基于递阶遗传算法和BP网络的时间序列预测

提出一种基于递阶遗传算法和BP神经网络的时间序列预测模型。现有的BP训练方法只能训练BP网络的权重,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定。以铁路客运市场数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,所提出的方法是可行的。     

基于BP神经网络的港口吞吐量预测模型

港口吞吐量预测是港口决策和规划的基础。为了合理预测港口吞吐量,本文利用外贸进出口总量、第一产业总产值和第三产业总产值作为BP神经网络的输入变量,港口吞吐量为输出变量,建立了港口吞吐量预测的BP神经网络预测模型。然后根据2000年-2010年广西北部湾港口吞吐量、外贸进出口总量、第一产业总产值和第三产业总产值,利用Matlab 6.5软件的神经网络工具箱,通过对BP神经网络模型的反复训练,发现当隐含层节点数为6,学习率为0.05,训练次数为500次,训练精度为0.001,动力因子为0.9时得到的效果最好。并对BP神经网络模型与多元回归模型的预测结果进行比较分析,认为BP神经网络模型预测的总体效果更优。最后利用所确定的BP神经网络模型,对2011年和2012年两年的港口吞吐量进行了预测。     

基于SARIMA-Intervention-SVR/BP神经网络的串联预测模型

本文利用SARIMA模型处理线性问题的优势、干预模型处理突发事件及异常值的优势、支持向量回归(SVR)模型或BP神经网络模型处理非线性问题的优势,提出了一种串联组合预测模型：SARIMA-Intervention-SVR/BP神经网络串联模型。通过对受911事件影响的美国航空客运里程、受非典影响的北京入境旅游人数以及受新冠疫情影响的中国民航货运量三个数据集的实证分析,证明了该串联模型相对于单一模型、SARIMA-Intervention串联模型以及一些衍生串并联组合模型在受到以上干预时预测的有效性。     

一种基于遗传算法的新型神经网络设计

神经网络的设计主要集中在网络权值的选取和神经网络结构的确定两个方面 ,与遗传算法结合是目前研究发展的趋势 .本文与一般的基于遗传算法的神经网络设计相比 ,提出一个新型算子—— BP算子 ,并对神经网络的权值和结构同时优化 .仿真结果表明该算法结果比较理想 .     

基于自适应遗传算法和BP网络的物重监测模型

采用自适应遗传算法与误差反向传播算法(BP)相结合,建立一个通过图像监测物体重量的模型。先对图像进行特征提取,然后用遗传算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免局部极小。作为实例,利用圆柱体、锥形体、梯形体等物体图像相关资料建立了数据库,将图像的特征因素作为样本对网络进行训练,并用训练好的网络预测未知物体重量。由实例表明,该方法在预测物体重量中是可行的,误差较小,为物体重量监测提供了一种新思路和新方法,可用于大型生产线上的物体重量在线监测和质量控制。     

基于BP神经网络的预测方法应用研究

在分析神经网络用来预测的特点基础上,采用ＢＰ神经网络方法对浙江省未来若干年的茶叶产量进行预测,并将其预测结果与采用灰色系统方法预测的结果进行比较分析,表明该方法的预测效果较好,可以用来对经济作物的产量进行中短期预测。     

混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.     

遗传算法和BP人工神经网络在税收预测中的应用

针对经典的BP人工神经网络所存在的缺陷,结合遗传算法,提出了基于实数编码的GA-BP神经网络税收预测模型。在结合递归预测方法的基础上,该模型取得了令人满意的结果。     

基于随机模糊神经网络的噪声混沌时间序列建模与预测

提出了一种基于随机模糊神经网络对噪声混沌时间序列进行建模与预测的方法,并介绍了一种基于非单值逻辑随机模糊神经网络(SFNN)的结构和学习算法.在此基础上,应用该网络对含随机噪声的麦克-格拉斯混沌时间序列进行了仿真,仿真结果表明,在噪声较大的情况下,SFNN比FNN方法有更好的预测效果.     

基于递阶遗传算法和BP网络的财务预警

提出一种基于递阶遗传算法和BP神经网络的财务预警模型.现有的BP网络模式分类训练方法大都只能训练BP网络的权重,网络的结构得预先用某种方法确定.利用巧妙设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定.以模式分类数据库中的数据进行训练和测试,并与其他模式分类模型相比较.结果表明,该模型更优,分类精确度更令人满意.根据上市公司的财务数据用所提出的方法进行财务预警是可行的.     

基于GA-Bp算法的收获机械脱粒性能建模与仿真

建立脱粒装置性能与其影响因素之间非线性模型的目的就是在不确定环境下，对影响脱粒性能的各因素进行优化使脱粒装置的各个性能指标达到最佳要求。它给出了基于GA与BP相结合的具体算法和实现过程。同时针对脱粒装置性能建模这一具体问题，给出了用于对脱粒性能进行建模的基于GA-BP算法神经网络的实现。用DELPHI语言开发的模型仿真软件对脱粒装置进行了性能建模仿真试验，试验结果验证了该模型用于脱粒装置性能建模研究的可行性。     

Prediction Method of Vessel Maintenance Outlay Based on the BP Neural Network

1 .ＩＮＴＲＯＤＵＣＴＩＯＮＦｏｒｍｅｒｌｙ ,ｔｈｅｍａｎａｇｅｍｅｎｔｏｆｖｅｓｓｅｌｏｕｔｌａｙｕｓｅｄｔｏｐａｙｍｏｒｅａｔｔｅｎｔｉｏｎｔｏｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｖｅｓｓｅｌｅｑｕｉｐｍｅｎｔａｎｄｔｈｅｉｎｖｅｓｔｍｅｎｔｉｎｐｕｒｃｈａｓｉｎｇ ,ｂｕｔｉｇｎｏｒｅｓｏｍｅｐｒｏｂｌｅｍｓｏｆｔｈｅｏｕｔｌａｙｓｐｅｎｔｏｎｔｈｅｕｓｅ ,ｍａｉｎｔｅｎａｎｃｅ ,ｅｔｃ .ｏｆｔｈｅｅｑｕｉｐｍｅｎｔ .Ｉｎｇｅｎｅｒａｌ,ｔｈｅｔｉｍｅｏｆｕｓｉｎｇｖｅｓｓｅｌｅｑｕｉｐｍｅｎｔｉ…     

基于遗传算法的ATM网络中VCC路由选择方法

针对遗传算法强大的全局寻优和并行处理能力 ,提出了一种改进的遗传算法调度ATM网络动态路由的新算法。综述了使用遗传算法进行通信网络节点选择的问题 ,指出了原有算法进行遗传算法优化时存在的不足 ,并提出一种新的基于动态惩罚的解决策略 ,其思想是在进化的过程中 ,逐渐减小对可行解惩罚的力度 ,使网络向可行解逼近。通过简单模型的仿真 ,验证了动态惩罚策略的可行性和有效性。     

一种输入驱动的BP网络高效学习算法

在深入研究BP神经网络模型的基础上,从网络互连方式、网络权值初始化以及隐结点的选取等方面,对标准的BP算法作了改进.通过实验,证明该方法是非常有效的.     

遗传算法选择性集成多分类器的企业财务困境预测

为了更加有效地进行企业财务困境预测,本文提出了基于遗传算法选择性集成的多分类器系统。与事先静态给定系统内部基本分类器组成不同,该方法以组合系统预测准确率为优化目标,无需度量各基本分类器之间的差异性,可以动态挖掘最优组合系统。实证研究中以中国上市公司为研究对象,以10折交叉验证准确率作为评价标准,结果表明该方法显著优于全集成以及单分类器最优模型。     

基于遗传神经网络的癌症死亡率预测

分析了遗传算法(GeneticAlgorithm,GA)和人工神经网络(ArtificialNeuralNetwork,ANN)的优缺点,在此基础上,提出了将遗传算法与人工神经网络有机结合的遗传神经网络此外,利用长期进行的恶性肿瘤登记的报告资料,采用遗传神经网络对北京地区的癌症死亡率进行预测结果表明该研究工作是可行的,可以作为预测的一种有效手段.     

基于禁忌遗传算法的区域路网双层优化模型

针对区域路网优化问题,利用改进的遗传禁忌算法进行了综合研究。在探讨区域路网交通特性的基础上,构建了区域路网优化的双层优化模型。并在分析遗传算法和禁忌搜索算法自身的优势与不足的基础上,提出了基于遗传禁忌算法的路网优化算法。区域路网双层优化模型利用禁忌遗传算法能够较快得到最优解,相对于传统的优化模型更能结合区域交通与经济特性,结论比较符合实际情况。应用结果表明,优化模型不仅能够满足交通需求,而且该法科学合理、可操作性强。     

基于模糊聚类的BP神经网络模型研究及应用

在神经网络的应用过程中,经常遇到样本太多问题,采用模糊聚类分析,科学选取学习样本,使少量的学习样本本身包含全部样本的特性,很好地解决了由于样本多学习速度慢的问题,并提出了训练结果检验方法.此方法可以作为神经网络应用的一个拓展.     

Method of Chaotic Prediction Based on Wavelet BP Network and Its Application

The advantage of artificial neural network and wavelet analysis are integrated through replacing the traditional S-shaped activation function with the wavelet function. One method of chaotic prediction based on wavelet BP network was put forward based on the reconstruction of state space. Training data construction and networks structure are determined by chaotic phase space, and nonlinear relationship of phase points was established by BP neural networks. As an example, the new method was applied on short term forecasting of monthly precipitation time series of Sanjiang Plain with chaotic characteristics. The results showed so higher precision of the method had that the theoretical evidence would be provided for applying the chaos theory to study the variable law of monthly precipitation.