基于主成分分析的BP神经网络及其在需水预测中的应用

以甘肃省瓜州县为例,利用1988~2007年的总需水量数据,采用主成分分析法对影响水资源需求量的7个因子进行主要影响因子分析,根据确定的主要影响因子构造BP神经网络的输入样本,从而进行不同水平的年总需水量预测。结果表明:国内生产总值、工业总产值、农业总产值和大牲口数4个因子为影响研究区需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,确定网络输入节点数,建立瓜州县总需水量预测模型。模拟计算结果表明,基于主成分分析的BP神经网络模型取,预测结果的绝对误差小于±0.05×109m3。     

基于主成分分析与BP神经网络的冲击地压预测

冲击地压的发生会对矿山造成巨大的经济损失,预测预报是防治冲击地压的重要组成部分。文章将主成分分析方法与反向传播人工神经网络(即BP神经网络)方法相结合,用于对冲击地压的预测。首先,利用主成分分析法对冲击地压的影响因素进行分析,降低数据的维数。然后,将所得的数据作为BP神经网络的输入数据进行训练,用训练好的神经网络对冲击地压进行预测。预测结果与实际结果的对比表明,利用主成分分析—BP神经网络方法对冲击地压预测是可行的。     

基于BP神经网络的充填钻孔使用寿命预测

针对充填钻孔的使用寿命受很多因素的影响,并且影响因素与钻孔使用寿命之间不存在显著线性关系的特点,采用人工神经网络方法来研究钻孔使用寿命预测的问题。通过对金川公司充填钻孔进行调查分析,找出影响钻孔使用寿命的主要控制因素,建立结构为3—9—1的三层BP神经网络模型来预测金川矿区充填钻孔的使用寿命。结果表明,预测值与实际值拟合得较好,最大误差为13．58％,验证了用BP神经网络预测钻孔使用寿命的可行性。     

改进的BP神经网络及其在销量预测中的应用

针对影响产品销量的因素众多,并且影响因素之间相互作用等特点,将人工神经网络理论引入产品销量预测领域.同时,为了克服BP网络的局限性,提出将主成分分析方法、BP神经网络以及粒子群优化算法相结合,分别从样本质量和初始权值两个方面对BP神经网络进行改进.最后,对某品牌服装产品的月销售量进行了实例研究.结果表明,所提出的模型简...     

基于主成分分析的BP神经网络对房价的预测研究

为了提高房价预测精度,采用基于主成分分析的BP神经网络预测模型.首先运用主成分分析对影响房价指标重新组合生成新的综合指标,然后采用非线性预测能力非常强的BP神经网络对其进行建模,并对房价进行预测.仿真结果表明,基于主成分分析的BP神经网络的房价仿真值与历史值的系统总误差只有0.52%,可作为房价预测的一种行之有效的方法.     

提高预测精度的BP-ELman网络组合

为了消除BP网络模型的系统误差,本文提出用ELman对原有模型的预测结果进行多次校正以减小误差,并对股市收盘价数据进行了模型构造和预测,结果表明,BP-ELman组合神经网络不仅增强了网络的局部泛化能力,而且预测精度高于单一采用ELMAN网络或BP网络的精度.     

改进爬行动物搜索算法优化ENN模型预测管道腐蚀速率

管道腐蚀的影响因素多而复杂,建立准确的管道腐蚀速率预测模型是评价管道安全状况的关键。针对传统Elman神经网络(Elman neural network, ENN)模型预测中易陷入极小值、泛化能力不强的缺陷,提出了一种基于改进爬行动物搜索算法(引入Circle混沌映射并结合鲸鱼优化算法的狩猎策略)的ENN模型,并采用管道腐蚀速率实测结果验证了新模型的有效性。两个实例的预测结果表明,改进新模型的平均绝对百分比误差分别为0.547 6%、0.783 1%,其预测精度明显高于传统ENN模型。新模型在预测过程中可对权值和阀值进行寻优处理,因此有助于提升传统模型的预测精度。     

基于BP神经网络的天然气集输管道结垢预测

采用实验方法测试了川西北气矿邛西区块产出水的离子成分和浓度。以此为基础,建立了基于BP神经网络的天然气集输管道结垢预测模型,确定了模型的网络层数、输入向量、输出向量、训练函数、隐含层节点数、各参数的阈值和权重。用现场实测数据验证了所建立的BP神经网络模型的准确性。结果表明,以气田水离子浓度、温度、压力、pH值、矿化度和流速作为输入参数的BP神经网络,可以准确预测邛西区块天然气集输管道的结垢。     

基于PCA的BP神经网络股票预测研究

股票市场是国民经济发展变化的"晴雨表",股票价格的涨跌也是政治、经济、社会等诸多因素的综合反映.近几年来,神经网络取得较大发展已经成为热点研究并在各个领域中得到应用.文章基于主成分分析和BP神经网络,以中国石化100天股票历史技术指标数据作为训练样本对收盘价进行预测,20天数据进行检验,并通过图像仿真拟合来验证神经网络股票预测的可行性和准确性.     

采空区危险性评价方法优化

为了更合理精确地评价采空区危险性,对利用神经网络评价的方法进行优化,建立主成分分析法与神经网络结合的采空区危险性评价模型.从地质和工程条件出发,综合考虑影响采空区稳定性的13项主要因素,统计样本数据.运用主成分分析法对影响采空区稳定性的样本进行预处理,将分析结果作为神经网络的输入数据,减少输入变量,消除变量之间的相关性,从而加快数据处理速度,提高预测精度.将该方法应用于锡矿山的采空区危险性评价.结果表明,预测误差在8％以内,较未经主成分分析的神经网络预测精度有了很大提高.利用主成分分析法和神经网络结合建立的采空区危险性评价模型具有分析速度快、预测精度高等优点.该方法科学合理,为采空区危险性评价提供了一种更完善的评价体系.     

基于改进型BP神经网络的油井产量预测研究

为了保证油田生产持续稳定地发展,针对油田单井产量提出了基于改进型BP神经网络的预测模型。对传统的BP神经网络的结构和训练算法进行了研究,发现它存在易于陷入局部极小,收敛速度慢等问题。提出了使用LM算法的改进型BP神经网络。最后给出了基于改进型BP神经网络的单井产量预测模型仿真实验。结果证明该算法的实用性和可行性,在油井产量预测方面有一定的实用价值。     

基于Web方式的神经网络智能预测系统设计与应用

针对传统BP神经网络的一些缺陷,设计一种综合改进的BP神经网络算法.在此基础上,采用.NET架构以及Web Services等技术,用主成分分析算法和置信度区间算法对BP网络结构进行全后处理,以经济预测为例,设计开发了一个基于B/S结构的智能经济预测系统.该系统具有较好的易用性和一定的通用性,提高了预测结果的准确度和神经网络的泛化能力.     

BP神经网络主成分分析在试飞数据预测中的应用

本文采用主成分分析与BP神经网络相结合的方法对试飞数据进行了预测,同时还对BP神经网络主成分分析法与全要素BP神经网络分析法进行了比较．结果表明BP神经网络主成分分析法具有精度更高、收敛速度更快等特点。     

基于主成分分析的BP神经网络在电力系统负荷预测中的应用

BP神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,BP神经网络的预测精度会下降。针对这一问题,本文提出一种改进新方法,具体是利用主成分分析（PCA）方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络的结构,从而有效解决了BP网络预测精度下降的问题,最后通过实际的算例验证了该方法的有效性。     

主成分分析法在我国税收预测中的应用

神经网络非常适用于复杂非线性系统的处理,已被广泛应用于经济预测中.针对经济预测中指标多、历史数据不足从而大大削弱神经网络的泛化能力问题,本文利用主成分分析法建立了税收的预测模型.结果显示:经主成分分析之后再进行预测,能从根本上降低神经网络规模,提高了神经网络的泛化能力.     

基于主成分分析与神经网络的采矿方法优选

基于利用神经网络预测采矿方法存在一些不足,建立主成分分析法与神经网络结合的采矿方法优选模型。对神经网络的输入数据进行主成分分析,使输入数据不相关且减少。研究结果表明:利用主成分分析法可将输入数据减少,消除由于BP网络输入数据太多而影响数据处理速度的缺陷;把主成分分析法和神经网络结合进行采矿方法优选,可使预测精度大大提高。     

基于主成分和BP神经网络方法的湖南省汽车保有量预测

汽车保有量预测对城市交通的发展方向、城市交通的控制管理、城市道路的建设情况等都有直接的参考意义。本文通过分析影响城市汽车保有量的因素,通过参考部分参考文献,城区人口总数人均GDP、公路客运量等8个指标,首先采用主成分分析法将8个因素进行分析,然后建立BP神经网络模型对湖南省2006到2008年汽车保有量进行预测,预测结果分别为98．93万辆、122．18万辆、137．03万辆,与汽车保有量实际值94．64万辆、121．72万辆、142．67万辆很接近,预测精度比较高。这表明BP神经网络具有很强的学习与泛化能力,用于汽车保有量预测的可行性与有效性。     

改进BP神经网络在郑州市需水量预测中的应用

水资源供需矛盾日益突出,需水量预测已成为广泛关注的焦点．需水量预测可以为“三条红线”的实施提供依据,以强化水资源管理和节水监督管理,缓解水资源供需矛盾．基于BP神经网络模型,采用自适应调整的算法,改进了BP神经网络模型中学习率的求解方法,并将其应用到郑州市经济社会需水量预测中,预测了2012年和2015年经济社会需水量,分别为14．41亿m3和14．84亿m3;通过与BP神经网络模型、主成分回归分析结果对比,发现改进后的BP神经网络模型根据迭代误差自动调整学习率,求解速度和计算结果精度明显提高,适用于郑州市需水量预测．     

基于改进BP神经网络预测蛋白质二级结构

蛋白质结构预测在生物信息学研究中占有重要地位,而蛋白质二级结构预测是蛋白质结构预测的关键步骤。针对标准BP算法存在的缺点,讨论采用几种不同的改进BP神经网络来实现蛋白质二级结构的预测,运用MATLAB语言实现各种改进算法的初始化和训练。并分析比较了它们对蛋白质二级结构预测精度的影响。实验表明,遗传算法结合动量法与学习率自适应调整策略的BP算法可获得较高的预测精度。     

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．