申请/专利权人：南京航空航天大学

申请日：2020-12-02

公开（公告）日：2024-03-22

公开（公告）号：CN112651168B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/084;G06Q50/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.04.30#实质审查的生效;2021.04.13#公开

摘要：本发明公开基于改进神经网络算法的建设用地面积预测方法，包括如下几个步骤：步骤一、收集各年度待预测地区建设用地面积及其影响因素样本数据；步骤二、构建含一层隐含层的三层结构反向传播神经网络，以影响因素项数作为输入层节点数、以1作为输出层节点数，结合试凑法和以下公式求解得到一组隐含层节点数；步骤三、训练模型，步骤四、模型定型，比较各假设模型相应的测定系数、变异系数，以其中精度最高的假设模型作为预测未来建设用地面积的定型模型。

主权项：1.基于改进神经网络算法的建设用地面积预测方法，其特征在于：包括如下步骤：步骤一、收集数据——收集各年度待预测地区建设用地面积及其影响因素样本数据；步骤二、构建网络——构建含一层隐含层的三层结构反向传播神经网络，以影响因素项数作为输入层节点数、以1作为输出层节点数，结合试凑法和以下公式求解得到一组隐含层节点数； m＝log2n2 其中，m：隐含层节点数；n：输入层节点数；l：输出层节点数；α：1-10之间的常数；步骤三、训练模型，具体包括：第一步、将收集的样本数据按前、中、后时间顺序分为训练集、验证集和测试集，对模型进行假设，并确定所述反向传播神经网络的输入与输出；第二步、用训练集中的样本数据分别训练不同隐含层节点数的各所述神经网络，正向计算各层单元的激活值、反向计算各层单元激活值误差、计算代价函数关于各参数的偏导项，利用梯度下降法更新参数矩阵、重复所述正向计算与反向计算，直至各所述神经网络的预测输出值与实际值误差在5％以内，固定此时的参数，进而确定相应的假设模型；第三步、将验证集样本数据分别输入各假设模型，预测相应的建设用地面积值，当误差大于5％时，重新训练该模型，当误差小于5％时，进入下一步，以此来对模型进行验证；第四步、将测试集样本数据分别输入各假设模型，得到相应的预测建设用地面积值；步骤四、模型定型——比较各假设模型相应的测定系数、变异系数，以其中精度最高的假设模型作为预测未来建设用地面积的定型模型。

全文数据：

权利要求：

百度查询： 南京航空航天大学 基于改进神经网络算法的建设用地面积预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD