2 2010年影响心理健康各因素的预测值表
| 因素 |
个人前途压力大 |
高考成绩不理想 |
个人情感挫折 |
同学关系矛盾 |
父母期望过高 |
家庭困难 |
父母关系不好 |
专业兴趣不高 |
其他 |
| b |
0.274 |
0.011 |
0.274 |
0.142 |
0.161 |
0.012 |
0.063 |
0.032 |
0.031 |
2.2对2010年影响心理健康各因素的预测模型
用于影响心理健康各因素的BP 神经网络选用3 层网络结构,其中输入层的结点个数等于所选择的技术指标的个数,即连续6个年份各因素的统计值作为输入的技术指标。隐层神经元数目的选择应兼顾网络的学习能力和学习速度,采用了4个隐层神经元对网络进行训练，输出层为一个结点，即对应因素的预测值。模型图如图3所示 [4] 。
 
图3 心理健康状况预测模型结构图
利用公式预测数据/(数据最大值-数据最小值)将数据归一到[0,1]区间内。以p,t分别表示网络的输入向量和目标向量，分别从参考文献[1]中得到。对应的激发函数分别为tansig，logsig型函数。训练函数为traingdx。函数的选取是在多次试验的基础上，分别比较2009年个因素的预测与实际值的平方根误差所筛选出来的。免费论文网。建立BP网络net=newff(threshold,[a(i),1],{'tansig','logsig'},'traingdx')，
实现命令[6]
net.trainParam.epochs=500;
net.trainParam.goal=0.00001;
net=train(net,P,T);
在训练的过程中，为了减小中间层神经元个数引起的预测误差，采用4个中间层神经元对网络进行训练，采用最小二乘法比较各个2009年预测值与真实值的误差平方和，最终可以求得4个中间层神经元的误差最小，最接近真实值。
选4个中间层神经元网络进行训练。其中训练次数为500，训练目标为0.00001。训练结果为：
TRAINGDX, Epoch0/500, MSE 0.139986/1e-005, Gradient 0.535028/1e-006
TRAINGDX, Epoch 25/500,MSE 0.068266/1e-005, Gradient 0.32079/1e-006
TRAINGDX, Epoch50/500, MSE 0.0160777/1e-005, Gradient 0.0979541/1e-006
TRAINGDX, Epoch75/500, MSE 0.00254658/1e-005, Gradient 0.0210036/1e-006
TRAINGDX, Epoch100/500, MSE 0.000330179/1e-005, Gradient 0.00450809/1e-006
TRAINGDX, Epoch125/500, MSE 1.4319e-005/1e-005, Gradient 0.000647728/1e-006
TRAINGDX, Epoch127/500, MSE 9.6392e-006/1e-005, Gradient 0.000520125/1e-006
TRAINGDX,Performance goal met.
经过127次训练后，网络的目标误差达到要求。实现仿真命令Y(i,:)=sim(net,P_test);
最后通过Y(i,:)=postmnmx(Y(i,:),min(t),max(t))实现归一化。取4个中间层神经元个数，最后得到2010年的仿真结果（即预测结果）为：
Ｙ＝0.274 0.0110.274 0.142 0.161 0.012 0.063 0.032 0.031
3.预测分析
在同一标准层次的前提下，由BP神经网络模型预测出的2010年影响大学生心理健康的各个因素可见，对个人前途的担忧和个人感情挫折是影响大学生心里健康的主要因素，同学关系矛盾和父母期望过高仅次于个人前途担忧和个人情感挫折对大学生心理健康的影响，并且对个人前途的担忧和父母的高值期望有一定程度上的联系（一般情况下，父母的过高期望必然会导致大学生对前途更为担忧），对高考成绩感到不理想和家庭经济困难等其他因素对大学生心理健康的影响相对较小。
图4 2010年影响山东交通学院大学生心理健康的各个因素所占比例图
2/3 首页 上一页 1 2 3 下一页 尾页 |
