基于BP神经网络的组合预测及在电力负荷的应用

分析了电力负荷预测的意义及预测原理,并以传统方法证明了组合预测的优越性．在经典预测方法线性回归和现代预测方法灰色模型的基础上,通过BP神经网络进行组合预测,分别应用单一模型和以计算机为工具的组合模型对上海市年电荷用量进行预测．通过分析和比较验证了该组合算法的有效性,     

灰色线性回归组合模型在沉降监测中的应用

为了在贫数据条件下准确预报中长期沉降值,采用线性回归方程和指数方程的组合方式,通过适当配置模型的某些参数来获得新的生成序列函数模型．结合工程实际算例进行预测,并和实际观测数据比较,取得了较好的效果,验证了灰色线性回归组合模型应用于沉降监测预报的可行性．通过其残差与回归分析模型和灰色预测GM（1,1）模型残差相比较,证明该模型在沉降预报中优于回归分析模型和灰色预测GM（1,1）模型．     

基于灰色模型和BP神经网络的交通量预测研究

在分析公路交通量影响因素的基础上,通过灰色模型对各影响因素进行预测.以湖北省为例,以各影响因素为输入层,将交通需求量作为输出层,构建BP神经网络交通量预测模型,在对模型有效性进行检验后,得到未来年湖北省公路交通量预测值.     

基于灰色理论与BP神经网络的交通运输量组合预测研究

交通运输量预测是公路规划与管理中的重要问题.结合灰色理论模型与神经网络的优点,基于不同的组合预测思想分别建立了加权算术平均组合、加权平方和平均组合及加权比例平均组合预测模型.利用不同的评价模型对多组数据进行了评价分析研究.结果表明,通过选择合适的组合预测模型及参数估计方法并确定最佳的模型参数,能够有效地提高预测精度.     

灰色组合预测模型应用研究

道路交通事故预测是道路交通安全研究的一项重要内容,它的目的是为了掌握交通事故的未来发展状况,对交通安全措施的可行性和实施效果进行合理评价,有效地控制各影响因素,达到减少交通事故的目的．可构建适应道路交通系统多属性特点的道路交通事故预测模型：灰色预测及其改进模型、神经网络预测模型、灰色神经网络组合预测模型．实证结果表明,灰色组合预测模型能够充分发挥各单一模型的优点,同时弱化了单一模型的缺点,比单一模型的预测结果更理想,精度更高．     

基于灰色线性回归组合模型的火炮身管寿命预测

为了准确预测出火炮身管寿命终止时的最大射弹数,提高火炮的实用性能,该文对火炮身管内径磨损量的数学模型进行了研究.该文提出采用灰色系统理论分析的方法,将灰色模型与线性回归模型相融合,建立了灰色线性回归组合模型,得到了身管内径磨损量与射弹数的数学关系式.将该新模型与传统的灰色模型分别应用于某型火炮的身管寿命预测,通过数据对比表明了该灰色线性回归组合模型方法的有效性,使预测精度得到了提高.     

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。     

基于马尔科夫——灰色BP神经网络组合模型的深基坑变形预测研究

建立马尔科夫—灰色BP神经网络组合模型是为了更加科学合理预测深基坑压顶水平位移,提高预测精度.比较分析BP神经网络模型与串联式灰色BP模型的预测结果,建立马尔科夫链修正的灰色BP组合模型,以汕头市某花园酒店扩建工程的基坑压顶水平位移的实测数据为研究对象,通过比较模型预测结果与实际结果,检验其深基坑预测模型的精度.实例证明,经马尔科夫链改进的灰色BP神经网络组合模型的预测精度优于单一模型,更适合用于样本少、随机波动性大的深基坑变形预测.马尔科夫—灰色BP神经网络组合模型对深基坑压顶水平位移的预测不仅精度高,同时反映出数据序列发展变化的总体趋势和系统之间各状态的规律,为深基坑压顶水平位移预测提供了一种新方法.     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

灰色-线性回归组合模型在预测中的应用

针对现阶段灰色经济预测方法在实际应用时的千变万化的情况,结合实际调查和预测经验,提出了一种基于灰色理论和线性回归理论的模型--灰色线性回归模型.给出了灰色-线性回归模型算法的基本思想和计算步骤,并举例说明如何用该模型解决实际问题.结果表明灰色-线性回归模型用于预测是有效的和可行的.     

基于多元线性回归和BP神经网络的单井能力预测

为提高单井能力预测的精度和可靠性,提出利用地震属性数据,结合多元线性回归方法和BP神经网络方法进行预测。首先提取了研究区目的层的地震属性,然后利用多元线性回归方法和BP神经网络方法建立了单井能力与地质、地震属性之间的函数关系,得出了半定量-定量化的单井产量设计模型,并且验证了模型的预测结果。结果显示:单井能力预测精度总体在80%以上,其中BP神经网络模型预测精度更高,吻合度更好,证明了利用多种地震属性联合预测单井产能是一种卓有成效的方法。     

基于 BP 神经网络与灰预测方法的杭州市城市生活垃圾产量预测研究

通过分析影响城市垃圾数量的主要因素,利用灰预测方法构建未来数据,建立了一个考虑人口数量、人均收入影响下的B P神经网络模型,对未来10年的杭州市生活垃圾数量进行预测,得到较好的结果。     

基于BP神经网络的区域短期地震预测模型研究

在详细分析和归纳地震数据及其特征的基础上,提出了可以对地震震级进行量化预测的方法,以江苏省区域为研究对象,采用线性回归和常规BP神经网络方法进行了震级预测,并在总结了这两种方法优缺点的基础上,提出了"线性回归+神经网络"的融合模型。回溯检验结果表明,该模型的预测效果得到显著改善。     

BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题。通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究。并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度。     

基于灰色关联和BP神经网络的铁路货运量预测方法

为提高铁路货运量的预测准确性,运用灰色关联分析法,计算分析了与铁路货运量相关的主要社会指标,确定铁路货运量的影响因子分别为铁路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量。将所确定的因子作为铁路货运量的预测指标,建立基于BP神经网络的铁路货运量预测模型,并对模型进行了应用测试。结果表明:BP神经网络模型具有较高的精度,最大相对误差为3.7%,平均相对误差为2.3%。该方法具有较快的收敛速度和较高的预测精度,可为我国铁路货运量的预测研究提供方法支撑。     

基于BP算法的神经网络内模控制器

文章针对一类非线性系统,采用加入阻尼项的权值调整BP算法,设计了基于BP算法的神经网络内模控制器,并进行了仿真,结果显示该控制器对阶跃信号和扰动均无稳态误差,对非线性环节有较好的控制效果。     

基于BP神经网络的福州市人口预测模型

根据福州市区1981-2004年的人口统计数据,应用BP-MSM算法,建立福州市区BP神经网络的时间序列预测模型,并与一元线性回归模型、人口自然增长模型、指数函数模型、幂函数模型、马尔萨斯人口增长模型、Logistic人口预测模型的预测结果进行比较,结果表明BP神经网络对人口数量的预测精度更高,效果更好.     

基于灰色BP神经网络的装备保障费用预测模型

装备的保障费用是装备全寿命周期费用的重要组成部分,为了科学合理地预测武器装备的保障费用,通过分析装备保障费用的构成及其影响因素,考虑到装备保障费用数据量有限、复杂多变、非线性,用单一预测模型预测精度不高,因此建立了基于灰色系统理论和BP神经网络的组合预测模型,将灰色系统模型善于处理小样本数据和BP神经网络优于解决复杂非线性问题的优点有效地结合起来,对基于非线性时间序列的保障费用进行预测。仿真实例表明该组合模型的预测结果比传统单一模型所得到的预测结果总体误差要小,可以有效提高装备保障费用的预测精度。     

基于BP神经网络的我国碳排放情景预测

碳排放预测有助于碳减排目标和碳减排路径的科学制定。借鉴STIRPAT模型的影响因素,选取人口、城镇化率、人均GDP、第三产业GDP比例、能源消耗强度、煤炭消费比例等6项因素为自变量,以1980-2009年的指标数据为训练样本,运用BP神经网络方法构建了我国碳排放预测模型,并对2010-2015年我国碳排放进行预测,结果表明我国“十二五”期间应适当降低GDP增速,促使碳排放目标的有效实现。     

基于优化BP神经网络算法的网络质量评价

针对现有的BP神经网络算法,提出了在变步长BP神经网络算法基础上的优化方案,并将其应用于网络质量评价当中.在优化方案中,对步长的上升和下降阶段分别采用不同策略进行优化.理论分析表明:优化后的算法能够克服传统算法权值收敛过慢,和变步长算法误差收敛中的震荡问题.仿真表明,优化后的算法会使神经网络的学习误差和网络质量分类的总体误差明显下降并大幅提高评价的准确性.优化算法较传统算法相比误差收敛过程更加稳定,且学习误差下降达9.64％,网络质量分类的总体误差下降达23.1％；优化算法的验证准确率在传统算法的基础上提高了19.65％,在变步长算法的基础上提高了9.88％.由此可见,优化算法在BP神经网络的预测精度方面起到了大幅度提高的作用.