城镇化进程中公路网用地的BP神经网络预测模型

为了合理配置公路网用地,用BP神经网络的方法建立了城镇化进程中公路网用地的预测模型.首先通过分析公路网对城镇化进程的影响,阐明了合理的公路网用地在城镇化进程中的重要性.在用BP神经网络建模的过程中,输入层的神经元采用城镇化率及城镇占地比,输出层的神经元采用公路占地比;根据城镇化水平和公路网发展情况选用德国等7国数据作为1号训练样本,根据土地资源情况选用日本数据作为2号训练样本;预测时可用本区域的历史数据作为3号训练样本;通过MATLAB进行编程运算.最后根据安徽省数据对模型进行了实证分析.BP神经网络预测模型克服了传统线性模型的不足,考虑了土地资源对公路网用地的约束,能够对不同城镇化水平的公路网用地进行预测.     

基于需求函数模型的公路网规模预测

针对公路网规划中路网总量的确定问题，系统分析了公路网密度与人口密度、人均GDP的关系，得出了人口增长和经济发展对公路建设速度、规模需求的规律。在经济发展缓慢时期，对公路的运输需求相对较小；随着经济的快速发展，对公路运输的需求越来越大；公路建设超过一定规模时，人口增长和经济发展对公路运输的需求降低，公路建设速度开始减缓。基于Cobb-Douglas生产函数模型，建立了人口、经济增长对公路的需求函数模型。通过1991～2003年统计资料，分析确定了模型参数的合理构成范围，建立了不同时段、不同地区的公路网预测模型。     

基于BP神经网络的城市供水系统管网预测

针对城市供水系统的复杂性、非线性、时变化性以及多因素影响的特点，探讨了建立基于BP神经网络城市供水管网预测的原理，阐述了建立基于BP网络的城市供水时序预测模型方法．根据管网的节点压力历史数据纪录，建立基于神经网络的管网压力时序预测模型，对未来某一时段的节点压力进行预测．从预测过程和结果分析，基于BP神经网络城市供水管网预测方法操作简单，运行速度快，误差修正方便，精度高．图2，表1，参12．     

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。     

财政收入的组合预测

财政收入是政府宏观调控的重要手段，受众多因素的影响，应用组合预测方法来综合考虑多种因素预测财政收入，首先，根据财政收入的组成结构和随时间的变化规律分别建立回归模型与时间序列模型两个线性模型；然后根据财政收入时间序列建立了BP神经网络的非线性模型，最后在此基础上建立组合预测模型，对财政收入预测进行了有益的探索。     

基于BP神经网络自贡房地产价格走势预测

文章通过分析调查影响自贡房地产市场的主要因素,基于BP神经网络,结合自贡住宅市场的实际情况,建立两类BP神经网络预测模型:基于时间序列的趋势预测模型、基于影响因素的回归预测模型,预测了自贡房地产市场价格走势。模拟预测2010年的结果证明了2011年房价预测的有效性,可为自贡城市建设的可持续发展提供有价值的指导意见。     

钢铁企业高炉煤气供需预测模型及应用

以钢铁企业高炉煤气系统为研究对象,采用灰色关联度分析了高炉煤气产生量、消耗量的影响因素与煤气量的关系.基于人工神经网络预测方法,建立了高炉煤气BP神经网络预测模型,对钢铁企业各生产工序中高炉煤气的产生与消耗量进行预测,探讨了企业在正常生产、事故检修等工况下各工序的煤气产生量和消耗量预测的合理性.研究表明:所建立的预测模型精度高、误差小,能有效解决实际生产中高炉煤气的供需预测问题,从而减少高炉煤气放散,为企业制定合理煤气使用计划提供了理论依据.     

基于遗传BP神经网络的区域物流需求预测

针对当前区域物流需求预测数据复杂且可变性较大、预测方法环境适应性较差的问题,提出了基于遗传BP神经网络的区域物流需求预测模型。首先,分析区域物流需求预测影响因素,并建立区域物流需求预测指标体系;其次,采用遗传算法优化预测网络中的可变参数,并建立多输入-多输出的BP神经网络多元预测模型;最后,通过实例结果表明该模型具有较高的预测精度和有效度。     

BP神经网络技术在调剖效果预测中的应用研究

调剖效果预测是对调剖措施进行决策和方案优化设计的理论基础。通过对影响调剖效果的因素分析,建立了BP网络效果预测模型并对其进行优化改进。模型网络预测结果与实际生产效果对比分析表明,所建立的预测模型可靠。可利用BP网络模型进行调剖效果预测,并为调剖方案的优化设计提供科学决策依据。     

基于BP神经网络的税收预测模型

在分析影响税收主要因素的基础上，将反向传播（BP）神经网络理论应用于税收的预测．首先对初始数据进行预处理，使其适应BP神经网络学习的要求，然后建立基于BP神经网络的税收预测模型．采用实际数据对模型进行验证，并将其与传统的统计模型相比较，证明了基于BP神经网络的税收预测模型有较高的精度和较强的实用性．     

基于Softplus函数的双隐含层BP神经网络的公路客运量预测

为了提高预测模型的精度,提出一种基于Softplus激活函数的双隐含层BP神经网络的预测方法,提高了模型的非线性学习和泛化能力及预测精度,并改善了网络性能。将该方法应用于公路客运量实际预测中进行有效性验证,结果表明该方法对公路客运量有更好的非线性拟合能力和预测准确性。     

普通混凝土强度预测的BP神经网络模型

在分析普通混凝土强度影响因素基础上 ,选取混凝土配料中 7个因素作为输入值 ,混凝土2 8d强度作为输出值建立了混凝土强度预测的 BP网络模型。讨论了模型的学习样本、网络参数对预测精度的影响 ,选出最佳网络参数配置。实例证明模型预测精度高。     

巷道围岩稳定性分类的MBP神经网络预测研究

研究BP神经网络的工作原理和改进技术，分析巷道围岩稳定性的影响因素，基于改进的MBP神经网络建立了围岩稳定性分类的神经网络识别模型。研究结果表明，该预测模型性能好，预测精度高，预测结果能很好地拟合地下工程实际，验证了该模型的可行性和实用性。     

基于神经网络模型的采场巷道收敛预测研究

根据余化寺矿的生产实际情况，分析影响巷道围岩收敛的主要因素，利用神经网络的非线性、学习和记忆等功能，建立了针对采场巷道收敛的神经网络预测模型、通过对采场巷道围岩收敛的现场监测，采用训练样本训练网络模型，并用检验样本对模型进行检验，预测模型性能好，预测精度高。     

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。     

基于BP神经网络的工作面周期来压预测

针对现有工作面周期来压预测方法在算法结构复杂、计算量较大等问题,探索一种高效、准确、易于使用的工作面周期来压预测方法。以淮南潘集矿区20个已采工作面作为工程研究背景,采用BP神经网络预测原理,在分析工作面周期来压的影响因素基础之上,设计出一种基于BP神经网络的工作面周期来压预测方法,通过MATLAB编程实验表明BP神经网络在工作面周期来压的预测中具有较高的精度。     

基于BP神经网络模型的滑坡易发性评价方法

滑坡是中国频发的地质灾害,滑坡的易发性评价涉及多种影响因素,如何利用多影响因素进行精确、有效的滑坡易发性评价是滑坡减灾防灾工作的重点和前提。为探讨基于反向传播(back propagation, BP)神经网络模型的不同滑坡易发性评价方法的适用性,以川西蒲江县为研究区,通过实地调查与编录,筛选地质、地貌、环境等12类影响因子,分析各影响因子与滑坡的相关性,确定影响因子的权重大小,构建BP神经网络模型,完成因子权重法和栅格赋值法的滑坡易发性评价图编制和精度评价。结果显示：研究区筛选的12类滑坡影响因子不存在线性相关,坡度、地形湿度指数(topographic wetness index, TWI)和距道路距离对区内滑坡发育影响明显,利用滑坡影响因子构建的BP神经网络模型可对滑坡易发性进行有效的定量评价。综合现场调查与接收者操作特征(receiver operating characteristic, ROC)曲线精度分析,结果表明：基于BP神经网络模型的栅格赋值法和因子权重法曲线下面积(area under curve, AUC)分别为0.86和0.798,栅格赋值法评价精度优于因子权重...     

京津塘高速公路K131+610段路基沉降预测研究

高速公路施工中,路基沉降对工程质量有着重要的影响。但是影响路基沉降的因素很多,传统的线性预测模型很难将各种影响因素统一表达,BP神经网络模型可以将传统的函数关系式转化为高维的非线性映射,在路基沉降预测中得到广泛应用。以京津塘高速公路K131+610段工程为例,探讨了BP神经网络模型的最佳参数配合。     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

基于人工神经网络的水力旋流器分离性能预测

水力旋流器分离过程复杂,其性能指标与影响因素之间属于典型的多维非线性关系。以往旋流器分离过程的理论和经验模型大多在特定的简化条件下得到,且预测单一。为了全面预测分离器性能指标,建立了三层BP神经网络模型,通过输入结构参数和操作参数,模拟输出分离粒径、生产能力、底流质量分数等多个分离性能指标。以生产能力为例,分析了神经网络与理论和经验模型计算值的预测精度。结果表明:在各传统预测公式中,庞学诗法的预测精度最高,误差为20.88%,与其相比,BP神经网络的预测误差仅为16.64%,优于其他各模型的预测精度,且能够实现性能指标的全面预测。人工神经网络是预测水力旋流器分离性能的可靠方法。