基于BP神经网络客运量的分析及预测

客运量分析预测是一个复杂的非线性系统，针对传统分析预测方法的不足，采用BP神经网络对客运量进行分析及预测，通过对1990—2002长江三角洲地区社会经济数据与客运量数据的处理，建立了客运量的神经网络预测分析模型，借助MATLAB7．0软件，进行网络学习与训练仿真实验，与线性回归模型分析预测结果进行对比，结果表明应用BP神经网络对客运量的分析预测精度更高、效果更好。     

车用锂离子动力电池剩余寿命非线性组合预测研究

针对单一预测模型难以准确预测锂电池的剩余寿命（remaining useful life, RUL）难题,提出了非线性组合预测方法;利用相空间重构,对实验采集到的数据进行重构,将重构后的数据对改进Elman神经网络和非线性自回归（nonlinear autoregressive with exogenous input,NARX）神经网络这2个单项预测模型进行训练和预测;采用RBF神经网络对2个单项模型的预测值进行非线性组合,获得最终的RUL预测值．结果表明:非线性组合预测方法的均方根误差比PCA-NARX方法提高了近1%,比NARX方法提高了近2%,比改进Elman方法提高了近3%;非线性组合预测方法具有较高的精度及泛化能力,采用相空间重构技术有利于提高非线性组合方法的预测精度．      

基于改进神经网络的疲劳裂纹扩展速率预测

裂纹的萌生与扩展是一个复杂的非线性动力学过程,裂纹扩展速率具有非线性动力学系统的混沌现象和自组织特征.将BP神经网络和L-M贝叶斯正则化算法相结合,可使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高.文章利用16MnR钢CT试样实测数据进行网络训练,训练好的神经网络可以对该材料的疲劳裂纹扩展速率进行较为精确的预测.     

基于神经网络的公路货运量预测方法研究

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立BP神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对BP神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证BP神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.     

基于BP神经网络的干热风灾害预测

干热风是我国新疆，西北等地农业气象灾害之一，其形成因素呈现复杂的非线性关系．利用传统方法很难建立起一个精确完善的预测模型．人工神经网络具有强大的非线性映射能力，尤其是BP神经网络在预测领域中被广泛应用．本文利用BP神经网络对干热风灾害进行了预测．结果表明，基于BP神经网络的干热风预测模型误差小，能达到满意的效果．     

基于神经网络的资源型城市可持续发展指标体系

以BP神经网络为模型，借助Matlab语言对某资源型城市的国民经济和可持续发展指标进行了分析预测，在数据采集和预处理的基础上，设计程序来对网络进行训练，用训练好的神经网络预测未来的指标数据，并利用预测数据对城市发展趋势进行分析，为资源型城市发展模式的选择提供依据．     

基于神经网络的黄金期货价格的预测

黄金期货市场是一个极其复杂的非线性动力系统,由于神经网络具有很强的非线性逼近能力,理论上能无限逼近任意非线性函数.选用了应用最广泛的BP 神经网络模型来预测黄金期货的价格.对采集到的影响黄金期货价格的因素数据进行了归一化处理后建立BP神经网络并进行了模拟训练,然后用训练好的网络进行检验,并比较了输出结果和真实值,发现用BP神经网络模型能够将误差控制在一个较小的范围内.经过实证研究可以发现BP神经网络用于价格预测可达到较好的效果.     

神经网络在波罗的海运价指数预测中的应用研究

波罗的海运价指数一直受到航运与国际贸易界的高度关注，研究波罗的海运价指数的波动规律，探讨其发展变化趋势日益为人们所重视．当前对波罗的海运价指数的预测主要采用时间序列方法，这些方法计算过程复杂，而且适应性相对较弱．利用BP网络强大的非线性映射功能，建立了一个预测BFI走势的模型，分别从短期与中长期对波罗的海运价指数进行预测，并用实际数据进行了验证，结果表明，利用神经网络对BFI进行预测具有很高的预测精度．     

基于神经网络的预测控制模型研究

本文研究基于生产过程输入输出数据建立系统的神经网络模型问题，训练好的神经网络可作为预测模型，实现非线性系统的预测控制；这对一大类过程控制系统的建模与控制具有启发意义。     

基于集合卡尔曼-Elman网络的软测量建模方法

污水处理系统是一个复杂的非线性、大时延的动态系统，由于工艺的复杂性、检测设备的不完备性以及经济成本的限制，一些重要的出水指标无法实现精准的检测。为解决此问题，文中提出了基于集合卡尔曼-Elman网络的软测量方法。传统动态神经网络具有能够处理时延信息数据的动态记忆能力，可用于基于数据驱动的软测量建模过程。但是，常规训练方法容易使神经网络陷入局部最小值，导致模型预测性能欠佳。鉴于此，文中引入集合卡尔曼滤波技术和对偶有限样本集合卡尔曼技术对典型的动态神经网络——Elman神经网络进行无梯度训练，构建新型软传感器模型，不仅有效提高了传统Elman神经网络的预测能力，而且提供了一种简单、无梯度的神经网络训练方法。将该方法在加州大学欧文分校的污水处理数据（UCI数据）上进行验证，结果表明，文中方法具有较好的预测性能，集合卡尔曼滤波技术可作为一种无梯度的替代方法来训练神经网络。     

基于复杂系统的短期负荷预测研究及系统设计

运用复杂系统理论分析电力系统.采用聚类方法对用电区域进行子系统划分,并通过改进的神经元网络算法和增加天气因素的预测方法进行短期负荷预测.通过算例和电力系统应用,证实了该算法的可行性,较显著地提高了负荷预测的准确率.     

基于电信行业小波神经网络模型的应用

为对未来电信业务总量和各类用户数进行有效预测, 利用分析历年电信业务总量和各类用户数, 建立小波神经网络预测模型, 以提高预测精度。在神经网络预测模型建立中, 神经网络中的转移函数使用小波函数替代, 从而得到小波基神经网络系统; 通过对自适应学习速度和参数初始值选取的改进, 获得高几率初始参数并加快算法收敛速度。     

神经网络技术在织机生产状况预测中的应用

为提高织机生产效率,研究了基于优化神经网络的织机生产运转状况预测方法.针对BP网络模型的缺点,在反复实验的基础上对BP网络参数、算法进行改进,建立了织机生产运转状况预测模型,并与传统的BP神经网络预测方法进行比较.实验结果表明,利用改进的BP神经网络预测织机生产运转状况时,网络收敛速度快,预测精度高,优于传统的BP网络...     

组合模型在机械故障预测中的应用

机械故障预测中,反映系统变化的特征参数往往含有多种趋势成分.引入组合预测模型,用灰色模型描述机械故障发展中的确定性趋势,用AR时间序列模型描述机械故障中的随机趋势.实践证明,较单一模型具有更高的预测精度.     

基于RBF神经网络预测模型及其应用研究

利用径向基函数（Radial Basis Function,RBF）神经网络采预测结构初期损伤对整体的影响,可以有效地判断结构的稳定性．由于神经网络可以通过对样本的反复学习来反映整体结构复杂的非线性演化关系,其预测精度可以满足要求．RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性．本文通过有限元计算得出样本作为基础,采用RBF神经网络建立初期损伤的预测系统,通过最近邻聚类学习算法实行整体结构预测,这种研究思路具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强,计算效率明显优于传统方法．本系统采用Fortran语言编写,最后通过一个实例说明本系统的有效性及实用性．     

径流中长期预报模糊优选神经网络模型应用研究

预报因子选择与模型训练精度确定,是模糊优选神经网络模型应用于径流中长期预报时有待研究解决的两个重要问题.应用预报因子集与预报量间的复合非线性相关分析方法选择预报因子(集),克服了通常单因子线性相关分析选择预报因子的不适用性;通过定义综合效应系数来综合评价模糊优选神经网络模型的拟合能力与外推预报能力,为研究模型的拟合精度高而外推预测精度低的问题提供了一种解决方法.     

基于关联规则的态势预测方法

态势预测是网络态势感知的重要环节,可以为网络管理员提供必要的决策支撑。为了实现对网络的大数据管理模式,针对当前预测算法无法充分利用大数据优势的局限,提出了基于关联规则的态势预测方法。该方法综合考虑了大数据的特点和态势预测的需求,给出了方法的基本思想和实现流程。实验结果表明,提出的方法与传统预测方法相比,通过寻找数据间的关联物而不是非线性匹配来达到预测的目的,大大降低了计算的时间复杂度,提高了预测效率。     

A Novel Method for Nonlinear Time Series Forecasting of Time-Delay Neural Network

Based on the idea of nonlinear prediction of phase space reconstruction, this paper presented a time delay BP neural network model, whose generalization capability was improved by Bayesian regularization. Furthermore, the model is applied to forecast the import and export trades in one industry. The results showed that the improved model has excellent generalization capabilities, which not only learned the historical curve, but efficiently predicted the trend of business. Comparing with common evaluation of forecasts, we put on a conclusion that nonlinear forecast can not only focus on data combination and precision improvement, it also can vividly reflect the nonlinear characteristic of the forecas ting system. While analyzing the forecasting precision of the model, we give a model judgment by calculating the nonlinear characteristic value of the combined serial and original serial, proved that the forecasting model can reasonably catch＇ the dynamic characteristic of the nonlinear system which produced the origin serial.