神经网络预测系统中的输入输出指标研究

建立了一个用一串ＢＰ网络组成的、用于地区主要经济指标预测的人工神经网络系统,给出了该模型在两个地区应用中得出的不同结果;在分析这两种预测结果的基础上讨论了预测模型中输入输出指标变化对预测结果的影响．说明在神经网络预测模型中,输入输出指标的选择起着不可忽视的作用．     

物流网络中多地区配送需求预测方法

物流网络较为复杂,当前预测方法只采用一种方法对物流网络中多地区配送需求进行预测,无法保证预测精度。提出一种新的需求预测方法,通过两个或两个以上不一样的预测方法,对物流网络中多地区配送需求进行预测,构建物流网络中多地区配送需求组合预测模型,对不同方法进行加权组合,通过熵值法对组合预测模型的组合权重进行计算,充分利用不同预测方法的优点,获取较优的预测结果。通过残差检验和后验差检验,对组合预测模型的配送需求预测能力进行评价。实验结果表明,所提方法具有很高的预测精度。     

物流网络中多地区配送需求预测方法研究

物流网络较为复杂,当前预测方法只采用一种方法对物流网络中多地区配送需求进行预测,无法保证预测精度。提出一种新的需求预测方法, 通过两个或两个以上不一样的预测方法,对物流网络中多地区配送需求进行预测,构建物流网络中多地区配送需求组合预测模型,对不同方法进行加权组合,通过熵值法对组合预测模型的组合权重进行计算,充分利用不同预测方法的优点,获取较优的预测结果。通过残差检验和后验差检验,对组合预测模型的配送需求预测能力进行评价。实验结果表明,所提方法具有很高的预测精度。     

基于机器学习的锚固岩质边坡变形预测

锚索锚固是一种广泛使用的边坡加固技术,锚固性能的研究是锚固的核心问题之一。利用有限差分程序建立324组物理力学参数不同的锚固边坡,组成包括锚索参数和岩土体性质参数的9维输入指标和以沉降位移和塑性区面积为输出指标的数据集,分析输入输出指标间的关系。随后用随机森林和神经网络方法学习数据并建立层状边坡变形预测模型。分析显示,边坡沉降位移和塑性区面积预测结果变化对锚索性质参数中锚索总长度变化最敏感,锚固力的变化影响最小;其次岩土体物理力学性质中边坡力学指标黏聚力、内摩擦角起主要影响作用,岩土体密度变化影响最小;对预测结果的误差分析表明随机森林变形预测模型预测准确性比BP神经网络变形预测模型高5%~10%;模型预测沉降的偏差率小于预测塑性区面积的偏差率。研究表明随机森林算法在锚固效果预测问题上更加具有适用性,通过建立预测模型可以快速预测锚固边坡沉降位移和塑性区面积,指导锚固方案优化和变形控制设计。     

对前馈型神经网络股价预测的一点改进

为减小预测误差，目前的方法是：选择对股价有显著影响的输入变量；调整网络结构及选择合适的参数；优化学习算法．这些方法都是以实际股价作为网络的预测．本文提出的方法是以相邻两天的股价差价作为网络的预测．本文在相同的数据上分别建立股价预测模型和股价的差价预测模型，并对它们的结果进行对比分析，结果表明差价预测模型的预测误差小，预测效果好．     

神经网络在大米蛋白质含量预测模型中的应用

大米蛋白质含量是影响大米营养及食味特性的一个重要指标．借助主成分分析，确立了用于近红外光谱分析的BP神经网络的输入输出模式对；并用BP神经网络方法建立了不同类型、不同粒度的大米样品蛋白质含量预测模型；考察了模型的预测能力，其预测值与用标准方法取得的化学分析值间具有良好线性关系，相关系数达0．90以上，用BP神经网络可降低样品粒度的不同对预测结果造成的差异．     

权函数神经网络及在选矿厂能耗预测中的应用

针对大孤山选矿厂磁选工艺过程的多指标强耦合、时变、非线性和大滞后等特点,使基于数学模型的常规预测方法难以应用问题,提出一种新型的权函数神经网络建立能源消耗预测模型。该模型网络拓扑结构只有输入输出两层,网络权值由传统的常数改为权函数。在权函数构造上,结合选矿厂实际生产过程中所提供的生产数据,根据数据样本间隔距离的大小,分别采用不同的函数作为网络的权函数。训练算法仿真实验表明,该算法计算量小,且建模误差为10^-2数量级,取得很好的预测效果,从而克服了传统算法局部极小与收敛速度慢的问题。     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

金华地区未来30年气候变化的预测

本文用灰色系统拓扑预测方法，对金华地区的气候长期变化趋势的预测能力进行了研究。结果表明：该预测模型具有较高预测精度和预测准确率。用该预测模型对金华地区未来３０年气候变化趋势进行预测，结果与已有的研究结论一致。     

基于相关分析-BP神经网络的股价预测

神经网络的最大优点在于对复杂的系统不需要清楚的知道其内部机理，只要确定其输入输出变量；就可以构造一个网络模型来模拟这个系统．基于此，本文提出采用相关分析技术对输入变量做预处理，优选输入变量．分别建立未经预处理的网络预测模型和本文提出的模型，通过实验对比，本文模型具有更高的预测准确度．     

基于机器学习算法的网络货运平台车货匹配预测研究

根据影响网络货运平台车货匹配的指标，结合车货市场实际情况，建立网络货运平台车货匹配初始特征集，利用Lasso回归模型和皮尔森相关系数去除价值较低的特征，得到最佳特征集，将其作为网络货运平台车货匹配预测模型的输入。选择具有集成学习特点的Stacking模型作为网络货运平台车货匹配预测模型，通过各基学习器对特征集的训练与测试，得到相应的预测结果，形成新的特征集输入至元学习器，再通过元学习器的训练与测试输出最终网络货运平台车货匹配预测结果。实验证明：该方法可以精准预测网络货运平台车货匹配情况，有效提升资源利用率，具有较强的应用价值。     

烧结矿质量预测的BP网络模型

利用遗传算法与神经网络相结合的方法 ,建立了烧结矿质量预测模型 ,并改进BP网络学习算法 ,预测烧结矿FeO质量分数wFeO 和烧结矿碱度R指标 .仿真结果表明 ,模型能取得良好的预测结果     

烧结矿质量预测的BP网络模型

利用遗传算法与神经网络相结合的方法,建立了烧结矿质量预测模型,并改进BP网络学习算法,预测烧结矿FeO质量分数wFeO和烧结矿碱度R指标.仿真结果表明,模型能取得良好的预测结果.     

基于ANSYS与BP神经网络的轧花速度预测方法

为实现对轧花过程中轧花速度的预测以及在生产中选择合适的速度值,以达到优化原棉品质指标的目的,设计了BP神经网络模型.采用ANSYS软件对轧花过程进行模拟,得到锯片在不同转速下的支反力,并以南疆地区的机采棉为研究对象,以回潮率、支反力以及短绒率为输入量,以轧花速度为输出量,建立了BP神经网络预测模型并对网络进行训练和测试.结果表明:该预测模型可以很好地对轧花速度进行预测,平均预测误差率低于1%.由此表明,可以通过调节轧花速度来提高原棉品质.     

基于次邻近度的组合预测模型研究及其应用

对邻近度这一概念在实际应用过程中存在的不足做出改进,基于标准化的思想,提出次邻近度的概念,并提出了基于次邻近度的线性组合预测模型。首先给出次邻近度的相关概念,然后分别采用指数预测模型、一元线性回归预测模型、GM(1,1)灰色预测模型三种单项预测方法对数据进行预测,接下来建立基于次邻近度的线性组合预测模型,用线性规划方法计算出三种单项预测方法的组合权重。最后求出组合预测结果并对比分析四种预测模型在常用评价指标上预测效果的优劣。从对安徽省2001-2018年GDP的历史数据的实例分析可知,该组合预测模型在各指标上效果均优于单项预测结果,验证了本模型的有效性和和合理性。     

预测模型可靠性的模糊数学评价方法

预测模型的可靠程度是通过预测结果中分布规律的可信度体现出来的。针对常见的预测模型可靠性评价中存在的问题，将预测模型预测结果的可信概率定义为预测模型的可靠度，提出了一种评价预测模型的新方法。在新方法中，运用模糊数学理论对预测结果的可信程度进行了评价，建立了预测结果可信度与预测结果相对误差绝对值之间的隶属函数关系，并将模糊数学与可靠性理论相结合，给出了求解预测模型可靠度的计算公式。以含蜡原油粘-温关系模型为例，对新方法的评价过程进行了验证。结果表明，对同一种油样采用不同的隶属函数，或对不同油样采用同一个隶属函数，所得预测模型的可靠度均不相同，这说明该方法具有通用性。     

带误差补偿的GPC对网络控制系统时延的解决

针对网络控制系统(NCS)具有不确定时延的特性，提出了将广义预测控制(GPC)应用于网络控制系统的思想。为了克服模型失配和系统不确定性的影响，基于BP神经网络建立一个误差的预测模型，用误差预测值对输出预测值进行补偿，构成新型的广义预测控制算法，并采用了平滑滤波的加权输入控制律。在网络控制系统中，测试了网络数据传输的随机延迟时间特性，比较了GPC和具有BP网络预测误差补偿的GPC两种控制方法，验证了具有BP网络预测误差补偿的GPC在模型失配时的更好的控制性能。     

小波神经网络在绝缘子漏电量预测中的应用

为了实现对绝缘子漏电量的准确预测，提出了基于小波神经网络的预测模型，分析了网络的拓扑结构，给出了网络学习方法．通过对绝缘子漏电量样本数据进行预处理，生成学习样本和测试样本，进而对预测模型进行测试，实现了对绝缘子漏电量的准确预测．将其应用于电业局的绝缘子漏电量预测中，达到了实际应用的精度要求．实验和实际应用表明，该预测模型的误差小，精确度高，能有效地预测绝缘子漏电量。     

动态灰色预测模型在大坝变形监测及预报中的应用研究

详细地讨论了灰色预测模型GM（1，1）和动态灰色预测模型的基本内容及建模过程，并成功地将等维新息和等维灰数递补两种动态灰色预测模型应用于大坝变形的预测预报。实践证明，等维新息动态预测由于实时地加入了新的信息，提高了灰区间的白色度，预测效果最好；等维灰数递补动态预测利用了序列建模的结果，淡化了灰平面的灰度，使预测结果有所改善；GM（1，1）模型由于是静态地反映系统的变化趋势，预测的精度最低。因此，动态灰色预测模型在大坝变形的预测预报中比静态预测模型具有更高的应用价值。     

单输出径向基神经网络在烟叶品质预测中的应用

提出了利用三层单输出径向基神经网络预测烟叶品质的方法。首先对由实验得到的常规化学指标和烟叶评价指标数据进行归一化处理；然后通过教师样本数据对网络进行充分的训练，获得适宜的参数矩阵；最后用训练好的网络对检验样本进行预测。