Copula EDA-BP混合优化算法预测股票价格

股票价格的预测是广大投资者非常关注的问题,也是诸多学者不断研究的方向,神经网络具有学习样本规律的特点,通过神经网络预测股票价格是近几年研究的重点之一。Copula EDA-BP混合优化算法是利用了copula EDA的全局寻优和BP算法局部求精的特点,将两者结合起来建立了基于copula EDA-BP的模型系统,优化神经网络的权值阈值,对股票上证180的收盘价进行预测得到误差率,结果显示copula EDA-BP算法平均误差率低于BP算法,提高了传统BP神经网络的计算精度。     

基于GRNN模型的悬浮物遥感反演研究——以长江城陵矶段为例

遥感反演是监测水体表层悬浮物浓度的有效手段之一.广义回归神经网络(GRNN)较其它神经网络具有更强的非线性拟合能力,在小样本情况下有更好的推广性能,适用于遥感反演模型.使用长江中游城陵矶段HJ-1BCCD2遥感影像结合实地同步采样数据分别建立悬浮物GRNN及BP神经网络(BPNN)遥感反演模型,分析对比模型的精度,并使用GRNN模型预测了区域水体悬浮物分布信息.结果表明,相对于BPNN模型,GRNN模型具有较强的非线性拟合能力和较高的反演精度;长江干流的悬浮泥沙浓度总体上明显小于洞庭湖,这主要是三峡工程下泄泥沙大幅减少造成的;洞庭湖浑浊的湖水汇入长江后,在城陵矶至洪湖之间形成明显的混合带;而洞庭湖湖口悬浮物浓度明显高于其他湖区,这可能是该区域采砂活动的强烈扰动引起的.     

基于OPC技术和果蝇优化广义回归神经网络的海洋蛋白酶发酵过程软测量

鉴于海洋生物酶发酵过程中关键生物参数难以实时在线测量的问题,提出了一种基于果蝇优化算法(Fruit fly optimization algorithm,FOA)的广义回归神经网络(Generalized regression neural network,GRNN)与面向过程控制的对象链接与嵌入技术相结合的软测量方法。GRNN的非线性映射能力强、学习速度快,但GRNN的预测性能受平滑因子的影响比较大,因此利用FOA对GRNN的平滑因子进行寻优,以提高模型的泛化能力,采用OPC技术可以实现MATLAB和组态王之间的数据通讯,将预测的关键生物参数值传送给组态王进行实时显示与存储。通过采集海洋蛋白酶发酵过程的实验数据,建立基于FOA优化GRNN的海洋蛋白酶发酵过程关键生物参数(菌体质量浓度、基质质量浓度、酶活)的软测量模型,并与GRNN、BP神经网络、支持向量机(Support vector machine,SVM)进行对比。结果表明,基于FOA优化GRNN的软测量模型对训练样本的拟合能力和对测试样本的预测能力都远远超过GRNN、BP神经网络和SVM,通过OPC技术将MATLAB和组态王进行数据连接,实现了生物参数的实时在线测量,且系统运行的稳定性较好。     

广义神经网络在织物热传递性能预测中的应用

在分析织物热传递性能与相关影响因素之间关系的基础上,建立了织物热传递性能预测的广义神经网络模型(GRNN).并与传统的BP网络模型仿真结果进行了比较,结果表明:GRNN网络设计简单,学习收敛快,在解决小样本问题的学习中,具有更好的的预测和泛化能力,验证了GRNN网络预测的优越性和有效性.     

疾病费用预测的建模分析

根据重庆市某三级甲等医院2012年1月至2014年12月5种常见疾病（糖尿病、甲状腺功能亢进、顺产、肠息肉、脑梗死）的月人均治疗费用数据,采用BP 神经网络模型、广义回归神经网络模型、灰色GM（1,1）模型以及非线性回归模型,分别预测2015年1月至8月5种疾病的月人均治疗费用的变化情况,并与真实费用数据进行对比,判断4种模型预测的准确程度。结果表明：BP神经网络模型、广义回归神经网络模型、灰色GM（1,1）模型、非线性回归模型预测5种疾病的可决系数R2最小分别为0．278、0．565、0．048和0．097,最大分别为0．826、0．901、0．600和0．747;与2015年1月至8月的真实费用数据比较,4种模型预测的相对误差最小分别为9．845％、3．507％、5．897％和3．642％,最大分别为15．450％、13．940％、30．518％和17．204％。其中广义回归神经网络在疾病费用的预测结果相对于其他模型更准确。     

基于神经网络的织物剪切性能的预测研究

探讨织物剪切性能和结构参数之间的关系，在33种精纺毛型织物实验数据的基础上，利用BP神经网络方法，建立了精纺毛型织物剪切性能与织物结构参数之间的网络模型，并对模型进行验证和评估。结果表明可以用神经网络来预测织物剪切性能指标，限于样本量，预测平均误差率在15％左右。     

DM423摇瓶培养过程生物量的BP神经网络软测量

利用BP神经网络来描述腊样芽孢杆菌(Baeillus cereus DM423)(简称DM423)摇瓶培养过程中生物量与培养液初始葡萄糖含量和初始生物量之间的关系．建立了结构为2-6-3的BP神经网络．用所建立的神经网络对DM423摇瓶培养过程的生物量进行估算,发现估算值与实测值相当接近,表明网络有较好的泛化能力．此外,当初始葡萄糖含量超出测试样本范围时(分别为4．25和27．30g／L),网络对样本的预测结果也相当理想,预测的平均相对误差为1．95％．     

基于GRNN的电力系统短期负荷预测

提出了基于广义回归神经网络(GRNN)模型的电力系统短期负荷预测的方法,根据电力系统短期负荷变化的特性建立了反映电力系统负荷连续性、周期性及其负荷的变化趋势的模型,以此作为对GRNN进行训练的向量样本集.通过实例表明GRNN应用于电力系统短期负荷预测是可行并且有效的,其预报结果比多层前馈神经网络误差反向传播(BP)负荷预测方法更准确.     

活性艳红X-3B光催化降解的BPNN模拟研究

采用BP神经网络,以TiO2用量CTiO2、溶液初始浓度C0、溶液初始pH值、光照射时间t4个重要影响因素为自变量,以脱色率DC为因变量,基于Box—Behnken设计和U10（10×5^3）设计实验数据建模,对活性艳红X-3B（简称X-3B）溶液进行光催化降解模拟研究．该模型对训练集和预测集的预测结果的相关系数R分别为0．9947和0．9905,DCExp．与DCCal．的平均相对误差MRE（％）则分别为5．96％和6．65％．表明该模型预测性能好,对X-3B光催化降解反应具有很好的模拟效果．     

主成分分析在线性模型与非线性模型的应用研究

为了解主成分分析在线性模型与非线性模型预报中的应用效果,在2001—2011年热带气旋历史观测资料基础上,采用主成分分析方法,结合线性回归模型和神经网络模型,开展西北太平洋热带气旋的强度预报技术研究试验．根据提取的主要影响因子构造线性回归模型与BP神经网络的输入样本进行不同样本的台风强度预测．计算结果表明,主成分分析通过降低线性回归模型和BP神经网络模型的维数,减少自变量之间的复共线性,减小模型的预报平均绝对误差．