样本量变化对上证指数预测精度的影响——基于MATLAB的BP神经网络模型的预测分析

选取具有不同变化特征的两个时段的上证指数每日收盘价为研究对象,使用基于MATLAB的BP神经网络模型,分别预测最后10个交易日的每日收盘指数,并对预测精度进行对比。结果表明,在同一个BP神经网络中,增加输入样本个数确实有助于提高短期预测的精度,但样本区间的选择是关键,时段内的样本应具有大体相同的变化趋势。当样本量变化时,调整网络模型结构也有助于提高短期预测的精度。对于深受政策影响的中国股市而言,将人工神经网络用于股市的短期预测更有意义。     

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。     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

LSTM网络在地铁隧道沉降预测中的应用研究

为提高地铁隧道沉降预测的精度,研究长短记忆网络(LSTM网络)在地铁隧道沉降预测中的作用。分别利用反向神经网络(BP神经网络)和LSTM网络建立模型,结合2组地铁隧道实测数据,对模型的预测精度进行了比较和分析,试验结果表明LSTM网络优于BP神经网络并有较高的预测精度,与BP神经网络模型相比LSTM网络模型预测误差降低幅度可达35%,相对误差降低幅度可达42%,均方根误差值降低幅度为55%,预测的结果更接近实际测量结果。研究表明将深度学习的方法之一LSTM网络引入到地铁隧道沉降监测中,提高了预测精度。     

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。     

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。     

基于修正动态组合模型对公共交通客运量的预测

针对公共交通客运量的预测问题，结合ARIMA、灰色预测以及BP神经网络的优势，采用临近期的误差平方和来计算动态权重，将突发事件定义为影响因子，建立了修正动态加权组合模型．选取北京市1978—2021年公共交通客运量进行实证分析．实证分析结果表明，修正动态加权组合模型的预测效果比单一模型和固定权重组合模型更好．     

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MEA-BP神经网络的PM_(2.5)质量浓度预测模型

为了解决PM_(2.5)质量浓度预测精度不足的问题,提出一种基于思维进化算法(MEA)优化的BP神经网络的PM_(2.5)质量浓度预测模型。该模型利用MEA所拥有的趋同和异化操作对BP神经网络的初始阈值和权值进行优化。以南京市每小时监测的PM_(2.5)和其他空气污染物的质量浓度数据为例,利用MEA-BP模型进行预测,并与未经过优化的模型进行对比。实验结果表明,优化后的模型能够有效避免BP神经网络易陷入局部最优解的问题,提高了预测的精度,为PM_(2.5)质量浓度的预测提供了一种新的参考方法。     

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%。     

基于遗传算法的BP神经网络对农业产业的分析预测

农业产业总值的准确预测对农业产业的优化和改善具有重要的意义.以遗传算法优化的BP神经网络建立农业产业总值的预测模型,该模型结合遗传算法和BP神经网络两者的优点,既有神经网络强大的学习能力,又具有遗传算法的全局搜索能力.采用该算法对农业产业总值进行预测,并与实际值进行对比分析.结果表明,该算法收敛速度快,预测精度高,具有较高的可靠性和适用性.     

基于改进GA-BP神经网络的种苗需求预测

为避免目前种苗市场大量浪费和无序发展的情况,分析了种苗市场出现结构性供需矛盾的原因,提出了利用神经网络模型预测未来人工造林面积、确定所需林木种苗数量的方案。在标准遗传算法的基础上,提出了改进的多子代遗传算法,通过增加子代数量提升种群整体适应度,并用于优化BP神经网络。实验结果显示,在对神经网络收敛速度和预测精度的性能优化上,多子代遗传算法较标准遗传算法分别提高了17.9%和66.7%。     

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。     

基于RBF神经网络的总产值预测模型研究

介绍了径向基函数（RBF）神经网络的工作原理和训练算法．根据生产总值与投资分配之间存在的映射关系，应用RBF神经网络建立了投资预测模型，并进行了仿真试验．与BP模型相比，该模型在预测精度和收敛速度方面具有显著的优点．结果表明，用RBF神经网络进行投资预测得到了十分满意的结果．     

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BP人工神经网络的路基压实度预测模型研究

在大量路基碾压实验的基础上,通过对BP人工神经网络的分析,建立了路基压实度预测神经网络模型,并利用MATLAB环境下的神经网络工具箱开发了相应的程序.预测结果表明,该模型程序具有学习能力强、预测精度较高、快速方便等特点.这项研究为路基碾压施工工程中土的压实度预测研究提供了新的研究思路.     

一种基于BP网络的多模型预测主动容错控制方法

针对非线性受控对象,给出了一种基于BP神经网络的多模型预测主动容错控制方案,设计了故障诊断与决策机制的算法步骤,在基于BP网络建立系统正常或故障状态动态模型库的基础上,利用预测控制算法得到控制律,达到对非线性系统主动容错控制的目的．仿真结果表明所述方法的可行性和有效性．     

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.