采用这种方法来进行预测。而BP网络在预测中应用广泛,它是利用非线性可微分函数 进行权值训练的多层网络,它包含了神经网络中最为精华的部分,结构简单,可塑性强, 逼近性好,故我们采用BP网络来预测以后六周的CD4和HIV的含量指标 图3为BP神经网络的原理示意图 测得的CD4 含量指标 测试时刻 测得的HIV 含量指标 图3BP神经网络的原理示意图 网络的输入有1个元素,即测试时刻(周),网络的输出有2个元素,即测得的CD4 含量指标和测得的HIV含量指标。这样输入层有1个神经元,输出层也有2个神经元, 中间层的神经元个数可取不同值进行尝试,取误差最小的为最终结果。 网络中间层神经元函数采用S型正切函数 tansig,输出层神经元函数采用S型对数 函数 logsig,用变量 threshold用于规定输入向量的最大值和最小值,最大值为1,最 小值为0,设定网络的训练函数为 trainlm,它采用 Levenberg-Marquardt算法进行网 络学习。 (2)模型准备(数据归一化): 在训练之前应将所有数据归一化处理,使其落在[0,1]区间,对于测试时刻(周)和 测得的HIV的含量指标,我们采用的归一化函数是:Y=log(x/5;对于测得的CD4含 量指标,我们采用的归一化函数是:Y=log(xy10。 这是因为数值相差较大,须采用不同的归一化函数。 需要说明的是:测试时间数据中有第0周,由于0取对数无意义,故训练采用的测 试时刻均加1。返回结果时均减1即可。 3、模型求解: 我们用这种方法预测第47,48,49,50,51,52周的CD4及HIV的含量指标。 输入向量P为46周及46周之前的测试时刻加1,目标向量T为对应测试时刻测得 的CD4含量指标和HⅣⅤ含量指标。测试向量 P test为后六周的周数加1,经多次尝试, 当模型的训练次数取6000,训练目标为0.01,学习速率为0.1,中间神经元个数取11 时误差最小(图4为训练误差曲线)8 采用这种方法来进行预测。而 BP 网络在预测中应用广泛，它是利用非线性可微分函数 进行权值训练的多层网络，它包含了神经网络中最为精华的部分，结构简单，可塑性强， 逼近性好，故我们采用 BP 网络来预测以后六周的 CD4 和 HIV 的含量指标。 图 3 为 BP 神经网络的原理示意图。 测得的 CD4 含量指标 测试时刻 测得的 HIV 含量指标 . . 图 3 BP 神经网络的原理示意图 网络的输入有 1 个元素，即测试时刻（周），网络的输出有 2 个元素，即测得的 CD4 含量指标和测得的 HIV 含量指标。这样输入层有 1 个神经元，输出层也有 2 个神经元， 中间层的神经元个数可取不同值进行尝试，取误差最小的为最终结果。 网络中间层神经元函数采用 S 型正切函数 tansig，输出层神经元函数采用 S 型对数 函数 logsig，用变量 threshold 用于规定输入向量的最大值和最小值，最大值为 1，最 小值为 0，设定网络的训练函数为 trainlm，它采用 Levenberg-Marquardt 算法进行网 络学习。 （2）模型准备（数据归一化）： 在训练之前应将所有数据归一化处理，使其落在[0,1]区间，对于测试时刻（周）和 测得的 HIV 的含量指标 ，我们采用的归一化函数是： Y=log(x)/5；对于测得的 CD4 含 量指标，我们采用的归一化函数是： Y=log(x)/10。 这是因为数值相差较大，须采用不同的归一化函数。 需要说明的是：测试时间数据中有第 0 周，由于 0 取对数无意义，故训练采用的测 试时刻均加 1。返回结果时均减 1 即可。 3、模型求解： 我们用这种方法预测第 47，48，49，50，51，52 周的 CD4 及 HIV 的含量指标。 输入向量 P 为 46 周及 46 周之前的测试时刻加 1，目标向量 T 为对应测试时刻测得 的 CD4 含量指标和 HIV 含量指标。测试向量 P_test 为后六周的周数加 1，经多次尝试， 当模型的训练次数取 6000，训练目标为 0.01,学习速率为 0.1，中间神经元个数取 11 时误差最小（图 4 为训练误差曲线） 1 1 n 3 2 1 2