基于改进BP神经网络的公路旅游客流量预测

针对如何精确预测公路旅游客流量这一问题,论述了公路旅游客流量研究背景,对包括神经网络模型在内的几类模型进行了分析,说明神经网络预测模型运用在公路旅游客流量预测中的优势.以实证分析为背景,论述了改进BP神经网络在公路旅游客流量预测中的应用,并深入研究了实际运用中输入/输出向量的选择、数据预处理方法、隐层神经元数目选择、训练函数选择等实际问题,对预测结果和实际值进行了比较和分析论述,得到一个适合的BP网络.最后对几种预测方法的预测结果进行比较,说明了BP神经网络在公路旅游客流量预测的合理性与可行性.     

钻孔灌注桩单桩竖向承载力预测方法研究

根据长期的工程实测资料,提出了运用神经网络技术的方法来预测钻孔灌注桩的承载能力,从而达到在施工过程中减少或不做试桩的效果.通过对高层建筑物和大跨度桥梁钻孔灌注桩的静载实验数据分析,选择神经网络方法对承载力进行预测.首先,构造了合理的神经网络模型;接着对神经网络模型经过样本学习训练进行承载能力预测;最后,证实了神经网络技术在预测钻孔灌注桩的承载能力时可以满足工程实际的需要.     

交通量的灰色神经网络预测方法

结合灰色系统思想与神经网络构成灰色神经网络,根据目前灰色模型与神经网络结合的方法,提出并联型、串联型和嵌入型3种预测模型的结构.并联型灰色神经网络首先采用灰色模型、神经网络分别进行预测,而后对预测结果加以组合作为实际预测值;串联型对多个灰色预测的结果使用神经网络进行组合;嵌入型在神经网络的输入端、输出端分别增加一个灰化层和白化层而构成.对并联型灰色神经网络给出一种根据预测模型的有效度确定加权系数的方法.将上述3种灰色神经网络模型用于对京石高速公路断面机动车实时交通量进行预测,模型精度和预测结果比较理想,优于单一预测模型.实验表明:灰色神经网络可提高预测精度,用于交通量预测方法是有效可行的.     

基于小波神经网络模型的中国能耗预测

通过中国能源消费数据分析,结合小波分析与神经网络理论方法,建立了相应的中国能耗的小波神经网络模型,对中国能源消费增长率进行了预测,并以此预测出未来中国能源消费需求总量.通过实际数据与预测数据的统计分析表明,小波神经网络模型的预测结果有较高的精度,对中国能源消费需求总量的预测有较高的可信度.     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

基于RBF神经网络的专利发展趋势预测研究

利用RBF神经网络,对国内外近年来专利的发展趋势和专利申请增长趋势进行了预测,同时把预测结果与用时间序列ARMA模型预测的结果进行了比较。指出良好培训的RBF神经网络的输出数据能与实际专利申请数较好地吻合,而且比ARMA预测方法更为有效。     

基于时序分析与神经网络的能源产量预测模型

实际生产系统中存在大量时间序列问题，为了研究系统的结构和规律，我们需要建立时间序列模型，对其进行预测和分析。目前时间分析方法多采用AR或ARMA模型，但由于实际问题错综复杂，导致模型求解困难，实际中难以应用。为了解决上述问题，首先分析了生产系统时序分析的基本原理，利用BP神经网络建立了时序—神经网络模型，然后利用该模型对能源产量进行了预测。通过预测结果的分析可看出，该模型具有利用方便、动态性能好、预测准确性高等优点，在实际中具有一定的实用价值。     

一种新的组合灰色神经网络预测模型

对GM（1，1）灰色和几种灰色组合模型进行了讨论，针对多个相关序列预测的问题，提出了组合灰色GM（1，1）神经网络预测模型。此方法采用灰色模型对各序列进行预测，然后利用神经网络对预测值进行校正，得到最终预测值。实例表明此种模型在实际应用中的确能够提高预测精度。     

基于有限元-BP神经网络的地下连续墙变形预测

基于目前在基坑支护结构中应用广泛的变形预测方法,有限元法和BP神经网络,结合基坑工程特点,提出将有限元模型与BP神经网络相结合的基坑变形预测方法.以某实际建筑基坑为研究对象,利用有限元软件进行近似建模,使用MATLAB软件实现有限元模型与BP神经网络模型相结合的预测模型,对基坑地下连续墙水平位移值进行预测对比.结果表明,有限元-BP神经网络预测模型预测值与实测值最为吻合,预测精度优于单一的有限元或BP神经网络预测模型.     

基于遗传算法的BP神经网络气液两相流持液率预测模型优化

基于遗传算法(Genetic Algorithm,GA)对BP(Back Propagation)神经网络模型的初始阈值及权值进行优化,弥补了单一BP网络模型预测气液两相流持液率时收敛速度慢随机性大等问题。为了对优化后的BP网络模型进行可行性验证,以倾斜管道为研究对象,对倾斜管道内气液两相流的持液率进行预测,并与前人获得的预测结果进行对比。结果显示:基于GA优化后的BP神经网络模型预测倾斜管道内气液两相流的持液率精度较高,且收敛速度较快。通过与倾斜管道气液两相流持液率的实际值对比得出,与传统的持液率预测公式相比,优化后的BP神经网络模型预测结果与实际值偏差较小,验证了本文优化模型的准确性及可行性。     

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．     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究.以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好.以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据.     

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。     

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。     

神经网络在岩石边坡稳定分析中的应用

本文建立了岩石边坡稳定分析的神经网络模型,并用2 2个样本对其进行了训练,预测了4个样本,预测值与实际值的结果表明用神经网络进行边坡稳定分析是可行的。     

基于BP神经网络的人口火灾发生率预测方法研究

在分析人口火灾发生率同气象资料之间关系的基础上，设计了BP神经网络模型。根据北京市2000年至2006年气象资料及人口火灾发生率的统计数据对该神经网络进行了训练，训练精度为0．00000001。使用训练好的BP神经网络模型对北京市2007年和2008年人15火灾发生率进行预测，预测结果与实际值误差分别为0．00001和0。     

基于神经网络的物流量预测

应用不同的人工神经网络模型进行物流量预测。分析影响物流发出量、吸引量和周转总量的各相关因素及神经网络预测的基本思想,研究神经网络静态前馈模型和简单动态模型预测物流量的局限性,认为采用二者结合的综合预测方法能对物流量进行准确的预测。给出动态反馈的实时递归法仿真计算步骤,仿真结果与实际结果比较,具有较高的可信度。     

基于LM-BP和SVR的倾倒变形体变形预测

为了深入了解黄登水电站1号倾倒变形体的变形趋势,采用LM BP神经网络和SVR进行变形预测研究。基于倾倒变形体的实际变形监测资料,对位移、降雨、库水位、温度等资料进行分析,以库水位、降雨量、温度、时间作为输入参数,以位移变形作为输出参数,构建LM BP神经网络模型和SVR模型,对部分监测数据进行（先行学习）训练,对后续的监测数据进行验证预测,预测预报了研究测点的变形情况。分析结果表明,2个模型精度都比较高,LM BP神经网络模型的最大误差为2.53%,SVR模型的最大误差为4.35%,预测方法有效。     

RBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性.     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．