融合多源信息的人民币汇率预测

通过有效融合与汇率相关的互联网搜索信息和宏观经济信息,提出一个新的汇率预测方法.一方面,根据信息丰富的互联网大数据,将选取的百度指数关键词信息合成能反映投资者关注度的百度综合搜索指数,再利用核主成分(KPCA)方法对宏观经济变量的信息进行提取,合成宏观综合影响指数,最后构建基于多源信息融合的汇率预测模型;另一方面,分别采用BP、KELM和SVM模型进行预测.为减小预测误差,对神经网络连接权重和阈值使用灰狼优化算法(GWO)进行了优化.通过对美元兑人民币汇率进行实证发现,融合多源数据信息之后,使用GWO-BP预测模型能获得更好的预测性能.     

基于GA-BP神经网络的建筑工程事故预测研究

为了提高建筑工程事故预测精度,采用遗传算法优化得到BP神经网络的初始权值和阈值,在此基础上基于自适应学习速率动量梯度下降法进行BP神经网络训练,建立基于GA-BP神经网络的建筑工程事故预测模型.通过数据挖掘的方式提炼出影响建筑工程安全施工的主要危险因素作为GA-BP神经网络预测模型的输入变量,以千人负伤率作为输出变量进行预测分析.结果表明,GA-BP神经网络预测模型收敛速度快,预测精度高,可有效提高建筑工程事故预测的准确性.     

基于主成分分析的BP神经网络和RBF神经网络月平均气温预测模型

应用基于主成分分析的BP神经网络和RBF神经网络建立了气温预测模型.通过比较模型的均方误差(MSE)和平均绝对误差(MAE)值可知,采用主成分分析的BP神经网络得到的预测模型的误差小于主成分分析的RBF神经网络预测模型.结果表明,模型采用主成分分析提取了影响因变量的重要因子,去掉了网络输入样本的自变量之间的重叠因子,同时也提高了预测能力.     

基于CPSO-BP神经网络的PM_(2.5)浓度预测模型

为了提高大气中PM_(2.5)浓度的预测精度,采用平均影响值(MIV)算法筛选出对大气中PM_(2.5)浓度有影响的主要变量,并依次作为神经网络输入变量。利用混沌粒子学(CPSO)算法修正BP神经网络初始权值和阈值,优化BP神经网络机构,以达到提高预测模型精度的目的。以2017年西安市PM_(2.5)日均浓度数据为样本建立预测模型,实验结果表明:相比于传统BP神经网络,基于CPSO-BP神经网络预测性能更优。     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

基于BP神经网络的干热风灾害预测

干热风是我国新疆,西北等地农业气象灾害之一,其形成因素呈现复杂的非线性关系.利用传统方法很难建立起一个精确完善的预测模型.人工神经网络具有强大的非线性映射能力,尤其是BP神经网络在预测领域中被广泛应用.本文利用BP神经网络对干热风灾害进行了预测.结果表明,基于BP神经网络的干热风预测模型误差小,能达到满意的效果.     

基于精确匹配数据的焦炭质量预测

针对某焦化企业的实际炼焦生产过程数据进行分析,从质量报表与生产工艺报表中分析、提取影响焦炭质量的炼焦生产过程数据。基于炼焦生产时序,实现了配合煤质量—炼焦工况—焦炭质量数据的精确匹配,构建了匹配数据组,采用PCA提取了数据组的主成分。基于BP神经网络构建了焦炭质量预测模型,并对考虑工况与不考虑工况的预测模型进行了预测精度的对比分析。计算结果表明:稳定、顺行、合规的炼焦工况对焦炭质量预测精度的影响较小,而精确的数据匹配可以有效地提高焦炭质量的预测精度,并可降低对预测模型的要求。     

基于粒子群算法优化BP神经网络的CO_2通量预测

针对现有准确地预测CO_2通量方法的不足,提出了一种以粒子群算法和反向传播(BP)神经网络相结合的预测模型。为了防止粒子种群的快速趋同效应,引入了自适应变异算子。通过对陷入局部最优的粒子进行变异操作,提高了算法的寻优性能。利用粒子群算法得到BP神经网络的初始权值和阈值,对优化后的BP神经网络和普通的BP神经网络分别创建CO_2通量预测模型。实验结果表明,基于粒子群改进BP神经网络模型能较好表达CO_2通量与主要因素之间的非线性关系,相对于一般BP神经网络具有更好的非线性拟合能力和更高的预测准确性。     

基于神经网络的证券预测技术研究

本文借助神经网络对非线性函数的逼近能力，提出了BP算法的改进型算法及基于BP算法的指数预测模型，通过对比传统预测算法，证实改进后BP算法用于指数预测的可行性及准确性．     

深基坑变形报警方法研究

深基坑开挖导致基坑周围土体的水平位移和竖向位移,可能会致使周边建筑出现裂缝,严重的会导致周边建筑失稳,所以在基坑的施工过程中需要密切关注基坑的变形情况。本文提出一种深基坑变形报警方法,建立基坑变形控制指标体系,基于该指标体系设置报警级别并进行报警。指标体系由基坑的累计变形量、变形速率及变形加速度这三项变形控制关键指标组成,所述累计变形量和变形速率具有对应的第一报警值、第二报警值和第三报警值,所述变形加速度具有对应的第四报警值。该报警方法可以及时准确地评价基坑的安全状态,提高基坑施工的安全度。     

BP神经网络预测技术在脱硫系统pH值中的应用

在热电厂脱硫过程中,pH值的稳定性对脱硫效率影响重大,在实际生产中因受到各种环境因素及主观因素的影响,pH测量仪器在现场操作中易受到破坏或腐蚀,给生产造成很大损失,为了降低这种损失,提出了基于BP神经网络的预测技术。运用此预测算法对系统参数进行数学建模,设计了三层网络预测模型,同时用Matlab工具箱对pH数据进行仿真,使系统实现在线控制和实时控制。结果表明,BP神经网络对脱硫系统中pH值的预测精度很高,产生误差也很小,取得了满意的预测效果。因此,用BP神经网络预测技术对烟气脱硫系统中的pH值进行预测,能提前预知脱硫过程中pH值的变化情况,有助于改善脱硫装置的效率。     

超大深基坑的支护设计及变形预测研究

为切实积累基坑支护设计经验，并准确掌握基坑变形发展规律，以龙潭医院改造基坑为工程背景，先在阐述工程概况的基础上，开展了基坑支护设计研究，并详述了基坑支护设计内容；然后利用动态模态分解、极限学习机等构建基坑变形预测模型，通过变形预测来评价支护设计方案的合理性。实例分析表明：由于龙潭医院改造基坑属超大深基坑，加之近接建、构筑物对位移变化较为敏感，因此，基坑支护方案采用分段支护设计，包含采用放坡、挂网喷浆、管桩及支护桩等支护形式。同时，通过变形预测研究，得出预测结果的平均相对误差在2.06%～2.12%之间，训练时间在59.25～61.44 ms之间，验证了R-PSO-ELM模型不仅具有较优的预测精度，还具有较快的收敛速度，且外推预测显示基坑变形趋于稳定方向发展，最大预测值均在预警值范围内，验证了基坑支护设计方案是合理有效的。     

地铁车站深基坑神经网络反演分析研究

本文以具体工程为例,运用有限元软件MIDAS和BP神经网络,对土层参数进行反演分析和预测,通过建立网络预测模型,分析基坑开挖过程中位移变化规律,并对土体参数进行反演分析,并通过有限元软件进行精度检验,分析研究深基坑车站反演分析的可行性。     

基于主成分分析法的遗传神经网络模型对电力系统的短期负荷预测

针对BP神经网络的两个主要缺点,网络训练速度慢,对初始权值阈值敏感,容易陷入局部极小点,本文利用多元统计分析的主成分分析方法(Principal components analysis,PCA),在不损失原始负荷数据主要信息的前提下提取负荷数据的主成分,有效地减少了预测模型的输入量.同时将遗传算法(GA)与BP神经网络...     

基于GA-BP神经网络模型的大坝裂缝预测

常规的BP神经网络由于初始权值和阈值问题,在对大坝裂缝开度进行预测时精度普遍不高。为此,本文首先引入遗传算法(GA)对BP神经网络进行优化,构建了GA-BP神经网络预测模型,然后分析实测资料,发现库水位、温度显著影响裂缝开度,最后将这两个因素作为网络的输入变量,利用预测模型对某重力拱坝X15段裂缝开度进行短期预测。比对两种方法的预测结果可得,通过遗传算法优化BP神经网络的预测精度明显高于传统BP神经网络,本研究可为大坝的安全运行管理提供一种技术方法。     

基于BP网络的我国工伤事故死亡率预测模型

应用MATLAB软件的神经网络工具箱建立BP网络模型,通过基于时间序列分析方法对1974～2003年全国工业企业事故死亡率进行预测模型的建立和检验.结果表明,用人工神经网络建立的预测模型预测我国工伤事故死亡率符合度高,效果较好.     

基于主趋势辨识及误差弱化模型的库区滑坡变形规律研究

为准确掌握三峡库区滑坡的变形规律,以三峡库区木鱼包滑坡为工程背景,旨在通过滑坡主趋势项辨识来实现变形趋势判断及预测研究,即先利用双树复小波剔除滑坡变形数据的误差信息,以实现滑坡变形的主趋势项辨识;其次,利用重标方差(V/S)分析实现滑坡主趋势项的变形趋势判断,并采用优化支持向量机和BP神经网络构建滑坡变形的误差弱化预测模型;最后,通过对比变形趋势判断及预测结果实现滑坡变形规律研究。实例分析表明:双树复小波函数能有效剔除滑坡变形数据的误差信息,能有效实现滑坡变形的主趋势项辨识,且通过V/S分析对主趋势项的变形趋势判断,得出3个监测点的Hurst指数均大于0.5,但随时间持续,Hurst指数不断减少,说明其变形呈持续增加趋势,但趋势性趋于减弱;同时,误差弱化预测模型的预测误差均小于2%,验证了预测模型具有较高精度,且预测结果与变形趋势判断结果一致,说明V/S分析及误差弱化预测模型适用于滑坡变形规律研究。通过研究有效掌握了木鱼包滑坡的变形规律,为后期防治奠定了基础。     

基于ABC算法优化BP神经网络的雾霾天气预测模型研究

本文首先阐述了BP神经网络和ABC算法的基本概念,结合现阶段环境空气质量需求,明确了雾霾天气预测预警的必要性,然后结合安徽省大气质量指数数据,从空气质量等级评估、预测指标体系构建和雾霾天气预测模型选择等方面,研究了基于ABC算法优化BP神经网络的雾霾天气预警模型,以期进一步提高雾霾等级评估与预测的准确性,提高政府相关部门决策的时效性。     

基于影响因素筛选-优化组合模型的隧道变形预测研究

隧道变形监测是其安全施工的必设项目,对其预测研究具有重要意义,但隧道变形影响因素较多,难以直接开展变形预测研究。因此,研究先利用相关系数法评价各因素对隧道变形的影响程度,以确定隧道变形的主要影响因素,并将其作为变形预测模型的输入层信息;其次,再利用RBF神经网络构建隧道变形预测模型,且为保证预测精度,采用试算法和粒子群算法优化隐层节点数及相关模型参数。实例研究表明:相关系数法可很好地评价各影响因素与隧道变形间的相关程度,且不同监测项目的影响因素存在一定差异;同时,预测结果的相对误差均小于2%,说明优化RBF神经网络的预测精度较高,可靠性强,适用于隧道变形预测。     

SSA与BP神经网络在地铁沉降监测中的应用

邻近区域施工,致使地铁沉降呈现复杂的非线性变化。对此,采用奇异谱分析(SSA)和BP神经网络对地铁结构进行分析与预测。通过SSA重建趋势序列和周期序列,分析地铁结构变化的趋势与周期波动;利用BP神经网络对重建趋势序列与时间序列分别进行预测。以上海9号线地铁沉降监测数据为例,提取趋势序列与周期序列进行分析及预测,实验证明了利用SSA对地铁监测序列进行分析以及利用BP神经网络对成分序列进行预测的可行性。