基于BP神经网络的油松林小气候的模型研究

为了检测林缘、农田的小气候是否可定量预测林分小气候,从模型角度分别研究林缘、农田与林内小气候的相互关系,为油松人工林小气候预测、林分生态效益的定量评价及森林资源经营管理提供科学依据,本研究利用延庆不同密度油松人工林林分、林缘及农田的小气候监测数据,构建了林缘-林分、农田-林分立体空间的BP神经网络模型和多元线性回归模型.借助回归估计标准误差对2种模型的预测精度进行了比较.结果显示:对于集合小气候环境梯度,林缘-林内的BP模型预测精度整体高于农田-林内的BP模型预测精度;BP神经网络模型对气温、相对湿度及光照强度小气候要素测精度明显高于利用多元线性回归模型.结论:选用BP神经网络构建的林缘-林分模型实用性强,模拟精度高,可达到评价林分小气候、定量预测的目的.     

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。     

高速公路小修保养工程量的预测模型

为了科学合理地预测高速公路小修保养工程数量,分析了影响高速公路小修保养工程量的主要因素,提出了基于Matlab的BP神经网络高速公路小修保养工程量预测方法;以沥青路面年小修保养工程量历史统计数据为样本,将路面质量等级评分值、路面使用性能指数、年均日交通量、年均日重车量、计算使用年限、年均降雨量、年平均温差、路面厚度、路面宽度确定为影响沥青路面小修保养工程量的量化指标,建立了预测沥青路面小修保养工程量的多元非线性模型;以调研路段沥青路面实际破损维修数量为样本,分别用BP神经网络模型和多元线性回归模型进行预测分析。研究结果表明：将预测结果与实际维修量数据进行比较,BP神经网络模型预测误差为5%,多元线性回归模型预测误差为14%,说明BP神经网络模型是预测高速公路沥青路面小修保养工程量的一种较为合理可行的方法。     

BP神经网络在GDP预测中的应用研究

在经济预测中,通常采用回归分析方法建立模型对经济运行进行拟合,但由于经济系统的复杂性,许多回归模型尤其是线性回归模型难以达到要求的精度。本文采用BP神经网络方法建模,利用其自学习和非线性的突出特点,得到了较为满意的预测结果。     

基于最优加权的组合预测模型及应用

针对各种单一的传统预测方法中存在的问题,提出了一种基于最优加权的组合预测方法．根据珠江三角洲天河水文站的水位预测要求,运用最优加权法建立了多元线性回归、灰色系统GM（1,1）和BP神经网络的组合模型．实验结果表明,组合预测方法比各单一模型有更高的预测精度．     

基于BP神经网络的区域短期地震预测模型研究

在详细分析和归纳地震数据及其特征的基础上,提出了可以对地震震级进行量化预测的方法,以江苏省区域为研究对象,采用线性回归和常规BP神经网络方法进行了震级预测,并在总结了这两种方法优缺点的基础上,提出了"线性回归+神经网络"的融合模型。回溯检验结果表明,该模型的预测效果得到显著改善。     

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。     

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.     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

基于长短期记忆神经网络模型的空气质量预测

随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;PéREZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM_(2.5)浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率。这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题。因为预测精度低可能会导致空气质量预测结果出现较大的误差。针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term memory,LSTM)的神经网络模型。该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能。由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据。LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点。     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。     

基于民航团队旅客销售的预测方法分析

利用Matlab分别用后退的回归分析算法、BP神经网络算法、支持向量机算法和组合预测算法对民航团队销售数据进行预测和比较分析,为民航销售人员提供更加精准的预测信息,从而获得更高的航线收益.分析结果显示:后退的回归分析算法比常用的多元线性回归精准性提高,但是数据结果并不具有可靠性.神经网络算法、支持向量机算法和组合算法比常用的回归分析算法预测的精准度有了明显的提高.支持向量机算法预测精度相对神经网络算法稍低,但是却拥有更强的泛化能力.组合预测算法能避免单一预测方法的误差,更加适合航线销售人员的实际操作.     

饱和醇结构-保留定量相关的人工神经网络模型

以拓扑指数为结构描述符,用基于Levenberg-Marquardt优化的BP神经网络建立了醇类化合物的结构与色谱保留值的相关性模型,用于未知醇类化合物在SE-30和OV-3两根色谱柱上保留指数的同时预测,其学习速率优于文献中普通BP神经网络法,预测准确度与普通BP神经网络法接近,但优于多元线性回归法,因而是一种较好的预测有机化合物气相色谱保留指数的方法.     

基于地震属性技术的井壁稳定随钻预测新方法

基于地震属性和测井数据之间存在非线性关系，提出一种综合利用地震和测井信息随钻预测井壁稳定性的新方法，即在钻前联合运用遗传算法和BP神经网络算法，从所提取的井旁原始地震属性中优选出对测井特征参数最敏感的地震属性组合，并利用已钻井资料建立起反映所研究区块不同地层中地震属性与测井数据之间关系的一系列神经网络映射模型，实钻时通过分析岩屑录井资料选择适当的映射模型，随钻预测出待钻井段的声波和密度测井数据，进一步预测出钻头下方地层的井壁稳定性。该预测方法具有良好的精确度和时效性，在塔西南地区的实际应用中取得了良好效果。     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．     

基于离散型二项式系数组合模型的黄土湿陷性评估

为了快速精确地利用基本物性指标预测湿陷性黄土的湿陷性系数,基于多种数据挖掘方法提出了离散型二项式系数组合预测模型。首先,采用相关系数法和随机森林重要性指数法综合选取模型基本物性指标为饱和度、干密度、液性指数和天然含水量;然后,分别利用多元线性回归、BP神经网络、支持向量机回归（SVR）和随机森林（RF）回归对黄土湿陷性系数进行预测,并将预测结果进行组合,得到4种单一模型、2种传统组合模型和离散型二项式系数组合模型预测结果;最后,利用6种不同精度指标对上述7种预测模型展开精度分析。结果表明：组合预测模型精度整体高于单一预测模型,且提出的离散型二项式系数组合模型各精度指标均为最优,平均相对误差为3.43%。可见提出的离散型二项式系数组合模型可为湿陷性黄土地区的工程设计提供参考。     

主成分分析在线性模型与非线性模型的应用研究

为了解主成分分析在线性模型与非线性模型预报中的应用效果,在2001—2011年热带气旋历史观测资料基础上,采用主成分分析方法,结合线性回归模型和神经网络模型,开展西北太平洋热带气旋的强度预报技术研究试验．根据提取的主要影响因子构造线性回归模型与BP神经网络的输入样本进行不同样本的台风强度预测．计算结果表明,主成分分析通过降低线性回归模型和BP神经网络模型的维数,减少自变量之间的复共线性,减小模型的预报平均绝对误差．     

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.