论文总字数：18011字

摘 要

本文采用BP神经网络对船舶指数进行预测分析。参照经验公式，采用试凑法确定延迟、嵌入维数和隐藏层节点数。利用神经网络强的非线性映射能力，建立了波罗的海干散货指数的模型，从而对航运指数进行了预测。波罗的海的干散货指数是航运指数中第一大航运指数，它是航运市场的晴雨表，也是航运市场的报警器，本文选取一段波罗的海的干散货指数来预测航运指数变化。

结果表明：BP神经网络可以进行很高精度的预测，预测的误差也十分的小，可以适用于在航运指数预报中的预测。

关键词：BP神经网络；试凑法；隐层节点；航运预报指数

Abstract

In this paper, BP neural network is used to predict and analyze the ship index. According to the empirical formula, the trial and error method is used to determine the delay, embedding dimension and the number of hidden layer nodes. Based on the strong nonlinear mapping ability of neural network, a model of Baltic dry bulk index is established to predict the shipping index. The Baltic dry bulk index is the largest shipping index in the shipping index. It is the barometer of the shipping market and the alarm of the shipping market. This paper selects a section of the Baltic dry bulk index to predict the change of the shipping index.

The results show that the BP neural network has a high prediction accuracy and a small prediction error, which can be used in the forecast of shipping index.
Key words: BP neural network; trial method; hidden layer node; shipping forecast index

目 录

第1章 绪论 1

1.1 课题研究的背景 1

1.2 课题研究的内容与意义 2

1.3 课题研究的目的 2

第2章 BP神经网络的介绍 3

2.1 BP神经网络 3

2.1.1 神经网络的学习过程 4

2.1.2 神经网络的算法的步骤 5

2.2 神经网络中的试凑法 6

2.3 神经网络的优点与缺点 6

2.3.1 BP神经网络的优点 6

2.3.2 BP神经网络的缺点 7

2.4 航运指数的发展历程 8

2.5 本章小结 10

第3章 BP神经网络的推导 11

3.1 BP神经网络隐藏节点的确定 11

3.2 BP神经网络的正、反向传递 11

3.2.1 正向传递 11

3.2.2 反向传递 11

3.3 BP神经网络中权值的调整 14

3.4 本章小结 14

第４章 BP神经网络的数据模型 16

4.1 航运指数BDI 16

4.2 最优参数的选择 17

4.3 BP神经网络的结果预测 20

4.4 预测结果分析 22

4.5 本章小结 22

第5章 结论 24

参考文献 25

致谢 26

第1章 绪论

1.1 课题研究的背景

随着世界经济的发展，航运业在世界运输中担任着非常重要的角色，几乎有着9成的运输量都是由着航运业承担，所以航运业的兴衰对着世界经济有着巨大的影响。而航运业的晴雨表就是航运指数，航运指数中的第一大类指数就是波罗的海的干散货指数，通过对波罗的海的干散货指数进行预测，可以分析未来航运指数的走向，也可以为航运企业提供决策判断有利的数据支持，因此，波罗的海的干散货指数的预测是非常重要的。

提起航运指数，在全国范围内，我们不得不提起波罗的海的干散货指数（BDI),BDI是由全世界历史最悠久的波罗的海航交所所发布的，在全国范围内都有着巨大的影响力，它可以从不同的层面反映出不同阶段货运价格的发展趋势和动态相对数量。 BDI可以反映全世界的干散货的运价水平。BDI不仅仅是航运业未来发展的晴雨表，它也是全世界经济变化的风向标之一。 BDI计算编辑运价指数旨在科学地研究运价的变化规律，分析各种运价的比例，为确定商品流通、企业成本和调整运价提供重要的科学依据。根据运输方式可分为铁路线货运指数、公路货运指数、航运货运指数、航空货运指数等。根据运输目标可分为货物运价指数和旅客运价指数。根据商品类型分为煤碳运价指数、原石油运价指数等。国际航运销售市场选择运价指数以反映运价的水平和动态^[1]。国际通用运价指数是波罗的海航交所发布的运价指数。大概可以分为以下四类：波罗的海好望角型船运价指数（BCI）、波罗的海巴拿马型船运价指数（BPI）、波罗的海灵便型船运价指数（BHI）、波罗的海干散货船期租费率指数（BDI）。

神经网络系统互联网的研究和发展趋势起源于1940年代。那时，McCullochpitts确认神经网络可以模拟和模拟逻辑功能的实际操作，将其作为简单的阈值设备。在同一阶段，维纳详细描述了其工作原理，反馈和脑功能的关联，从而创立了控制论。 1960年代后，有两种著名的神经网络模型，即Rosenblatt的Perceptron和WidrowHott的Adaline，用于模拟系统识别，响应信号处理和最佳控制。但是，在1970年代中后期，由于Perceptron带来的负面影响以及von Norman的技术，业务规模和速度使神经网络研究迅速发展，因此它处于低潮时期，并且已经自从1980年代至今，D.rumelhalt领导干部的模型Internet的明确介绍和PDP（Prarllel分布式处理）工作组的研究成果在神经网络的研究方面取得了长足的进步。它已成为电子设备和其他学科中最受欢迎和最具吸引力的学科之一。

神经网络是解决黑匣子问题的有力工具，人们在研究具体的系统时把该系统看作是一个不透明的黑匣子，在这个系统中该系统的内部结构和相互间的关系没有受到影响，只根据其输入输出特性了解该系统的模式。该系统的结构和职能不是根据对系统内部结构及其相互关系的分析来确定的，而是根据物质和能源的输入和输出与其影响因素之间的关系。神经网络可以解决这些问题。

1.2 课题研究的内容与意义

内容：通过BP神经网络的嵌入维数和时延，参考经验公式，采用试凑法。选择性能最好的嵌入维数和时延。BP神经网络隐层节点数同样也参考经验公式，采用试凑法确定隐层节点数.，在试凑法确定的性能最好的嵌入维数和时延已知的基础上，再次采用试凑法确定隐层节点数，通过比较每个网络的预测的性能，节点数选择隐层神经元性能最好的。

完成上述工作后，对某一段航运指数进行多次1步实际预测，得到预测的绝对误差和相对误差。

请支付后下载全文，论文总字数：18011字