基于神经网络技术的泵站机组性能预测

性能曲线是反映泵变工况运行情况的一类曲线，通常该曲线均是通过实验或是以已有数据为基础的性能换算而获得，但前者费用昂贵，后者准确性差．为此，通过对BP人工神经网络模型的分析和研究，提出了利用BP神经网络技术进行泵站机组泵的性能预测的新方法，并以16CJ80型全调节轴流泵为例，进行了泵的性能预测，经济、可靠地获得了泵的性能曲线．简述了该BP神经网络所存在的缺陷及其改进的有效手段．这一技术的成功应用提高了泵站机组的可靠性、运行质量，同时也推动了神经网络等新技术、新手段在流体动力工程领域中的应用．     

基于遗传神经网络的产品价格预测方法

应用遗传神经网络方法，建立了工业产品预测的神经网络预测模型，并运用遗传算法对建立的神经网络模型的结构和推理参数进行优化，使预测结果更加准确，为工业项目的投资评估提供了一种更为合理的预测方法．     

基于冲突指导的神经网络预测方法

研究基于冲突指导的神经网络预测技术. 利用离散约 束最优的拉格朗日乘数理论, 通过采用前馈方法得到近似梯度的模拟退火技术, 避免了盲 目接受试验点. 利用松紧策略加快了搜索的收敛速度. 实验结果表明, 训练误差和预测 误差都有很大改善.     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

基于模糊神经网络方法的胎儿体重预测

应用模糊神经网络理论对胎儿体重的预测方法进行了研究,用模糊Modular神经网络建立了胎儿体重预测模型,并开发出相应预测程序,经多次实验与临床使用证明本方法预测精度高,操作方便,是一个实用有效的胎儿体重预测工具.     

基于模糊神经网络方法的胎儿体重预测

应用模糊神经网络理论对胎儿体重的预测方法进行了研究,用模糊Modular神经网络建立了胎儿体重预测模型,并开发出相应预测程序,经多次实验与临床使用证明本方法预测精度高,操作方便,是一个实用有效的胎儿体重预测工具.     

基于ATD-BP神经网络的页岩气产量预测方法

储层改造是页岩气开发的关键步骤,根据储层改造数据进行页岩气井产量预测,对后续施工优化有重要指导意义。然而,储层改造数据与气井产量间呈非线性相关关系,不适用于传统线性预测方法。且储层改造数据存在有效数据较少、噪声数据占比较大、维数较高等问题,不适用于受噪声影响较大的传统BP神经网络非线性预测方法。由此,本文提出一种页岩气储层改造产量预测方法,首先利用自适应阈值去噪(adaptive threshold denoise,ATD)算法去除噪声,再运用BP神经网络对储层改造数据进行非线性拟合,得到页岩气井产量预测模型。实验表明,相比传统的BP神经网络,本文所提方法能够有效提高预测的准确率和稳定性。     

基于BP神经网络的经济预测方法

在经济分析中 ,通常采用回归分析方法建立数学模型对一个经济系统进行拟合 ,进而对相关经济变量进行预测 .利用人工神经网络 (ANN)的自学习、自适应和非线性的特点 ,可通过建立经济系统的评价指标体系 ,并把经济变量数据归一化处理 ,然后送入BP神经网络中训练得出相应参数再进行预测 ,经过检验得出令人满意的结果 .     

基于神经网络算法的公路货运量预测方法

以陕西省为例,运用灰色关联分析法确定公路货运量的影响因素分别为地区生产总值、第一产业增加值、第二产业增加值、工业增加值、人均地区生产总值、全社会固定资产投资和社会消费品零售总额.将所确定的因素作为公路货运量的预测指标,建立基于BP神经网络的公路货运量预测模型,并对模型进行应用测试.结果表明:该模型具有较高的精度,最大误差为5.3%,可以提高公路货运量预测的准确度,为我国公路货运量的预测研究提供方法支撑.     

基于神经网络的股市预测

本文研究了基于神经网络的股票预测方法．针对目前存在的问题,提出了联合Davidon最小二乘算法及遗传算法来综合训练网络结构和权值的新方法．经对上证指数的模拟预测表明,通过合理地选取参数,可获得满意的预测效果．     

第三产业前景预测的神经网络方法

利用神经网络方法，基于非确定性多因素时间序列数学预测模型，对第三产业的产值比重和就业比重同时进行预测，得到了很高的预测精度，与传统回归方法对比，这一方法合理，、可取、适应面广、稳定性好，运算快，值得更深研究。     

基于神经网络方法预测薄膜的功函数

首次利用前馈３层神经网络模型,结合薄膜场发射的特性,建立了场发射薄膜功函数的神经网络预测模型,并用金刚石薄膜的实验数据样本进行了验证,结果表明,该模型预测的相对误差小于６．４％,具有很好的预测性能,从而可以通过已知薄膜的功函数来预测未知薄膜的功函数。     

基于粗糙集和神经网络的空军航材消耗预测方法

针对空军航空器材消耗受某些影响因素的冗余性、非定量性以及消耗预测模型中很难体现问题．分析了影响航材消耗的因素，利用粗糙集知识约简方法去除冗余，选择主要影响航材消耗的因素，利用神经网络建立消耗预测模型．最后对该模型的预测效果与直接神经预测的效果进行了比较，显示了该模型的有效性和实用性，为航材消耗预测提供了一种新的有效决策方法．     

基于神经网络的可靠度时序预测方法研究

提出了利用人工网络进行可靠度时序预测的方法,分别利用径向基函数（ＲＢＦ）网络及自适应模糊神经（ＡＮＦＩＳ）网络对发动机涡轮增压器进行了可靠度的时序预结果表明,利用神经网络进行可靠度时序预测是可行的,并且ＡＮＦＩＳ的预测能力要优于ＲＢＦ。     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题.因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关健问题.根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模.该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果.应用结果表明:该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要.     

基于概率神经网络的产品质量预测方法研究

对通过正交试验法采集样本数据、采用概率神经网络（PNN）对产品质量进行预测的方法进行研究．并将预测结果与反向传播神经网络（BP）预测结果进行比较。结果表明，在利用正交试验法采集的训练样本数据分别训练PNN和BP网络后发现，概率神经网络的预测准确度远远大于反向传播神经网络，显示了概率神经网络在模式识别领域的优势。     

基于神经网络的公路货运量预测方法研究

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立BP神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对BP神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证BP神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.     

基于RBF神经网络的公路货运量预测方法研究

本文提出了一种基于RBF神经网络的直接预测法,对公路货运量进行了预测,并利用matlab工具箱予以了实现.对2004和2005年公路货运量预测的结果表明,预测值与国家统计局公布的实际数值有很好的一致性,预测精度也高于其它RBF预测法,有很好的应用性.     

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.     

基于QPSO-RBF神经网络的交通流量预测方法

提出一种粒子群优化神经网络的预测方法,首先基于改进的量子行为粒子群算法对神经网络进行训练,以保证各权值和阈值能得到最优解,同时对训练样本进行了基于聚类算法的优选.最后进行了仿真验证,证明本文方法用于短时交通流量预测可以获得较高的精度并且误差稳定,为交通流量预测的实际应用提供了一种参考.