神经网络预测系统中的输出输出指标研究

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对预测结果的影响，说明在网络预测模型中，输入输出指标的选择起着不可忽视的作用。     

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．     

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。     

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。     

ARIMAX多元时间序列和BP神经网络组合模型在居民消费结构预测中的应用

将动态回归模型ARIMAX和BP神经网络算法进行结合,设计了一种组合预测模型,研究人口结构指标对我国居民消费结构的影响发展趋势,通过实证预测检验了组合预测模型在居民消费结构预测中的有效性.研究发现,组合模型在预测精度上更优于其他两个单项预测模型,因此这个组合预测模型具有良好的预测性能.     

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．     

基于理想点多属性决策算法的中长期电力负荷组合预测

对组合预测方法进行了拓展,将理想点多属性决策算法引入中长期电力负荷预测中,建立理想点组合预测模型,进行中长期电力负荷预测。所建模型中以各单一预测模型的最大误差绝对值、最小误差绝对值、平均绝对百分误差和均方根差4个评价指标的倒数为属性集,以各单一预测模型种类为方案集。计算各模型与正理想点间的偏差,根据正理想点间偏差确定各单一预测模型的权重。通过对某地区全社会用电量进行预测,并与单一预测模型进行误差比较,验证了组合模型的有效性和实用价值。     

基于粗糙集和支持向量机的股指期货预测模型研究

本文提出基于粗糙集和支持向量机的股指期货走势预测模型。在模型中首先使用粗糙集对指标集进行特征选择,剔除冗余指标,然后使用支持向量机对基于历史数据的股指期货价格走势进行预测。为了评估该预测模型的性能,将预测结果与传统的自回归移动平均模型和BP神经网络模型的预测结果进行比较。实验结果表明了该模型的有效性。     

基于神经网络集成的经济预测模型

针对单个BP神经网络用于经济预测存在的不足,提出了一种新的更有效的经济预测模型--神经网络集成.神经网络集成通过训练多个神经网络并将各网络输出进行合成,能够显著提高网络的泛化能力.以广东省江门市的经济数据为例,采用Bagging算法训练了五个BP神经网络,构建了一个神经网络集成的GDP预测模型,并运用MATLAB 7.0语言程序实现.预测结果令人满意,优于单个神经网络预测方法.实证表明,神经网络集成用于经济预测是有效可行的,同时在一定程度上克服了单个神经网络的缺陷.     

交通量的灰色神经网络预测方法

结合灰色系统思想与神经网络构成灰色神经网络,根据目前灰色模型与神经网络结合的方法,提出并联型、串联型和嵌入型3种预测模型的结构.并联型灰色神经网络首先采用灰色模型、神经网络分别进行预测,而后对预测结果加以组合作为实际预测值;串联型对多个灰色预测的结果使用神经网络进行组合;嵌入型在神经网络的输入端、输出端分别增加一个灰化层和白化层而构成.对并联型灰色神经网络给出一种根据预测模型的有效度确定加权系数的方法.将上述3种灰色神经网络模型用于对京石高速公路断面机动车实时交通量进行预测,模型精度和预测结果比较理想,优于单一预测模型.实验表明:灰色神经网络可提高预测精度,用于交通量预测方法是有效可行的.     

净水厂混凝投药建模软件的开发

针对传统的BP神经网络的缺陷，引进了模糊基函数(FBF)神经网络算法，大大改进了建模的速度和精度，通过实例证明，该算法为实现水厂混凝投药在线智能控制提供了可行性。     

基于小波神经网络的短时客流量预测研究

提出了基于小波神经网络的短时客流预测方法。对具有动态性,受多种因素影响的城轨的客流量进行短时的预测。通过建立小波神经网络对于城轨进行每隔15 min客流量预测。示例结果表明,所建立的小波神经网络的预测模型比其他的典型的预测模型预测精度高,误差小。     

基于神经网络的投资基金周净值预测

利用神经网络理论的辨识特性,建立了基金周净值预测的BP神经网络预测模型.通过对具有代表性的投资基金“基金金泰”的实证分析,表明该模型具有很好的非线性反映能力和学习能力,能准确预测基金周净值的变化趋势和上升与下降趋势的转折点,为预测基金净值未来走势提供了一个有效的方法.     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

基于神经元网络的短期电力负荷预测

基于多层感知器可任意精度逼近线性或非线性函数的基本原理，提出一种考虑气候影响因素的多层前馈神经网络的短期负荷预测方法，并给出相应的反向传播算法（BP）的构造过程和训练方法，研究结果表明，基于神经元网络的短期电力负荷预测方法具有精度高的特点，负荷预测结果的相对误差小于3．67％。     

基于小波分析和RBF神经网络的铜价预测

提出一种非线性时间序列预测方法,即把小波分析结合RBF神经网络预测方法对非线性时间序列进行预测。对铜价的预测结果表明,该方法比单纯的小波预测或单纯的RBF网络预测精度高,可以很好的应用于某些非线性时间序列的预测中。     

基于主成分分析的短期负荷预测模型

电力负荷预测的准确性直接影响到电力系统的安全性和经济性,但在应用神经网络进行短期负测精度造成了显著的负面影响。针对这一问题,本文采用多元统计分析中的主成分分析,根据各主成分贡献率对输入空间进行约简,提取线性无关的输入变量,以此达到压缩变量维数的目的,然后利用考虑模型输入变量相互关系的递推合成BP网络进行预测,使之更符合电力短期负荷预测的特点,提高模型的预测精度。仿真实验的结果表明,该简化模型用于短期负荷预测建模速度快、预测精度高,是一种行之有效的方法。     

能源需求的支持向量机预测

对灰色、神经网络和支持向量机的三个预测模型进行了研究,以某城市的1999-2006年能源需求为例,对能源需求进行了预测.经过比较,支持向量机的预测方法精度较高.