基于灰色理论和神经网络的房地产前期价格预测研究

为了克服单一灰色模型或者BP神经网络的局限性,提出灰色理论和神经网络的房地产前期价格预测模型。该模型采用灰色模型对房地产前期价格的规律性进行分析,BP神经网络对房地产前期价格的随机性进行刻画,实现了优势互补,最后进行房地产前期价格预测具体应用实例分析。结果表明,该模型可以准确描述房地产前期价格的变化趋势,提高房地产前期价格的预测精度,为房地产前期价格预测提供了一种有效的建模工具。     

混沌理论和机器学习算法的运动员成绩预测模型

为了准确地对运动员成绩进行预测,结合运动员成绩的具体变化特点,设计了基于混沌理论和机器学习算法的运动员成绩预测模型。首先对当前运动员成绩建模与预测的研究现状进行分析,找到当前运动员成绩预测模型存在的不足,然后采用混沌理论对运动员成绩历史数据进行处理,发现其中隐藏的规律,最后引入机器学习算法——极限学习机设计运动员成绩预测模型。仿真实验结果表明,与当前运动员成绩预测模型相比,所设计模型的运动员成绩预测结果更加可靠,而且运动员成绩预测精度更高,可以应用于体育科学训练计划制定。     

混沌理论和机器学习算法的运动员成绩预测模型

为了改善运动员成绩的预测效果,更好地为体育训练提供支持,提出基于混沌理论和机器学习算法的运动员成绩预测模型。对运动员成绩数据进行分析,并通过混沌理论找到运动员成绩的变化特点,通过神经网络对混沌理论处理后的运动员成绩训练样本进行建模,并采用粒子群算法在线估计神经网络初始连接权值,最后采用具体运动员成绩数据对模型的可靠性进行分析。分析结果表明,该模型能够从运动员成绩数据中找到其将来变化态势,提高了运动员成绩的预测精度,预测结果具有一定的应用价值。     

基于大数据的图书馆借阅量预测研究

图书馆借阅量具有大规模、混沌性等变化特点,当前图书馆借阅量没有综合考虑该特点,导致图书馆借阅量预测结果与实际不相符,为了获得更加可靠的图书馆借阅量预测结果,设计基于大数据的图书馆借阅量预测模型。首先,分析图书馆借阅量的预测原理,并收集图书馆借阅量的历史数据;然后,引入大数据技术对图书馆借阅量特性进行分析和重建,将原始数据变换为更加有利于图书馆借阅量建模的数据;最后,采用极限学习机对图书馆借阅量进行预测,并采用VC++6.0编写图书馆借阅量预测程序进行仿真实验。结果表明,所提模型的图书馆借阅量预测精度高,图书馆借阅量预测速度快,完全可以满足图书馆借阅量分析研究,并且图书馆借阅量的整体预测结果明显优于传统图书馆借阅量预测模型,为图书馆借阅量预测建模提供了一种新的研究工具。     

混沌理论和极限学习机的物流需求预测模型

为了提高物流需求的预测精度,为物流园区规划提供科学支撑,提出混沌理论和极限学习机的物流需求预测模型。物流需求受外界因素综合作用,具有混沌变化特点,通过互信息法和G-P法分析其混沌变化规律,根据混沌变化特点处理物流需求数据,并采用极限学习机进行回归与预测,最后与其他物流需求模型的性能进行对比与分析。结果表明,该模型获得了更高的物流需求预测精度,预测结果更加稳定、可信,预测结果有利于物流园区规划。     

相空间重构和正则极限学习机的网络流量预测

网络流量预测一直是网络研究技术中的热点,针对网络流量变化的时变性、混沌性,提出一种相空间重构和正则极限学习机的网络流量预测模型。首先收集大量的网络流量历史样本,并进行相应的预处理,然后根据混沌理论确定最优延迟时间和嵌入维数,并重构网络流量学习样本,最后采用正则极限学习机建立网络流量预测模型,并进行仿真对比实验。结果表明,相对于其它网络流量预测模型,本文模型可以更加准确描述网络流量的非线性变化特点,提高网络流量预测精度,预测结果具有一定实用价值。     

混沌背景中微弱信号检测的回声状态网络方法

对复杂非线性系统的相空间重构理论进行了研究分析,提出了混沌背景中微弱信号检测的回声状态网络方法。针对回声状态网络模型参数选取困难这一问题,采用遗传算法对其模型参数进行优化。将回声状态网络模型参数作为遗传算法的个体,混沌时间序列预测均方根误差的倒数作为适应度函数,通过选择、交叉、变异等操作获得适合数据特点的最优模型参数。根据回声状态网络强大的学习和非线性处理能力,利用得到的回声状态网络模型最优参数建立混沌背景噪声的单步预测模型,将淹没在混沌背景噪声中的微弱瞬态信号和周期信号从预测误差中检测出来。以Lorenz系统和实测的海杂波数据作为混沌背景噪声进行仿真实验,仿真结果表明,本文所提方法在预测精度和训练速度方面均优于支持向量机和神经网络模型,能够有效地检测出混沌背景噪声中的微弱目标信号,且具有较小的预测误差。      

基于组合核函数高斯过程的网络流量预测

为了提高网络流量的预测精度,提出一种组合核函数高斯过程的网络流量预测模型。首先采用混沌理论构建网络流量的学习样本,然后将网络流量的训练样本输入组合函数高斯回归模型进行训练,建立网络流量预测模型,最后采用多个网络流量数据进行单步和多步预测对比测试。结果表明,相对于对比模型,本文模型准确描述了复杂多变的网络流量变化趋势,提高了网络流量的预测精度。     

神经网络算法在房地产价格分析和预测中的应用

房地产市场是一个复杂的系统，影响因素较多，本文引入了非线性分析的有效工具——人工神经网络（ANN）。利用BP神经网络中的误差反向传递算法（即BP算法）对房地产价格进行分析，建立了基于BP神经网络的房地产价格预测模型，并利用武汉市2010-2012年各季度商品房价格对模型进行了训练与测试，取得了较好结果，证明了该模型在房地产价格预测方面具有较好的效果，并具有误差小、效率高等优点。最后利用模型对武汉市2013年第3、4季度房地产价格进行了预测。     

基于数据挖掘的服装流行色预测

针对传统服装流行色预测模型精度低、结果不可靠的问题,设计了一种基于数据挖掘的服装流行色预测模型。首先对当前国内外对服装流行色预测现状进行分析,并采集服装流行色数据;然后对服装流行色数据进行聚类处理,并采用数据挖掘技术建立服装流行色预测模型;最后将该模型应用于具体的服装流行色预测中。该模型可以很好地发现服装流行色的变化趋势,预测结果可靠,可以为服装企业和服装设计师提供有价值的参考信息。