基于多元线性回归和BP神经网络的单井能力预测

为提高单井能力预测的精度和可靠性,提出利用地震属性数据,结合多元线性回归方法和BP神经网络方法进行预测。首先提取了研究区目的层的地震属性,然后利用多元线性回归方法和BP神经网络方法建立了单井能力与地质、地震属性之间的函数关系,得出了半定量-定量化的单井产量设计模型,并且验证了模型的预测结果。结果显示:单井能力预测精度总体在80%以上,其中BP神经网络模型预测精度更高,吻合度更好,证明了利用多种地震属性联合预测单井产能是一种卓有成效的方法。     

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。     

车内声品质主客观评价模型对比分析

为了研究轿车理想的车内声品质主客观评价模型,采集某轿车在时速为60 km·h~(-1)时,车内播放不同音乐时的驾驶员双耳噪声样本.对声样本进行剪辑、等响及分频段等预处理,基于成对比较法进行车内声品质主观评价试验、客观参量计算并建立了多元线性回归、BP神经网络和径向基函数(RBF)3种评价模型.评价模型的预测效果表明:多元线性回归评价模型各个频段的误差较大,稳定性较差,车内声品质的评价为非线性过程;BP神经网络预测模型整体频段的误差最小,频率为160~1 280 Hz时的误差较大,相比多元线性回归模型误差进一步缩小,但距理想的预测效果还有一定的距离;基于径向基函数评价模型误差基本能控制在20%以内,且稳定性较高,能够较好地预测此试验工况下的声品质.     

兴安落叶松林缘天然更新与立地环境因子的相关分析

【目的】揭示兴安落叶松林缘更新与土壤特性及小气候因子的深层次关系。【方法】在测定兴安落叶松林缘天然更新状况、小气候因子及土壤理化性质的基础上,用单因素方差分析与相关性分析法研究了兴安落叶松林缘天然更新指数与土壤理化性质及小气候因子的相关性。【结果】①距离林缘0 m处的样带更新指数最大,距离林缘20、40、60 m的3条样带更新指数变化不大且趋于平稳。②兴安落叶松林缘的光合有效辐射和空气温度显著大于林内。③林缘的土壤养分高于林内,林缘土壤pH小于林内。④通过主成分分析法得到影响兴安落叶松林缘更新的主要因子为土壤含水率、土壤有机质和光合有效辐射,通过多元线性回归分析法得到影响兴安落叶松林缘更新的主要因子为土壤含水率和土壤有效磷。【结论】兴安落叶松林缘的更新效果比林内好,林缘效应对兴安落叶松林更新的影响大致在距离林缘20 m范围以内;光合有效辐射、空气温度和土壤理化性质能有效影响兴安落叶松林缘的更新,其中土壤含水率是影响兴安落叶松林缘更新的最主要因素。因此可以通过改善林缘的环境促进兴安落叶松林缘区域的更新。     

滑带黄土振陷预测中的BP神经网络方法

目的针对陇海铁路沿线密集的黄土滑坡灾害,对其振陷系数提出一种新的预测方法。方法以滑带黄土动三轴试验资料为基础,运用MATLAB建立滑带黄土振陷的BP(error back propagationneural network)神经网络预测模型,并与多元线性回归方法建立的模型进行误差对比分析。结果BP神经网络模型预测的结果要比多元线性回归模型预测的更准确。结论滑带黄土振陷预测的BP神经网络模型是一种比较理想的预测方法,对黄土地区的滑坡稳定性评价和铁路地基沉降的分析具有重要的价值。     

基于L-M算法的林分径级材种出材率BP网络模型

以杉木人工林伐区设计书与检尺码单资料为基础,选择平均胸径、平均树高、立木密度、每hm2蓄积量、郁闭度、林龄、立地类型为输入神经元,应用L-M算法对各径级材种出材率进行BP网络模型模拟预测及精度检验.结果 表明,基于L-M算法的林分材种出材率BP神经网络模型具有较高精度,可为林分经验材种出材率表的编制提供一种新的思路与方法.     

基于BP神经网络的福州市人口预测模型

根据福州市区1981-2004年的人口统计数据,应用BP-MSM算法,建立福州市区BP神经网络的时间序列预测模型,并与一元线性回归模型、人口自然增长模型、指数函数模型、幂函数模型、马尔萨斯人口增长模型、Logistic人口预测模型的预测结果进行比较,结果表明BP神经网络对人口数量的预测精度更高,效果更好.     

苯砜基羧酸酯类化合物急性毒性的预测模型

用MATLAB软件编程计算了56个苯砜基羧酸酯类化合物分子电性距离矢量(mk),同时用Hyper chem8.0程序包计算了它们的理化参数.这两类结构参数被用于建立苯砜基羧酸酯类化合物急性毒性的预测模型.通过最佳变量子集回归的方法构建多元线性回归模型:-lg EC50=4.724+30.275m7+0.061m24+6.468m85+0.880m90-0.003V-0.096(lg P)2.该模型具有良好的稳健性和较强的预测能力.以模型中的6个参数为人工神经网络(ANN)输入层,设定6∶4∶1的网络结构,用BP算法构建人工神经网络模型,其相关系数R2为0.986.结果表明,神经网络BP算法模型的预测结果优于多元线性回归模型的预测结果.     

灰色神经网络模型在图书采购复本量预测的应用

针对图书采购复本量预测问题,提出了基于灰色神经网络的采购复本量组合预测模型.根据现有文献记载5年来的G类图书的流通率、拒借率和平均复本量数据,运用组合预测方法对G类图书复本量进行了预测,并与多元线性回归模型以及BP神经网络模型比较.结果表明:组合模型预测值的相对误差更小,精度更高.     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。