BP神经网络实例及代码分析（气温预测）

最新推荐文章于 2025-07-12 14:11:53 发布

原创

最新推荐文章于 2025-07-12 14:11:53 发布 · 1.4w 阅读

332 ·

CC 4.0 BY-SA版权

文章标签：

#BP神经网络 #python代码 #人工智能 #气象预测

本文通过Python代码详细介绍了如何用BP神经网络进行气温预测。文章首先定义了神经网络的结构和参数，接着初始化权值和阈值，然后读取并归一化历史温度数据。使用sigmoid激活函数，通过梯度下降法训练网络，并在测试集上评估模型性能。最后，文章提供了完整的源代码供读者参考。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

背景:上一篇使用tensorflow实现神经网络，其中框架已封装好了一些知识点（如误差逆传播），不利于初学者理解。为更直观的展示神经网络算法本身，本篇不使用tensorflow，以基本的python代码，实现上一篇中的气温预测实例。大家可对比下两篇的差异，理解算法的同时，体会下tensorflow框架。（tensorflow实现https://blog.youkuaiyun.com/MrMaurice/article/details/90031937）

代码功能：对山东某地区历史温度数据进行BP神经网络训练，通过前三小时温度数据，预测第四小时温度值。

数据来源：2016年4月份山东某地区温度数据，共30*24小时。1日到20日（20*24小时）数据为训练数据集，21到30日（10*24小时）数据为测试数据集。

1.定义神经网络结构及参数

选用典型的三层神经网路（输入层+一层隐含层+输出层），节点数设置为3-7-1，详细参数见程序：

d=3#输入节点个数
l=1#输出节点个数
q=2*d+1#隐层个数,采用经验公式2d+1
eta=0.5#学习率
error=0.002#精度
train_num=480#训练数据个数
test_num=240#测试数据个数

2. 初始化权值和阈值

输入层到隐含层的权值为w1,矩阵大小为d*q；隐含层到输出层的权值为w2，矩阵大小为q*l；隐含层阈值为b1，输出层阈值为b2。

w1=[[random.random() for i in range(q)] for j in range(d)]
w2=[[random.random() for i in range(l)] for j in range(q)]
b1=[random.random() for i in range(q)]
b2=[random.random() for i in range(l)]