基于BP神经网络的人力资源需求预测

鉴于组织入力资源需求系统的复杂性和非线性的特征,分析了BP神经网络方法在人力资源需求预测中的应用,阐述了其基本原理和模型并结合实例提出了完整的实施流程。该预测方法具有很强的学习能力,各连接权重由网络通过学习自主生成,因此预测结果更具客观性和准确性,从而在很大程度上提高管理者的决策水平,对实际操作和应用具有一定的指导作用。     

基于BP神经网络的中国电力需求预测

目前,中国用电量逐年激增,而电力需求预测的保守,导致电力供应不足。应用BP神经网络的原理,对中国电力需求情况进行了预测。根据预测结果显示在未来十几年中中国电力的需求量仍将大幅度增加,并提出了有关部门应该迅速调整产业结构,合理安排生产力布局,以满足社会经济发展对电力的需要的建议。     

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BP神经网络方法的城市物流需求预测研究

物流量是衡量地区经济发展的重要因素,准确的物流预测结果对物流产业的发展具有重大的指导作用.神经网络是重要的综合预测评价方法,在解决众多非线性问题时,对于由数据资料缺失造成的预测结果与真实结果相差较大的问题,可以最大限度的减小误差,增加预测准确性.本文针对城市经济与城市物流存在的内在关系,以青海省为例,根据青海省相关经济发展因素建立基于神经网络的城市经济—物流需求预测模型,对其城市物流量进行预测,对比预测结果与实际结果可知其误差小、可信度较高.最后,通过此方法预测得到了青海省未来五年城市物流量,具有较高的科学价值.     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

基于SVM和神经网络组合预测模型的物流需求预测

物流需求的定量数据是区域物流发展政策和规划的重要依据,影响物流需求的因素很多,传统的预测方法无法全面考虑各种因素,预测精度较低。为了提高物流需求预测的精度,采用组合预测的方法,建立一种基于支持向量机和神经网络的组合模型。首先采用支持向量机进行预测得到预测基本数据,然后通过BP神经网络进行残差修正,通过算例仿真分析,结果表明组合预测模型具有更高的精度,是一种有效的预测方法,为物流需求预测提供了新的思路。     

基于BP神经网络的智能控制器

研究一种新型的智能控制器,该控制器能通过自学习不断进行适应性控制,以保证系统的输出符合实际应用的要求,其主要特点是提供一个跟踪网络来近似确定控制参数,进而进行神经网络控制,仿真结果表明该方法有较好的效果．     

基于BP神经网络的人口预测

利用BP神经网络建立三层神经网络结构模型,以全国人口的出生率,死亡率,老年抚养率等5个指标作为输入样本,对全国总体人口进行预测.隐含层采用多种方法使人为因素降到最低,同时文中采用自适应学习速率和附加动量法相结合的方法,对网络进行训练和学习.将BP预测人口和其他数学方法做比较,预测结果显示该方法是可行的.     

基于DCT和BP神经网络集成的人脸识别

人脸识别是模式识别和图像处理领域的研究热点和难点,尽管已提出了许多方法,然而如何在变化的环境下实时、高效地识别人脸仍是一个难题.鉴于离散余弦变换(discrete cosine transform,DCT)有较高的压缩性能和快速算法以及集成神经网络良好的泛化能力,提出了基于DCT和神经网络集成的人脸识别方法.首先用DCT提取人脸特征矢量,然后构建集成BP(back propagation)神经网络对人脸进行分类识别.在ORL(olivertti research laboratory)人脸库上的仿真实验结果表明,提出的方法取得了较快的训练和识别速度、较高的识别率,因此该方法是一种快速高效的人脸识别方法.     

基于BP神经网络的并行算法

对强激光与等离子体相互作用三维数值模拟程序LARED_P数据输出进行分析,针对大规模数据模拟数据的特点,提出了基于BP神经网络的并行算法,即在各个搜索子空间内对训练集合中的学习样本进行并行训练。实例表明:不仅可避免陷入局部极小点,提高网络训练速度,而且仿真效果较好。     

基于BP神经网络的故障诊断

本文论述了BP神经网络的结构和学习算法以及应用到故障诊断中的原理和过程。详细地分析了拖拉机变速箱的工作原理,并讨论了利用BP神经网络的优点,应用到该工程的故障诊断中。通过试验证明,基于神经网络的故障诊断已经逐步走向成熟。     

基于BP神经网络的水质评价

将人工神经网络的理论和方法运用于各类水环境的评价,建立水质评价的BP神经网络模型.运用MATLAB丰富的神经网络工具箱函数设计仿真程序,并对多个水质样本进行等级评价,为防治水污染提供了科学依据.     

基于BP神经网络的PID改进和研究

主要对BP神经网络PID控制算法进行了研究,提出一种改变步长和学习率的迭代法,能有效的减少网络收敛次数.然后从神经网络激活函数的选择出发,提出一种新的非线性误差函数.仿真表明,该方法能减少网络训练的次数,加快收敛,也能避免网络学习下初期的振荡现象.     

基于神经网络和灰色系统的住宅用地需求预测研究

科学的住宅用地需求预测是政府管理和调控城市土地市场的前提条件之一。将神经网络和灰色系统引入到住宅用地需求预测中,克服了回归分析法的一些缺点,并对2006-2010年上海市松江区住宅用地需求量进行了预测。     

基于ICA-PCA和Lasso的过程故障诊断

为了解决复杂工业过程中变量多,难以判断引起故障的主要异常变量的问题,提出一种基于ICA-PCA(独立成分分析和主成分分析)算法和Lasso(最小绝对收缩和选择算子)回归算法的过程故障检测与诊断的集成模型.首先,建立ICA-PCA模型提取数据的高斯信号和非高斯信号,构造相关统计量实现在线故障检测;然后,基于ICA-PCA模型获得的过程状态及故障信息,进一步构造基于Lasso回归算法的故障诊断模型,实现故障发生时的主要异常变量的定位和选择;最后,利用Matlab进行了TE(田纳西-伊斯曼)过程的数值仿真实验,并与已有故障诊断方法分布式PCA贡献图法进行比较,结果表明所提出的方法是有效的.     

基于BP神经网络的球墨铸铁组织和力学性能预测

以合金化元素与组织和性能关系为研究对象,从42组实验数据中,选取33个作为训练样本,9个作为验证样本,采用BP神经元网络原理,以珠光体球墨铸铁组织和力学性能的主要影响元素作为输入量,模型由3层神经元组成,分别为输入层、隐含层和输出层,建立了合金成分对珠光体含量的影响规律的神经网络模型,珠光体含量、铁素体含量及球化率和硬度及强度关系的神经元网络模型.用建立的网络模型预测结果表明,该方法对球墨铸铁的珠光体含量和力学性能预测具有很好的准确性,有效地解决了球墨铸铁化学成分、显微组织与力学性能之间的关系难于描述的问题.     

基于BP神经网络的行人和自行车交通识别方法

研究了基于BP神经网络的行人和自行车识别方法.首先对图像提取4个特征,形成特征向量作为BP神经网络的输入;然后设计BP神经网络的结构,网络输出为对行人和自行车的识别;为了确定BP神经网络合理的隐层神经元数目,分别对不同隐层神经元数目的神经网络进行了实验分析.最后利用实测的数据对BP神经网络进行训练、仿真实验,并对实验结果进行分析;结果表明:最佳网络的正确识别率为84%,行人和自行车的正确识别率分别为89%和71%.     

基于ICA和BP神经网络的人耳图像识别

提出了一种独立分量分析和BP神经网络相结合的人耳识别新方法(ICABP法).首先采用快速独立分量分析方法提取人耳图像的独立基图像和投影向量,然后采用改进的三层BP神经网络进行分类识别.该方法将ICA的空间局部特征提取功能和BP神经网络的自适应功能有机地结合起来,增强了系统的鲁棒性.实验表明,ICABP法取得了很高的识别率.     

基于CFA和BP神经网络的入侵检测方法

基于BP神经网络的入侵检测方法因神经网络的初始网络运行参数是随机选择,存在容易陷入局部最优及收敛慢而导致检测准确率低的问题,提出一种基于CFA和BP神经网络的入侵检测方法 CFA-BPIDS.将BP神经网络的权值和阈值编码成CFA中的细胞个体,BP神经网络全局误差作为CFA的适应值,然后进行多次迭代,选择适应值最优的细胞个体作为BP神经网络的权值和阈值,最后将具有最优权值和阈值的BP神经网络应用在网络入侵检测中的检测模块.实验结果表明,该方法相比基于遗传算法和粒子群算法,优化BP神经网络的入侵检测方法提高了入侵检测准确率.     

基于MapReduce和BP神经网络的数据融合研究

针对智能电网大数据分析和处理时普遍存在的计算量和通信量较大的问题,提出了一种基于互信息和BP神经网络的融合处理算法。采用互信息法筛选海量数据间的关联特征参数,结合BP神经网络算法对其进行决策融合,并与MapReduce模型相结合,以减少数据的冗余和维度,实验通过对风电场功率进行预测分析,结果表明该方法在处理效率、误差等方面有明显优势。