基于细胞状演化神经网络的黄河三角洲区域预测

将细胞状遗传算法(cGA)与反向传播(BP)神经网络相结合,构建了一个细胞状演化神经网络时间序列模型,以1984～2000年间的多时相遥感影像为主要数据源,应用该模型对黄河口地区陆地面积进行预测,并分析了其将来的演变趋势.结果表明,在2001～2010年间研究区域陆地面积将呈现增长与蚀退交替演变、增长高峰逐渐下降的趋势.     

基于遗传BP神经网络的非平稳时间序列预测

BP网是神经网络时间序列预测方法中最常用的网络。针对BP算法局部搜索能力强,而遗传算法全局搜索优势突出的特点,将二者结合构造遗传BP神经网络,用于非平稳时间序列预测。仿真结果表明,该混合算法不仅提高了学习效率,而且对太阳黑子数预测的准确性高于BP算法、传统统计学预测方法。     

基于遗传算法的神经网络金融时序预测的研究

基于简单遗传算法的神经网络训练速度慢、易陷入局部极值,用具有较好的全局搜索能力自适应遗传算法来优化神经网络权值和国值,设计了基于自适应遗传算法的BP神经网络的股票预测系统．该系统根据对股票历史数据分析,预测股价未来几天时间的走势．结果表明,改进算法具有很强的可行性和高效性．     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。     

基于BP神经网络的道路交通事故预测

以我国近年来道路交通事故统计资料为基础,采用改进型BP神经网络,建立起我国道路交通事故发生的时间序列模型,该模型可用于短期内道路交通事故多少的预测。     

基于改进遗传算法的BP神经网络及应用

结合遗传算法及神经网络各自的优点,利用改进遗传算法对BP神经网络的连接权进行优化,并提出了一种新的编码方式.通过与时间序列模型对比,基于改进遗传算法的BP模型效果更好.     

基于时间序列模型与BP神经网络的深圳近岸海域富营养化预测

本文根据2013—2017年夏季(8月)深圳近岸海域水质监测数据资料,采用营养质量指数法对深圳近岸海域富营养化状况及其变化趋势进行评价,并建立时间序列预测模型与BP人工神经网络模型分别对该海域2018年无机氮、活性磷酸盐、化学需氧量和叶绿素a含量进行预测,并根据预测结果利用营养质量指数法对2018年深圳海域富营养化水平进行预测,同时根据预测结果对深圳海域营养盐结构进行分析,识别东西部海域的富营养化限制因子,据此提出富营养化水平的改善建议。研究结果表明：2013—2017年深圳近岸海域富营养化水平一致表现为西部海域偏高,东部海域偏低的特征,其中珠江口海域在5年间的平均富营养化水平最高,其余依次为深圳湾＞大鹏湾＞大亚湾。2018年富营养化水体基本出现在西部海域,东部海域整体富营养化水平较低,已贫营养水平为主。富营养化高风险区主要分布在西部海域,其中茅洲河口与深圳湾海域富营养化风险尤为高,建议在上述区域进行富营养主要因子无机氮和活性磷酸盐的管控,以期降低富营养化发生概率。针对东部海域沙头角湾和坝光海域表现为中营养水平的情况,建议对上述海域进行无机氮和活性磷酸盐的防治,以达到保持海域营养水平现状的目的。     

BP神经网络在非线性时间序列预测中的应用

利用神经网络的Kolmogorov连续性定理建立了时间序列对象的预测模型，并对基于本模型的数据处理方法进行了探讨。通过对2002年深沪上市公司国有股数量的预测，证实了本模型的正确性和科学性。     

基于改进 BP 神经网络的交通流量预测仿真

交通流预测是智能运输系统中的路径诱导和交通流控制的必要条件,其实时性和可靠性直接关系到交通管理与控制的效果,因此本文利用利用遗传算法对BP神经网络的权值、阈值进行优化,从而应用强大非线性逼近能力实现交通流量的准确预测,并且通过实验进行算法的仿真,结果表明,BP神经网络经遗传算法优化后,精度得到提高,而且BP神经网络对交通流量的预测是可行的。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于进化神经网络的曲面磨削表面粗糙度预测

将人工神经网络技术引入曲面磨削加工领域,介绍了利用BP算法建立的曲面磨削表面粗糙度随磨削用量变化的进化神经网络预测模型．针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,取代了一些传统的学习算法,设计了基于进化神经网络的学习算法．实验和仿真结果表明,基于进化计算的BP神经网络不仅可以克服单纯使用BP网络易陷入局部极小等问题,而且预测精度较高。     

基于BP神经网络的艾滋病预测模型

利用神经网络的自学习、自适应及非线性逼近能力,建立了艾滋病预测模型,并利用Matlab的神经网络工具箱进行开发实现.经过实证研究,表明了该模型的有效性,为艾滋病预防提供了一种科学、可行的预测模型。     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

神经网络在时间序列预测中的应用

将人工神经网络的ＢＰ模型应用于非线性时间序列预测,并将预测结果与传统预测方法的预测结果进行比较,表明神经网络预测方法具有明显的优势。