基于选择性深度集成的集装箱吞吐量混合预测模型研究EI北大核心CSCDCSSCI

精准预测集装箱吞吐量是合理规划港口建设、制定港口作业计划和调整港口发展方向的重要基础.针对港口集装箱吞吐量的复杂非线性特征,本文提出了基于选择性深度集成的集装箱吞吐量混合预测模型(HMSD).该模型首先使用经验模态分解方法将原始集装箱吞吐量时间序列分为若干个本征模函数和余波序列.考虑到各本征模函数的高度非线性特征,分别训练长短时记忆网络、门控循环单元和卷积神经网络三种深度学习模型作为基准模型对其进行预测,再运用改进的数据分组处理技术(GMDH)建立选择性深度集成模型,得到各本征模函数的集成预测结果,进一步采用自回归求积移动平均模型预测线性余波序列,将全部本征模函数和余波的预测值进行整合得到总的集装箱吞吐量预测值.为验证提出的模型在集装箱吞吐量预测上的性能,本文选取我国吞吐量具有显著差异的六个港口进行实证,结果表明该模型在六个港口上均具有最好的预测效果,最后还运用HMSD模型给出了2021年1月至2022年12月六个港口集装箱吞吐量的样本外预测值.     

灌浆压力的非线性建模预测

实际灌浆压力控制过程中,由于灌浆液的密度、粘度和地层等因素的影响,使得灌浆压力的变化具有不确定性、时变性和非线性特征。为了辨识、预测灌浆系统压力,提出了一种基于神经网络的多传感器数据融合技术。通过对灌浆工艺与机理分析得到该BP神经网络输入变量。该方法首先利用灌浆过程中采集的数据离线训练BP神经网络,获得一收敛的神经网络模型,然后用此神经网络模型实时预测所灌地层的灌浆压力。最后实验仿真结果表明,BP神经网络预测模型能够运用到灌浆系统中,模型的最大预测误差不超过15%,平均均方根误差仅为0.186。     

四层BP网络的一种结构设计方法及应用

针对BP神经网络的特点提出一种基于递阶遗传算法的四层BP神经网络的结构设计模型及应用。现有的BP训练方法只能训练BP网络的权重和阈值,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、权重和阈值同时通过训练确定。以经济系统中的人口时间序列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,提出的方法是可行的。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

空间望远镜分块式主镜面形控制系统建模

新一代空间望远镜采用分块式主镜方案,以多个旁瓣子镜背后布置的若干致动器为控制手段,对主镜面形进行高精度控制,是一个复杂的控制系统。应用BP神经网络的方法建立了以致动器作用力为输入、镜面形变的Zernike多项式拟合系数为输出的镜面形变模型,并利用镜面形变的有限元分析的大量数据,对BP模型进行离线训练和模型预测效果的检验。仿真结果表明所建BP模型接近有限元分析的精度,并可以满足空间望远镜在线控制的实时性要求。     

考虑投资者情绪的GARCH-改进神经网络期权定价模型北大核心CSCDCSSCI

提出了一种考虑投资者情绪的基于改进粒子群算法优化的BP神经网络,并结合GARCH模型用于预测欧式期权价格。引入单点变异算子来提升传统粒子群算法的寻优能力,并通过改进后的算法来优化BP神经网络的结构与相应参数。利用GARCH模型估计权证股票价格的历史波动率,并将其作为改进神经网络模型的输入变量之一。最后,进一步考虑投资者情绪对期权价格的影响,通过构造剔除了基本因素的投资者情绪复合指标,并融入改进后的神经网络中。选取包括鞍钢JTC1在内的10支国内认购权证的收盘价格进行实证研究。结果表明,该模型的收敛速度与预测精度优于传统的BP神经网络以及B-S模型,考虑投资者情绪的影响后,预测结果更贴近实际情况。     

考虑投资者情绪的GARCH-改进神经网络期权定价模型

提出了一种考虑投资者情绪的基于改进粒子群算法优化的BP神经网络,并结合GARCH模型用于预测欧式期权价格。引入单点变异算子来提升传统粒子群算法的寻优能力,并通过改进后的算法来优化BP神经网络的结构与相应参数。利用GARCH模型估计权证股票价格的历史波动率,并将其作为改进神经网络模型的输入变量之一。最后,进一步考虑投资者情绪对期权价格的影响,通过构造剔除了基本因素的投资者情绪复合指标,并融入改进后的神经网络中。选取包括鞍钢JTC1在内的10支国内认购权证的收盘价格进行实证研究。结果表明,该模型的收敛速度与预测精度优于传统的BP神经网络以及B-S模型,考虑投资者情绪的影响后,预测结果更贴近实际情况。     

基于灰色关联分析的神经网络模型

在BP神经网络算法的基础上,针对在多变量复杂系统建模过程中BP网络输入变量无法自动寻优的问题,将其与灰色关联分析方法结合,建立基于灰色关联分析的神经网络优化算法(GM-BPANN).并且使用中国粮食产量预测的数据,与逐步回归方法和灰色GM(1, N )模型方法进行了比较检验.结果表明,新模型通过灰色关联度的计算,可以全面、广泛地对大量的输入变量进行处理,而不必经过专门的主观筛选,从而增强了BP网络的适应能力, 同时能够得到较好的预测精度和稳定性.     

基于BP神经网络的虚假财务报告识别

针对虚假财务报告的特点,设计了一种基于BP(反向传播)神经网络的虚假财务报告识别模型。根据1999~2002年的年度审计报告意见,从上市公司中,选择确定了44家虚假财务报告样本,并按照一定的标准选择了44家真实财务报告样本,这88个样本构成训练数据集。类似地,从2003~2006年的上市公司中,选择了73家虚假财务报告样本和99家真实财务报告样本,这172个样本构成测试数据集。10个财务指标被选择为识别变量,使用训练数据集对BP神经网络模型进行训练,并将训练后的模型对测试数据集进行测试,取得了较好的实验结果。     

基于BP 神经网络的煤与瓦斯突出预测方法的研究

为准确预测矿井煤与瓦斯突出的危险性,针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对煤与瓦斯突出的危险性进行了预测.根据煤与瓦斯突出的特点,选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数与地质破坏程度等五个关键影响因素作为煤与瓦斯突出的评判指标,建立了煤与瓦斯突出预测的神经网络模型.实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;与常规预测方法相比较,该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

排刷式剥叶元件剥叶性能的BP 神经网络预测

由于剥叶性能直接影响到甘蔗收获机械的收割性能,为了客观有效地对剥叶性能进行预测,提出了BP神经网络预测方法.针对剥叶元件性能的特点,采用正交试验法构造训练样本,以保证网络具有较高的泛化能力,同时对该训练样本建立了回归分析模型,以检验BP网络模型的输出精度.在此基础上,利用已建立的神经网络预测模型对影响剥叶性能的各因素取值的不同组合进行仿真分析,以确定各因素取值的最优组合.结果表明,BP神经网络的预测模型比回归模型具有更高的输出精度,进行剥叶元件的性能预测与优化是可行且有效的.     

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。     

一种新型复合神经网络模型

本文首先详细地阐述了ＢＰ神经网络和ＣＭＡＣ神经网络各自的结构，原理以及算法。提出了一种ＢＰ神经网络与ＣＭＡＣ神经网络组合起来的新型复合神经网络模型，并利用误差逆向传播原理推导出复合网络的学习法。仿真实验结果表明，这种复合神经网络在保留了ＢＰ和ＣＭＡＣ各自特长的基础上，同时具有学习速度快，泛化能力强等特点     

基于遗传算法的模糊神经网络智能控制器及其应用

提出了一种基于遗传算法的模糊网络控制系统,该系统采用模糊神经网络结构实现,它用遗传算法优化具有全局性的隶属函数参数,而用ＢＰ算法调节和优化具有局部性的网络权值参数。仿真结果表明该控制器可大大提高模糊神经推理控制系统的自学习性和鲁棒性。     

根据粗糙集理论进行BP网络设计的研究

提出了一种根据粗糙集理论进行ＢＰ网络设计的方法,它结合了粗糙集理论的强大的定性分析能力和ＢＰ网络的准确的逼近能力,得到一种可理解性好、计算简单、收敛速度快的神经网络模型．这种神经网络的学习算法的要点是：应用粗糙集的理论和方法,从给定学习样本数据中发现一组规则,并根据这些规则去建立网络模型中相应的隐层节点;然后用ＢＰ算法迭代求出网络的参数,从而完成网络的设计.     

基于混沌免疫进化网络的电池荷电状态预测

在电动汽车运行过程中,常规方法难以准确预测电池的荷电状态,提出利用偏最小二乘回归分析影响电池荷电状态的诸多因素,选择端电压、电压一阶导数、电压二阶导数、放电电流以及电池温度作为神经网络的输入,以荷电状态作为输出,然后采用混沌免疫进化规划算法训练前馈神经网络预测电池荷电状态.在变功率运行工况下,通过仿真试验对比镍氢电池组实际荷电状态的和预测的荷电状态,验证神经网络预测的精度在5%以内.     

预测煤矿回采工作面产量的BP网络模型

在分析了煤层开采条件、回采与运输设备能力与可靠性及管理与作业人员水平等影响煤矿月度日产量均值和方差的九种因素的基础之上,用ＢＰ网络来逼近预测对象与主要因素的复杂的非线性关系,取得比回归分析较好的预测结果.     

基于双曲正切函数HFRS发病率的BP神经网络预测模型

应用功能函数为双曲正切函数、隐层节点为 6的三层 BP神经网络原理 ,提出了 3种 HFRS发病率的非线性时间序列预测模型 ,并进行了比较 ,选择 ANN预测模型 3为最佳模型 ,该模型简单易行 ,预测精度高 .人工神经网络可以用于对疾病发病率或死亡率的预测 .