研究目的:预测是指在掌握客观对象已知信息的基础上,依照一定的方法与规律对事物的未知信息进行估计与测算。预测时所使用的预测模型多种多样,各种预测模型的预测效果如何,是应用中选择预测模型的重要依据,BP神经网络预测模型、回归预测模型是最为常用的预测模型,本文将对两者的预测原理、实际预测效果进行比较,为预测模型选择提供依据。研究方法:文献资料法、比较分析法、逻辑分析法研究结果:1)BP神经网络预测模型与回归预测模型预测原理比较从预测原理上来看,两个预测模型的区别在于:回归预测模型需人为选择被预测变量与预测变量间的函数形式,函数形式的选择直接影响模型的预测效果。而BP神经网络预测模型则不需人为选择函数形式,它是通过网络的自学习能力,建立预测变量到被预测变量的非线性映射。从BP神经网络预测模型的原理来看,只要建模样本有足够的代表性,利用网络自身的学习功能,可以得到一个预测效果比较好的预测模型。而回归预测模型,除了建模型数据要有代表性外,还需在众多的函数形式中选择一个合适的函数形式,这是一项非常困难的工作,特别是预测变量是多个的时候,更难于确定被预测变量与预测变量间的函数形式,实际运用中,往往使用较为简单的多元线性回归模型作为预测模型,这样就使得预测效果大打折扣。因此,从两个模型的预测原理上来看,BP神经网络预测模型要优于回归预测模型。2)BP神经网络预测模型与回归预测模型预测效果的比较(1)建模型数据。测得27名成年男子的体脂率(Y)、BMI(X1)、胸围(X2)、腰围(X3)、臀围(X4)等指标数据,用其中22个样品作为建模样本,用于建立预测模型,5个样品作为验证样品,用于验证所建预测模型的预测效果。(2)建立回归预测模型。以体脂率为因变量,BMI、胸围、腰围、臀围为自变量,建立对体脂率进行预测的多元线性回归模型,回归分析要求如下:自变量选取方法:逐步回归法变量进入回归方程的标准为:相伴概率≤0.1,变量被剔除回归方程的标准为:相伴概率≥0.15得到回归方程:体脂率=-38.119+0.361×胸围+0.298×腰围(3)建立BP神经网络预测模型。设计如下BP神经网络网络层数:包含1个隐含层的三层网络。各层神经元数:输入层神经元数为2,隐含层神经元数为12,输出层神经元数为1。传输函数:隐含层选用双曲正切S形函数(tansig),输出层选用纯线性函数(purelin)。网络训练函数:选用动量BP算法函数(traingdm)用Matlab2016a实现上述神经网络,用建模样本对建立的BP神经网络进行训练,得到满足精度要求的网络,训练时应达到的精度设为0.0001,最大迭代次数设为50000。(4)BP神经网络预测模型与回归预测模型预测效果分析。用回归分析所得到的回归方程、训练好的BP神经网络对建模型样本、验证样本的体脂率进行预测,得到各样品的预测值。称预测值与实际值之差为残差,残差的标准差、极差大小反映了预测的精度,是衡量预测模型预测效果的重要标准。用建立的回归预测模型对建模样本进行预测,残差的极差为12.356,标准差为2.858,对验证样本进行预测,残差的极差为3.432,标准差为1.462。用建立的BP神经网络预测模型对建模样本进行预测,残差的极差为3.665,标准差为0.730,对验证样本进行预测,残差的极差为3.387,标准差为1.407。不管是对建模样本的预测,还是对验证样本的预测,BP神经网络预测模型残差的极差、标准差都比回归预测模型的小,这说明BP神经网络预测模型的预测效果比回归预测模型的预测效果要好。研究结论:在预测原理方面,回归预测模型需人为选择被预测变量与预测变量间的函数形式,而BP神经网络预测模型则不需人为选择函数形式,在多变量的情况下,这是一件非常困难的工作,实践中往往使用较为简单的多元线性回归模型作为预测模型,这就使得预测效果大打折扣,因此从理论上说,BP神经网络预测模型要优于回归预测模型。在实际预测效果方面,通过一个实际预测实例,对两者的预测效果进行了对比,结果表明,不管是对建模样本的预测,还是对验证样本的预测,BP神经网络预测模型残差的极差、标准差都比回归预测模型的小,这说明BP神经网络预测模型的预测效果比回归预测模型的预测效果要好。