W-RBF神经网络模型在中药材价格预测中的应用

中药材作为一种特殊的农产品,其价格态变化过程呈现出高度复杂的非线性特征,增加了中药材价格预测的难度.通过研究影响中药材价格的主要因素,并在分析传统价格预测方法的基础上,针对中药材价格变化具有随机性、突变性和非线性的特点,通过小波和RBF神经网络结合构建一个中药材价格预测模型(W-RBF).采用W-RBF神经网络模型对白芍价格进行预测,并将预测结果与RBF神经网络模型预测结果做了比较.实验结果说明,W-RBF神经网络模型预测准确率明显提高,比RBF神经网络模型更具优越性.     

基于BP神经网络与灰预测方法的杭州市城市生活垃圾产量预测研究

通过分析影响城市垃圾数量的主要因素,利用灰预测方法构建未来数据,建立了一个考虑人口数量、人均收入影响下的BP神经网络模型,对未来10年的杭州市生活垃圾数量进行预测,得到较好的结果.     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

基于 BP 神经网络与灰预测方法的杭州市城市生活垃圾产量预测研究

通过分析影响城市垃圾数量的主要因素，利用灰预测方法构建未来数据，建立了一个考虑人口数量、人均收入影响下的B P神经网络模型，对未来10年的杭州市生活垃圾数量进行预测，得到较好的结果。     

基于深度学习的采动地裂缝成因分析和预测

基于深度学习,提出了一种分析采动地裂缝成因及预测地裂缝发育程度的方法。通过分析官地煤矿的井田地质测量资料和实地调查,确定了11类影响地裂缝发育的因素;依据地裂缝面积与采空区面积的比值,将地裂缝发育程度分为4类。利用深度学习的方法,构建了全连接深度神经网络模型(DNN)对裂缝发育程度进行预测;以预测准确率为指标,通过6次特征选择对影响因素的重要性进行了分析。特征选择的结果表明:开采层数、开采总厚度、开采宽度、开采深度、砂泥岩比、开采长度是影响地裂缝发育的主要特征,地质构造和地表出露是次要特征,煤层倾角、地形坡度、相对位置是冗余特征。与卷积神经网络(CNN)及循环神经网络(RNN/LSTM)模型的训练结果相比,DNN模型预测准确率较高。     

基于二阶粒子群算法优化的神经网络再制造工件疲劳寿命预测

再制造工件多元异质材料特性及工艺参数对疲劳寿命的影响,使得传统的疲劳寿命计算方法无法适用于再制造工件,针对此问题建立了再制造工件疲劳损伤预测修正模型,并通过疲劳试验分析了不同熔覆厚度和宽度条件下对试件疲劳强度和可靠性寿命的影响,同时获取了寿命预测修正系数;进而采用二阶粒子群算法优化的反向传播(back propagation,BP)神经网络,构建了材料性能参数、应力水平及再制造工艺影响因素与疲劳寿命之间的关系模型,针对再制造工件进行寿命预测。结果表明,神经网络的预测结果与试验数据相符,优于数值计算预测模型,为实现再制造工件的疲劳寿命预测提供了一种新的方法和手段。     

基于神经网络分位数回归的行业成本预测研究

针对成本在经济学系统中变化的非对称,与其影响因素之间的非线性关系,提出采用神经网络分位数回归法来研究成本与各影响因素之间的联系,并进行成本预测;该方法不仅可以通过神经网络结构模拟经济系统中非线性关系,还可以通过分位数回归功能揭示各影响因素对成本整个条件分布的影响规律;通过实证结果分析,神经网络分位数回归模型相较于OLS回归模型和分位数回归模型其预测精度更高,且揭示了各因素的影响规律,所以神经网络分位数回归模型的分析结果更科学,更有价值,更有助于相关管理决策者进行成本分析、控制和管理。     

乙炔羰基化合成丙烯酸甲酯催化性能的人工神经网络模拟

通过神经网络技术可找出催化工艺与催化性能之间的关联性,从而对催化性能进行预测,达到提高研究效率的目的.本文针对训练样本中奇异样本对神经网络模型预测能力和泛化能力的影响,将遗传算法思想引入神经网络,构建神经网络模型动态训练集,建立了遗传算法-神经网络模型(GARBF);利用GARBF模型对乙炔羰基化合成丙烯酸甲酯催化性能进行预测模拟.结果表明:与RBF相比,GARBF的预测精度明显提高,对于六组测试集,平均相对误差从2.94％降低到1.18％,体现了更强的泛化能力.     

基于RBF神经网络的页岩气丰度预测

对页岩气成藏条件进行分析认为,机质含量、类型、成熟度、储层厚度、埋藏深度和孔隙度等为影响页岩气成藏的主要因素;依据四川盆地和北美页岩气形成的地质条件的相似性和所收集的大量页岩气数据,利用RBF神经网络构建了各主要因素与资源量丰度的网络模型,并用MATLAB对网络模型进行训练。对Ohio和龙马溪组页岩资源丰度进行了预测,预测误差分别为27.5%和3.5%,表明RBF神经网络模型可较好预测页岩气产量,对页岩气开采和勘探具有参考价值。     

基于BP神经网络的充填钻孔使用寿命预测

针对充填钻孔的使用寿命受很多因素的影响,并且影响因素与钻孔使用寿命之间不存在显著线性关系的特点,采用人工神经网络方法来研究钻孔使用寿命预测的问题。通过对金川公司充填钻孔进行调查分析,找出影响钻孔使用寿命的主要控制因素,建立结构为3—9—1的三层BP神经网络模型来预测金川矿区充填钻孔的使用寿命。结果表明,预测值与实际值拟合得较好,最大误差为13．58％,验证了用BP神经网络预测钻孔使用寿命的可行性。     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

基于回归神经网络的柴油机NOx排放预测及影响分析

针对柴油发动机NOx排放量的预测问题与其影响参数进行研究。通过构建训练神经网络回归算法模型(recurrent neural network, RNN),基于发动机试验过程中采集的大量样本数据训练和预测NOx排放情况;预测结果表明,该网络模型的预测值与目标输出值之间的误差满足实际工程需求,具有良好的预测精度和泛化性能。基于参数最优的神经网络回归模型,采用平均影响值(mean impact value, MIV)算法定量地分析各输入参数对目标输出参数的影响权重,进一步分析影响NOx排放的关键影响因素;结果表明,本文采用的MIV算法可以准确判断各输入因子对网络输出的相对影响权重,实现关键影响因子的分析。     

综采面区段煤柱宽度预测GRNN模型构建与应用

以近水平煤层综采工作面区段煤柱合理宽度预测为目标,分析了近水平综采工作面煤层内聚力、煤层厚度、弹性模量、内摩擦角、容重、泊松比、埋深、工作面长度、煤层倾角对区段煤柱留设的影响因素与关系。基于广义神经网络算法构建了近水平综采工作面区段煤柱留设宽度的神经网络预测模型。以某矿典型工作面为背景,运用所构建的广义回归神经网络进行预测并运用四折交叉验证算法对光滑因子进行优化,消除了模型构建参数选择的人为影响。预测结果表明与工作面实际区段煤柱仅有1%左右的误差。为验证广义回归神经网络的优越性,建立了普通BP神经网络模型进行对比,得出GRNN模型对于多种影响因素非线性耦合预测结果具有较好稳定性与精确性,为实现近水平综采工作面的精准开采提供了参考依据。     

基于BP神经网络的空洞型采空区稳定性评价研究

通过分析空洞型采空区稳定性的影响因素,依照BP神经网络原理,构建出适合空洞型采空区稳定性评价的BP神经网络模型。再通过收集到的空洞型采空区稳定性样本对所构建的BP神经网络进行训练,得出空洞型采空区稳定性评价BP神经网络模型,并应用检测样本测试其准确性。并以陕北讨老乌素煤矿采空区为例,应用训练好的BP神经网络模型对其进行预测评价,最终得到了与实际情况吻合的结果。     

大规模MIMO组网场景中的网络时延预测

针对5G网络规划与优化存在的问题,提出一种融合系统仿真和深度神经网络模型的网络时延预测方法.基于射线追踪模型、高清地图、工程参数等构建时延仿真模型,利用时延仿真模型获取大量时延数据.基于无线通信理论提出三视图特征模型,此模型用于输入特征提取.通过深度神经网络学习时延数据特征,训练神经网络模型,利用神经网络模型预测网络时延.实验结果表明该方法具有可行性和有效性.     

基于灰色网络组合优化的年增油量预测

老井措施增油成为油田稳产、降低油田区块开发成本的必然选择。针对多项式回归预测的局限性、灰色理论不能反映影响因素特征、神经网络需求数据多且数据敏感性差等特征,通过建立最优控制模型,实现GM（1,1）灰色理论与神经网络的高精度组合预测。以某油田区块2011-2018年的措施增油为例,对影响措施增油量的因素进行识别,建立了最优控制灰色神经网络模型对老井措施年增油量进行预测,相比多项式回归预测、GM（1,1）预测及BP神经网络预测方法,新模型模拟效果更好,预测精度更高。新方法对2018年措施年增油量的预测精度达97.34%。基于最优控制的灰色神经网络模型可以作为一种人工智能组合最优化模型预测措施年增油量,为准确预测措施增油效果,指导油田开发决策提供了新的思路。     

基于粗糙集和神经网络的薄带钢厚度预测

针对传统数学模型预测精轧出口厚度逐渐不能满足精度要求的现象,提出一种基于粗糙集和神经网络的热轧薄带钢厚度预测方法。该方法通过对精轧出口厚度影响因素进行属性约简,找出主要影响因素,以此作为径向基函数神经网络预测模型的输入,从而提高网络的收敛速度与预测精度。仿真结果显示,粗糙集神经网络预测模型优于传统数学模型,并且样本的预测误差基本控制在-0.05~0.05 mm以内。     

基于门循环单元神经网络模型的煤层底板突水动态预测

在煤层底板突水理论及现场实测数据分析基础上,建立了煤层底板突水影响因素突水指标,并通过Wrapper评价策略的特征选择,筛选出了影响煤矿底板突水的主控因素。在对动态的煤层底板突水门循环单元神经网络模型进行训练并完成构建之后,将其与三种静态神经网络预测模型进行比较。结果表明:煤层底板突水门循环神经网络模型预测的准确率在训练、验证及测试阶段都高于静态神经网络预测模型,能够很好地完成煤层底板突水预测,提高煤矿生产安全。     

基于长短期记忆神经网络模型的共享单车短时需求量预测

共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LSTM)神经网络模型预测共享单车的短期需求量,并与传统的循环神经网络(recurrent neural network,RNN)和BP(back-propagation)神经网络模型预测结果进行比较。实验结果表明:影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;与传统BP神经网络算法和循环神经网络RNN算法相比,LSTM鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合;预测精度高(精确度为0.860)均方根误差最小(为0.090),误差小。可见LSTM模型可以用来对共享单车的短时需求量进行预测。     

基于BP神经网络的城市时用水量分时段预测模型

针对目前时用水量预测模型中对时用水量影响因素分析研究较少的问题,通过分析各种时用水量影响因素与时用水量之间的相关性,筛选出时用水量的主要影响因子;通过分类将1 d划分为3个时段,建立分时段用水量模型。采用BP神经网络预测,精度指标采用平均绝对百分比误差(MAPE)表示。实例分析结果表明:模型预测MAPE均在5%以内,预测精度较高,满足供水系统优化调度的要求,为城市时用水量预测提供一种简单可行的思路和方法。