基于灰色神经网络的厦门市商品房需求量研究

介绍了灰色预测模型GM（1,1）的结构和模型检验,以及BP神经网络预测模型的原理,对灰色预测模型进行改良,将此改良模型与BP神经网络模型进行组合,建立了新的组合灰色神经网络模型。以厦门市商品房成交量为例,以MATLAB为工具,进行2012年的成交量对比以及2013年成交量的预测,结果证明组合灰色神经网络的预测精度较高,可以为房地产价格指数预测研究提供参考依据。     

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。     

基于遗传算法优化BP神经网络的预测建模

为了进一步提高基于BP神经网络的预测模型精度,本文针对BP神经网络收敛速度慢,参数选择随机等特点,采用了遗传算法对BP神经网络进行优化,并提出了一种基于遗传算法优化BP神经网络的预测模型,从而进一步提高预测模型的预测精度,通过对比未使用遗传算法优化的BP神经网络的预测模型发现基于遗传算法优化BP神经网络的预测模型在提升预测精度方面具有非常好的效果,是一种非常高效的方法.     

基于粒子群优化BP神经网络的高校科研管理评估研究

针对高校科研管理部门面临的科研绩效评估问题,提出一种基于粒子群优化的BP神经网络评估模型。该模型采用粒子群算法优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。分别使用10个科研指标、绩效评价值作为神经网络的输入和输出,并以多个高校历年科研管理数据为训练和测试样本进行验证分析。神经网络预测模型具有较快的收敛速度和较高的预测精度。     

基于灰色关联分析法及数据分析的太仓市劳动力人口与经济发展关联度分析预测

通过构建太仓市劳动力人口结构与经济发展两系统的评价指标体系,运用灰色预测法和BP神经网络的组合模型,对太仓市劳动力人口进行预测分析,运用灰色预测模型对太仓市经济进行预测分析,采用灰色关联分析法,对劳动力人口和经济发展的关联度进行计算分析,得出两大系统的关联关系.研究表明;劳动力人口结构与经济结构两系统关联度较高,两系统指标间的相互影响较强;从劳动力人口结构对经济的影响上看,第二产业人口、第三产业人口对地方生产总值的影响较大;从经济方面对劳动力人口结构的影响上看,随着第二、三产业结构的发展,相应的产业人口比重也产生了相应变化.     

BP神经网络在光缆网络资源统计分析中的应用

传统光缆建设的规划缺乏真实性和可预见性的分析,BP神经网络预测能通过历史数据的训练得出包含数据趋势变化的神经网络。因此将BP网络模型引入到光缆纤芯使用率的预测,根据广州天河区2006年至2008年的光缆纤芯使用率的数值,构建并选用合适的BP神经网络建了光缆纤芯使用率的神经网络预测模型。计算结果表明,BP神经网络应用于光缆纤芯使用率的预测具有较高的预测精度。     

基于BP-MC模型的大型机电设备备件需求预测研究

针对大型机电设备备件需求具有非线性和随机波动性的特点,建立基于马尔科夫链修正的BP神经网络预测模型．以提高模型的预测精度。通过对训练样本的学习,利用BP神经网络实现了对备件需求时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于实际预测中,结果表明该模型优于BP神经网络单项预测模型,具有精度高、科学可靠的特点,为大型机电设备备件需求预测提供了新的途径。     

因子分析和神经网络相融合的体育成绩预测模型

预测体育成绩是制定科学体育训练规划的关键,针对当前模型预测精度低的问题,提出因子分析与神经网络相融合的体育成绩预测模型。根据体育成绩先验信息构建自相似回归模型,对体育成绩数据进行经验模态分解和因子分析,采用BP神经网络建立体育成绩预测模型,并通过仿真实验对性能进行测试,结果表明,采用该模型进行体育成绩预测的精度较高,收敛性较好。     

基于灰色理论和神经网络建立预测模型的研究与应用

根据综合利用灰色理论与神经网络建立预测模型的思路,给出了利用神经网络对模型残差进行修正的灰色GM(1,1)模型综合预测方法。选用我国自1994年至2005年狂犬病发病率统计数据,用灰色GM(1,1)模型对历年的疾病发病人数进行建模,并利用LM算法优化的快速BP神经网络对其残差进行修正,使得建模和预测具有更高的准确性和适应性。实验结果及仿真验证表明,加入修正过程的综合模型,其预测效果远优于单一的灰色模型。     

基于遗传算法优化BP神经网络雾霾预测模型的研究

对BP神经网络雾霾预测模型误差较大的问题,提出用遗传算法优化BP网络雾霾预测的方法,通过遗传算法对BP网络雾霾预测模型的权值和阈值的优化,然后用优化后的BP神经网络对实际的数据进行预测,实验表明:遗传算法优化BP网络雾霾模型具有更高的预测精度。     

基于BP神经网络的电视节目收视率预测模型

电视节目收视率预测是一种典型非线性预测,收视率在短时间内相对稳定。人工神经网络具有良好的容错性、自适应学习能力以及非线性映射能力,采用人工神经网络做收视率预测精度较高。基于BP神经网络建立了预测模型,并采用软件仿真的方式对预测过程以及预测结果进行分析,实验结果表明采用BP神经网络预测电视节目收视率是可行的。     

神经网络在GDP预测中的应用

GDP预测因其影响因素众多,且各影响因素之间又存在着非常复杂的非线性关系,传统的线性预测方法对其进行预测时结果并不理想。基于提高GDP预测精度的考虑,运用人工神经网络的相关理论,建立了基于BP神经网络的黑龙江省GDP预测模型。结果表明,将神经网络应用于GDP预测可获得较高的预测精度,具有一定的实用价值。     

基于改进PSO-BP神经网络的回弹预测研究

在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。     

基于GM-RBF神经网络的光伏发电功率预测

为了提高光伏发电功率预测的精度,本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上,提出一种基于灰色径向基函数（Radical Basis Function, RBF）和神经网络光伏发电功率预测模型。该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。最后,运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证,得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%,其预测精度均高于灰色预测算法和RBF神经网络预测算法。     

进化神经网络在激光熔覆成形中的应用研究

在激光熔覆成形金属制件工艺中,熔覆层稀释率大小对成形制件的性能以及后续工序的处理有至关重要的影响。设计了基于进化神经网络的学习算法,建立了熔覆层稀释率随工艺参数变化的预测模型,该模型结合了基因遗传算法的全局搜索能力和BP神经网络良好的局部性质。实验和模拟结果表明,基于进化计算的神经网络不仅可以克服单纯使用BP神经网络易陷入局部极小值等问题,而且预测精度较高,具有一定的实用价值。     

基于ARIMA模型的区域用电量预测方法

传统区域用电量预测方法存在预测能力差的问题，为此，提出基于ARIMA模型的区域用电量预测方法。获取区域的历年用电量数据进行预处理，获取统一的用电量数据；再利用ARIMA模型对用电量时间序列进行平稳性检测，利用最小二乘估计方法估值用电量参数；最后结合线性神经网络构建区域用电量预测模型，将统一的用电量数据放入模型中进行计算，以此完成区域用电量的预测。实验结果表明，所提方法可以有效检测出电量负荷及电量同比增速，预测能力强、预测精度高。     

灰色-BP神经网络模型预测区域气温

本文旨在提出更为准确的区域气温预测方法。预测试验基于我国广东省深圳市某一时间段内的气温数据,尝试运用了灰色-BP神经网络模型对未来648个时间点(规定1个小时为一个预测时间点)的气温情况进行预测。通过软件仿真得到预测结果,并对预测结果进行了定性评估。仿真发现,该预测方法兼具BP神经网络和灰色模型的特长,能有效提高区域气温预测的精度。     

网络设备工作负载综合预测研究

充分利用现有成熟预测模型的优势,取长补短,合理选取预测模型,结合负载影响因素,串联或者并联各模型输入或者输出,综合预测,进行网络设备动态负载预测.综合利用灰色和BP神经网络预测模型,并对其算法加以改进来提高预测准确度,分析并提出了一种综合预测模型,给出了具体的预测方法以及过程,并对预测结果进行分析,提高了预测精度,达到了预测目的.实际应用证明,该模型及方法在网络设备负载定量预测方面具有良好的效果,有较好的参考和使用意义.     

基于激光诱导击穿光谱技术的煤灰分特征研究

灰分是衡量煤炭质量优劣的关键指标,是衡量煤矿和选煤厂煤炭产品质量的主要指标之一。针对传统煤灰分含量识别效率低、煤样本质量不高的问题,本文基于粒子群优化算法(PSO)和BP神经网络,提出了基于粒子群神经网络的煤炭灰分预测模型。目的是快速识别出煤炭产品中灰分的含量,为煤炭开采提供技术支撑。研究选取了180个标准煤粉样品,1～140号样本数据用于训练集,141～180号样本数据作为测试集。应用PSO BP模型对煤炭灰分特性进行了研究,仿真结果表明:优化后的6维BP神经网络模型,决定系数R2为088501越接近1,表明建立的PSO BP模型具有较好的预测性能,灰分预测值与灰分真值无限逼近。进而表明所构建的灰分预测模型具有较高的预测精度,提升了模型的泛化能力和预测精度,为后续的LIBS术应用于煤炭检测提供一定的理论依据。     

组合时延预测的无人机传感器故障诊断研究

主要针对无人机传感器故障种类较多、类型复杂等特点,通过灰色模型与Elman神经网络对时延进行建模预测,利用最小方差原理得到组合时延预测模型,最后将其应用于无人机传感器故障诊断,并通过仿真验证组合预测模型对故障诊断时延具有较高的预测精度,证明了该诊断方法的有效性。