中国粮食生产的多元回归与神经网络预测比较

对1978-2000年影响我国粮食生产的7个因子分别建立了多元回归分析预测模型BP神经网络多变量输入预测模型。实证研究结果表明，与回归预测模型相比，用BP网络建立的模型经过训练后，可得到影响粮食产出的主要因子及其之间的非线性关系，网络模型新颖，具有很高的预测精度及较好的预测效果，可广泛应用于各种预测研究，有较高的推广价值。     

非线性神经网络模型及在粮食生产预测中的应用

本利用非线性神经网络BP模型，对我国粮食生产进行了实证预测研究。结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出与各因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果。可广泛应用于各种预测研究，有较高的应用推广价值。     

灰色神经网络交通事故预测比较

针对BP神经网络多变量输入难以确定的缺点,提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型,实例证明,该方法预测精度优于全输入BP神经网络预测。进一步提出了应用选优BP神经网络输入预测和GM(1,N)组合预测的模型,它结合了灰预测利用少数据累加生成建模,容易找出数据变换规律的特点和神经网络能很好地非线性逼近,又需要较全数据的特点。实证研究结果表明,该组和网络模型获得了更准确的预测值,模型新颖,具有更好的预测精度,可广泛应用于各种预测研究,有较高的推广价值。     

区域高职教育需求的系统预测

对1998至2002年影响区域高职教育需求的几个因子分别建立了多元回归分析预测模型和BP神经网络多变量输入预测模型.实证研究结果表明：与回归预测模型相比,用BP网络建立的模型经过训练后,可得到影响区域高职教育需求的主要因子及其之间的非线性关系,具有很高的预测精度及较好的预测效果.     

基于小波去噪的灰色关联BP神经网络在大坝沉降变形监测中的应用

针对大坝变形中存在多种影响因子干扰的问题,提出了基于小波去噪的灰色关联BP神经网络模型.首先利用小波阈值去噪方法对数据进行处理,然后通过灰色关联分析对大坝沉降变形监测中多种影响因素计算分析,得出关联度大的影响因子,将灰色关联分析和BP神经网络相结合建立模型,最后与未经数据处理的灰色关联BP神经网络以及卡尔曼滤波模型进行对比分析,得出结论.实验表明,经过小波去噪数据处理后,提高了灰色关联BP神经网络模型的预测精度和可靠性.通过灰色关联分析,可以对大量的输入变量进行处理,而不必经过主观的筛选,进而增加了BP神经网络的适应能力,同时预测的结果比其他单一模型更加接近最终实测值,具有更高的准确性与可信度.     

基于BP神经网络的江西省铁路货物周转量预测

采用灰色关联分析法筛选出江西省铁路货物周转量的主要影响因素,在此基础上建立了BP神经网络预测模型,并采用多元线性回归模型、二次指数平滑法、灰色GM(1,1)模型分别对江西省铁路货物周转量进行预测,再对结果进行比较和误差分析。研究表明,BP神经网络模型预测精度明显高于其它三个模型,平均误差为0.76%,可用于实际预测。     

基于灰色关联支持向量机的中国粮食产量预测模型

研究我国粮食生产系统的变动规律,做好粮食产量科学预测不仅是制定农业政策的重要依据,而且对于保证我国的粮食安全具有重要意义。鉴于粮食生产系统的复杂性和信息不完全性,在对粮食生产系统灰色关联分析的基础上,确定出影响粮食产量的主要因子,然后根据支持向量机回归原理,建立了基于灰色关联支持向量机的预测模型。预测结果表明该模型具有较高的预测精度,为粮食产量预测提供了一条新的途径。     

基于灰色关联支持向量机的中国粮食产量预测模型

研究我国粮食生产系统的变动规律,做好粮食产量科学预测不仅是制定农业政策的重要依据,而且对于保证我国的粮食安全具有重要意义。鉴于粮食生产系统的复杂性和信息不完全性,在对粮食生产系统灰色关联分析的基础上,确定出影响粮食产量的主要因子,然后根据支持向量机回归原理,建立了基于灰色关联支持向量机的预测模型。预测结果表明该模型具有较高的预测精度,为粮食产量预测提供了一条新的途径。     

基于主成分分析的BP神经网络及其在需水预测中的应用

以甘肃省瓜州县为例,利用1988~2007年的总需水量数据,采用主成分分析法对影响水资源需求量的7个因子进行主要影响因子分析,根据确定的主要影响因子构造BP神经网络的输入样本,从而进行不同水平的年总需水量预测。结果表明:国内生产总值、工业总产值、农业总产值和大牲口数4个因子为影响研究区需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,确定网络输入节点数,建立瓜州县总需水量预测模型。模拟计算结果表明,基于主成分分析的BP神经网络模型取,预测结果的绝对误差小于±0.05×109m3。     

组合预测模型在地方财政收入预测中的应用

根据地方财政收入预测受到多因素影响和经济系统具有非线性本质的特点,针对现有预测方法的不足,提出了一种组合预测方法。该方法首先通过灰色关联分析确定影响地方财政收入的主要指标,然后用灰色预测模型分别对各指标进行预测,最后将各指标的预测值作为输入,相应的地方财政收入实际值作为输出,训练并建立神经网络模型。实例分析表明灰色关联分析排除了非主要指标的干扰,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系。实验结果证实该方法在地方财政收入预测中是有效可行的。     

基于灰色关联度的粒子群优化BP在辛烷值预测中的应用

提出了基于改进的灰色关联度的粒子群优化BP神经网络的方法,将其应用到辛烷值预测研究;通过实例分析,并与传统的BP神经网络进行对比,说明该模型的预测精度高、算法稳定、泛化性能好,更适合于生产控制的需要.     

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。     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。     

基于灰色-反向传播神经网络的江西省公路货运量预测

鉴于反向传播（Back Propagation,BP）神经网络算法收敛速度慢、局部极小化、结构选择不一的问题,提出结合灰色关联度分析的BP神经网络方法进行公路货运量预测,提高了模型的非线性学习和泛化能力及预测精度。该预测模型以江西省为例,首先利用灰色关联度分析确定预测目标的影响因子;然后,将关联度强的第一产业、第二产业和人均GDP作为公路货运预测模型的自变量,公路货运量和自变量作为训练样本,BP神经网络模型通过正向计算传播,误差反向传播,训练神经网络;最后,该方法应用于江西省公路货运量实际预测中进行有效性验证,结果表明该方法非线性拟合效果较好,具有较高的预测精度。     

互信息和核熵成分分析的油中溶解气体浓度建模

针对变压器油中溶解气体浓度的预测问题,提出了一种基于互信息和核熵成分分析(KECA)的油中溶解气体浓度预测建模方法。首先,用标准互信息变量选择方法确定模型的输入变量并对选取的输入变量进行相重构;然后,利用Renyi熵信息测度确定KECA核参数并采用KECA对相空间进行特征提取;最后,以核熵成分作为机器学习极限学习机(ELM)的输入,建立变压器油中溶解气体浓度的预测模型。实验结果表明,与灰色模型、支持向量机、BP神经网络建模方法相比,本文提出的方法能够充分利用油中溶解气体浓度信息,因而具有较优的预测精度和泛化能力。     

BP人工神经网络法研究PBDE_S类化合物的RRT

运用BP人工神经网络方法对PBDEs的相对保留时间(RRT)进行了QSPR研究.所建的BP人工神经网对PBDEs的RRT预测准确度非常高,网络训练误差几乎为0,网络回判MSE误差为0.003 9,明显低于逐步回归分析结果,独立检测集MSE误差为0.000 4,也很低,说明BP人工神经网具有较好的泛化能力.此方法得到的模型预测能力要优于逐步回归模型.