基于GA-BP的经济指标滚动递推预测模型

为了克服传统BP神经网络在经济预测中的不足,引入遗传算法对BP神经网络的权值进行训练,在此基础上建立互推递进遗传神经网络的预测模型,经实例测试表明该模型是可行的．     

基于遗传算法的人工神经网络负荷预测研究

针对BP神经网络的固有缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,改进了传统BP算法,并采用遗传算法设计和优化神经网络结构参数,在此基础上建立了基于遗传算法的人工神经网络负荷预测模型,预测仿真结果表明,本文所提出的方法在预测精度和收敛速度方面均得到了改进。     

基于遗传神经网络的汇率价格短期预测

该文将遗传算法和人工神经网络相结合,建立了遗传神经网络模型,并且应用到汇率价格的短期预测.结果表明,如果对网络以一组汇率数据加以良好的训练,该模型就有较好的预测能力.     

基于遗传神经网络的科研项目经费预算方法

针对科研经费预算准确性与实用性无法兼顾的难题,提出基于遗传神经网络的科研项目经费预算方法.分析了科研项目经费构成及影响预算的关键因素,建立了影响因素的量化表达式,将量化结果作为输入,项目经费预算结果作为输出,利用遗传算法优化BP(Back Propagation)神经网络的权值和阈值,通过训练遗传神经网络预测模型建立输入与输出之间的非线性关系.运用预算实例对预测方法进行了有效性验证.仿真结果表明该方法有较高的预测准确性.     

变焦遗传算法优化RBF神经网络在稻瘟病预测中的应用

针对水稻稻瘟病的非线性特性,利用改进后的变焦遗传算法(ZGA)来优化RBF神经网络连接隐层节点的权值和阈值。它综合了变焦遗传算法的收敛速度快、精度高和RBF神经网络逼近精度高、学习速率快等特点建立系统预测模型。经过对2002—2011年间水稻稻瘟病的预测分析,得出此方案的预测精度高达96.57%,验证了其预测模型的有效性。     

改进遗传神经网络及其在水体富营养化和藻类生长预测中的应用

水体富营养化是藻类爆发性生长的主要因素,为了对其进行实时监测预报,提出一种改进遗传神经网络(QGANN),以实现智能预测.该网络从遗传算法(GA)和神经网络(NN)两方面及其相互关系着手,构造了一个基于量子力学原理的量子平衡交叉算子,设计了一种NN混合优化策略,将两者合并共生获得了一类快速、高效的神经网络预测模型.水库和湖泊蓝绿藻爆发预测实验表明:该改进遗传算法(QGA)性能优良;QGANN的泛化能力明显提高,比未经改进的方法(GAsNN)及简单改进的方法(DCGANN)取得了更加满意的效果.     

基于遗传神经网络的产品价格预测方法

应用遗传神经网络方法，建立了工业产品预测的神经网络预测模型，并运用遗传算法对建立的神经网络模型的结构和推理参数进行优化，使预测结果更加准确，为工业项目的投资评估提供了一种更为合理的预测方法．     

遗传算法与BP神经网络的结合在瓦斯突出风险预测中的应用

该文针对煤与瓦斯突出风险预测问题,利用BP神经网络建立预测模型,通过遗传算法对神经网络的权值和阈值优化,提高网络预测的精度。利用采集的前10组数据对网络进行训练,利用11~20组数据对预测模型进行检验,并且将检验结果与自适应BP神经网络的预测结果进行比较。结果表明:遗传算法与网络预测模型结合后的预测值跟实测值的绝对误差由原来的-0.011 9~0.200 0缩小到-0.001 3~0.061 1,提高了预测精度。     

一种基于改进型RBF神经网络的非线性时间序列预测模型

RBF神经网络具有收敛速度缓慢、全局搜索能力差等缺点,提出了一种基于遗传算法的RBF神经网络,经过自适应遗传算子参数优化,提高了RBF神经网络模型的预测精度,实现了非线性时间序列的预测.仿真实验结果表明,基于遗传算法的RBF网络预测模型非常适合非线性时间序列的预测,是可行的、精准的、有效的.     

基于遗传BP神经网络的区域物流需求预测

针对当前区域物流需求预测数据复杂且可变性较大、预测方法环境适应性较差的问题,提出了基于遗传BP神经网络的区域物流需求预测模型。首先,分析区域物流需求预测影响因素,并建立区域物流需求预测指标体系;其次,采用遗传算法优化预测网络中的可变参数,并建立多输入-多输出的BP神经网络多元预测模型;最后,通过实例结果表明该模型具有较高的预测精度和有效度。     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.     

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。     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

一种高精度的概率积分法参数预计方法

为使概率积分法参数预计具备更高的精度,在充分分析概率积分法参数与地质采矿条件间关系的前提下,整合遗传算法和BP神经网络的功能特性构建了一种新的网络模型,即NA(new approach)模型。该模型利用遗传算法的寻优能力获得网络最优输入自变量组合,并优化模型的权值和阈值。以中国45个典型的地表移动观测站数据作为训练和测试集,分别建立NA、BP网络和SVM模型,并将模型预测结果与实测数据做了对比分析。结果表明:对不同的概率积分法参数预计时,NA模型的预测精度都优于BP网络和SVM模型;且误差波动范围小、稳定性高。随预计参数的不同,BP网络和SVM模型预测精度各占优势,但两者预测效果相差甚微。     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

基于遗传神经网络的股票价格预测

针对股票市场的复杂性,本文将遗传算法用于BP神经网络的训练过程,建立了相应的优化模型,并将其应用于股票价格的预测。采用遗传算法对网络结构和权值进行优化,提高了网络的预测精度。实践表明：该方法预测精度高、误差小,值得推广。     

基于遗传神经网络的城镇基准地价评估应用——以广西灌阳县为例

提出了一种融合遗传算法与BP神经网络的城镇基准地价评估模型。该模型以正方形网格作为基本评价单元,以遗传算法优化BP神经网络连接权值,以BP神经网络训练样本数据,实现其他网格地价的模拟与预测。结果表明,遗传算法可以有效增强BP神经网络快速学习网络权值能力和克服收敛速度慢、易陷入局部极小值等问题,BP神经网络的网络训练学习与自适应性符合处于动态变化的土地价格发展要求,呈现出广阔的应用前景。     

遗传算法优化的神经网络频谱预测模型训练

针对认知无线网络(CRN)中神经网络频谱预测模型原有的反向传播算法预测准确率不高的问题,提出一种遗传算法优化的神经网络频谱预测模型训练(GA-NN)算法。通过在选择、交叉、变异中加入随机性,使种群的个体收敛至包含全局最优解的集合内,再通过反向传播算法训练神经网络频谱预测模型(BPNN)快速搜索到全局最优解。仿真结果表明,GA-NN算法训练的神经网络频谱预测模型的预测准确率比BP-NN算法提高一倍以上,GA-NN算法在多种CRN中具有适用性。GA-NN算法提高了频谱预测模型的预测准确率,将促进频谱预测技术在CRN中的推广应用。