Kalman滤波在股票交易模型中的应用

本文在ＤＤＭＳ即股利贴现模型的基础上,利用Ｋａｌｍａｎ滤波将随机方程变为确定性方程,从而采取相应的决策,使资金流量按所期望的规律变化。     

Kalman滤波在GPS授时中的应用

高精度的星载原子钟使得GPS授时精度得到了很大提高.针对GPS授时过程中接收机受到各种噪声的影响,利用Kalman滤波原理,建立状态方程和观测方程,对噪声进行分类和讨论,运用Kalman滤波原理对接收机钟差数据进行了分析,计算结果表明Kalman滤波可提高GPS单向授时精度.     

灰色BP神经网络组合模型在大坝沉降监测中的应用

大坝沉降是一个非线性的过程。为了能准确预测大坝沉降,将GM(1,1)模型和BP神经网络模型结合,以某大坝沉降量为实例,研究灰色BP神经网络在大坝沉降监测中的应用。通过GM(1,1)获得一组拟合数据,将拟合数据和原始值作差得到拟合值的误差序列,再利用BP神经网络模型对拟合数据和拟合数据的误差序列进行训练,最后再以拟合数据作为输入值,利用训练完成的BP神经网络得到误差序列,进而得到预测值。经过实验分析,得出组合模型的预测精度高于单一模型的预测精度。     

LSTM神经网络模型在GPS变形监测中的应用研究

为提高GPS变形监测在工程应用中的精确度,研究LSTM神经网络在变形监测中的作用。分别利用建立的GM(1,1)模型和LSTM神经网络模型对GPS变形监测工程案例进行应用分析,与GM(1,1)模型相比LSTM神经网络模型预测误差降低幅度可达58%,相对误差降低幅度可达62%,RMSE值降低幅度为66%,结果说明LSTM神经网络模型较GM(1,1)模型有更高的预测精确度,预测结果更接近实际测量结果,深度学习的方法之一LSTM神经网络模型在GPS变形监测中有很高的应用价值。     

BP神经网络在极限承载力预测中的应用

<正>预应力高强混凝土简支T梁极限承载力的计算通常采用有限元的数值分析方法,考虑材料非线性影响,对T梁进行全过程分析,得出T梁的承载力。影响预应力高强混凝土简支T梁极限承载力的因素很多(如混凝土强度、钢筋强度、梁的跨径、截面尺寸等),且具有复杂的非线性特性。实际工程中,传统方法建模比较复杂,而且计算工作量大,花费大量的人力和     

BP神经网络在砂体连通性评价中的应用

为了更好地预测河道砂体间的复杂连通情况,根据萨尔图油田中区西部葡I油层组的密集井网资料,考虑将影响砂体连通性的主要因素(物性参数、砂体规模参数、隔层特征参数等)与连通级别建立一个非线性映射模型,通过反馈误差学习方法对砂体连通性进行定量分析。通过对PI2、PI3河流相储层结构即单砂体接触模式及展布特征的分析,选取影响连通性的合适参数和代表性学习样本,利用BP神经网络判别模型进行反复学习和预测。通过比较预测输出与期望输出的误差情况可知,基于BP神经网络的砂体连通性定量判别具有较好的应用效果,并且可以考虑延伸应用于对整个区块的连通性预测当中去。     

基于Kalman滤波的人工神经网络算法及在矿物机械活化中的应用

为了避免传统BP算法的局限性，通过利用Kalman滤波算法对权值矩阵作为滤波状态变量进行估计，在迭代过程中还引入神经元增益gi和状态动量因子γm两参数来平滑权值矩阵．在此基础上建立的BP算法不仅大大加快了收敛速度，而且提高了网络数值的稳定性，应用于矿物机械活化过程模拟得到令人满意的效果，证明是一种有效的BP学习算法．     

BP神经网络与ARMA-GARCH模型在股票预测中的对比分析

考虑到股票价格瞬息万变,波动性强,用BP神经网络与ARMA-GARCH模型对上汽集团收盘价预测.对BP神经网络与ARMA-GARCH模型的股票预测结果进行对比分析,结果表明,在预测未来20 d收盘价时,BP神经网络平均绝对误差比ARMA-GARCH模型低31.4％;在预测未来6 d收盘价时,ARMA-GARCH模型平均...     

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。     

基于粒子滤波与BP神经网络的短时交通流预测

为了有效缓解当前交通拥堵问题,结合时下流行的智能交通系统,本文将粒子滤波算法引入短时交通流预测过程中,提出一种基于粒子滤波与神经网络的预测算法。该系统通过BP神经网络的非线性映射功能,分裂选择适当的权值,在多次训练之后能够提高算法中粒子的多样性,改善算法滤波的性能,最终达到提高预测精度的目的。另外,本文以河南省新乡市交通局公交和出租车数据作为数据来源,通过与传统的粒子滤波算法和BP算法的预测结果进行对比,发现本文所提出的方法对短时交通流预测具有更好的预测精度。     

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。     

交会图和BP神经网络技术在碎屑岩识别中的应用

饶阳凹陷新近系馆陶组岩性以碎屑岩为主,岩性复杂多样,单纯利用测井曲线难以对岩性进行较好地识别,对后续测井解释的结果造成了不利的影响。针对该问题,以测井资料为基础,提出了一种首先利用交会图技术将各类岩性进行归纳总结,然后应用BP神经网络技术对归纳后的岩性进行快速识别的方法。从此种方法在留西地区的应用效果来看,该方法对样本数据库中各类岩性的识别精度达到了90%以上,其中泥岩和粉砂岩的识别精度更是达到了100%,大大提高了单纯利用测井曲线对岩性进行分类识别的精度,在油气勘探开发过程中能够发挥较为重要的作用。     

砂土液化判别最优BP神经网络模型

利用BP网络模型在解决砂土液化评价这类非线性问题方面的优势,选取不同的参数组合,建立不同的砂土液化判别BP神经网络模型,并根据现场实测资料进行比较分析.结果表明,以地震烈度、标准贯入点深度、地下水位深度、标贯击数、不均匀系数及地震剪应力比作为输入节点的砂土液化判别BP神经网络模型最为合理.     

神经网络滤波技术在矿井内噪声消除中的研究与应用

为了提高矿井内的安全生产水平,通过对煤炭矿井的实地调查与研究,对Adaline构成的自适应网络进行了分析,针对该网络在消除矿井内噪声中的应用进行了研究,并利用MATLAB语言对该系统进行了描述和计算机仿真,仿真结果表明了该方案的可行性和有效性.     

深基坑开挖中KPCA结合BP神经网络的基坑变形预测

针对开挖过程中基坑变形预测的问题,提出一种基于核主成分分析(KPCA)和BP神经网络的基坑变形预测方法.首先,根据实际施工情况,确定影响基坑变形的主要因素;然后,将基坑变形数据通过多变量相空间重构技术进行建模;接着,通过KPCA技术从变形数据中提取出主要分量;最后,基于提取的主要分量来训练BP神经网络预测模型,以此实现对之后基坑施工中基坑变形的预测.实验结果表明,提出的预测模型能够准确地预测基坑变形程度,具有可行性.     

改进型灰色神经网络模型在水质预测中的应用

介绍了三类改进的灰色模型和BP神经网络。将三类改进的灰色模型与神经网络进行组合,得到改进型灰色神经网络组合模型,将一维序列通过三个改进的灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构。将组合模型应用到嘉陵江磁器口断面总磷浓度的预测中,结果表明:(1)用该组合模型进行预测,相对误差均在5%以下,预测精度较高,取得了较理想的预测效果;(2)WPGM(1,1)、pGM(1,1)、CGM(1,1)、组合模型预测的平均相对误差分别为5.05%、34.01%、33.65%、3.02%,与单一灰色预测方法和灰色神经网络模型相比,组合模型的适应能力和预测推广能力更好,预测精度更高。     

ABAQUS二次开发在变形几何模型重构中的应用

为了实现变形几何模型的重构,通过在ABAQUS平台的Python脚本的二次开发,访问ABAQUS的结果输出数据库(ODB),读取ODB对象的数据,通过相应的计算获取建模需要的数据。在此基础上,编写脚本程序,重新构建出变形后的几何模型,并且实现了几何模型构建过程的可视化,从而为后续的多载荷分析奠定了基础,同时也为不规则几何模型的构建提供了一种新的思路。     

Kalman滤波器在WCDMA功率控制中的应用

介绍一种适合于分组交换WCDMA无线网络的Kalman滤波器功率控制方法.当数据包连续传送时,信道干扰具有时域上的相关性,Kalman滤波器可用来预测干扰功率.通过干扰预测和路径增益的估计,可确定合适的符合SINR要求的发送功率.给出了仿真结果,结果表明,使用Kalman滤波器的功率控制方法可以提高功率控制的性能.     

优化的BP神经网络在预测电动汽车SOC上的应用

为了提高BP神经网络预测模型对电动汽车电池SOC值预测的准确性,采用遗传算法GA和粒子群算法PSO两种优化算法分别对BP神经网络进行优化,即优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解。将该方法应用到预测电动汽车电池的SOC值中并与实际测量的SOC值进行验证比较。仿真实验表明,经过粒子群算法优化后的BP神经网络预测电动汽车SOC值的误差在1.0%~4.4%之间,明显优于采用遗传算法优化的误差范围1.6%~10%和传统的BP神经网络误差范围2.0%~72%。     

基于优化BP神经网络的网络营销绩效评价模型的构建

网络营销尽管发展历史较短,但却在企业经营中发挥着日益重要的作用,为了使网络营销发挥良好的效果就需要对其投入和产出进行科学评价。本文在现有研究基础上结合网络营销的最新发展构建了完善的评价指标体系,进而选择优化的BP神经网络模型进行建模检验,对帮助企业调整网络营销策略及方法、提高网络营销效果产生了积极作用。