基于BP神经网络的成本预测

分析了人工神经网络解决成本预测的可能性。介绍了BP神经网络用于非线性预测的基本原理和算法步骤。采用matlab试验方法,对某企业总产量与总成本进行仿真,对比了回归分析法和BP神经网络的预测结果。实验结果表明,BP神经网络预测算法具有较高的预测精度。     

基于BP神经网络的浙江台风损失预测

通过对新中国成立以来影响浙江的台风为样本,在对台风的数据资料整合后,以台风属性等指标作为输入向量,以台风造成的损失作为输出向量,建立了预测影响浙江地区台风损失的理想人工神经网络模型。实验结果表明运用BP神经网络对某一区域某一类型台风的灾害损失进行预测是可行的。其在一定程度上可以为气象部门和政府部门提供制定和实施抗台方案的依据,减少灾害损失。     

基于GA-BP神经网络的股票收盘价预测

为提高BP神经网络预测股票收盘价的准确性和高效性,文章使用Python语言,通过遗传算法（GA）对BP神经网络算法中的权值和阈值进行优化（GA-BP）,并将优化后的系统用于股票预测当中。优化后的算法收敛速度更快,同时克服了BP算法容易陷入局部最优的缺陷,提高了整个系统的预测精度。最后对股票“千金药业”的仿真结果表明,该方法在股票收盘价的短期预测方面具有一定的应用价值。此外,在对股票收盘价预测过程中,添加输入参数盘口,能够有效降低GA-BP神经网络的预测误差。     

基于概率神经网络的农作物虫情预测

为了提高对农作物虫情预测的准确度,本文主要采用概率神经网络（PNN）对农作物虫情进行预测．并将预测结果与BP神经网络的预测结果进行比较。结果表明,概率神经网络的预测准确度远远大于BP神经网络,显示了概率神经网络在模式识别领域的优势。     

基于BP神经网络的地震预测研究

以地震特性的研究为出发点,以预报震级为最终目标,通过BP(Back Propagation)神经网络实现地震震级的预测算法,用仿真方法模拟个体行为对系统的影响,研究了地震震级的预测技术,并通过测试数据预测了系统的整体运行情况.     

基于Spearman-NARX神经网络的风速预测研究

阐述一种基于Spearman-NARX神经网络的风速预测模型。基于某机场一段时间内的历史气象数据,包括风向、风速、露点温度、相对湿度、云高、能见度、QNH,使用Spearman对各变量做相关性分析,通过多变量数据训练拟合,在第17轮迭代后得到最佳验证性能的NARX神经网络风速预测模型。     

基于BP神经网络的PM2.5预测

自进入工业化社会以来,空气污染逐渐成为全球最大的环境问题之一。空气中的悬浮粒子对人类身体健康产生有害影响,减少空气污染的重要前提就是预测PM2.5的浓度。因此,对大气质量污染的监测以及预测研究显得尤为重要。本文采用openstack云计算组件,部署了大数据平台,通过历史数据加实时抓取的数据来完善BP神经网络,以实现自我学习来提高预测数据的准确度。     

基于小波神经网络非线性预测方法的研究

针对非线性预测问题,提出了小波神经网络算法．该算法采用权重贡献率分析法和关键神经节点法分析权重,精进模型,利用具有优良渐进性的递推预报误差法训练小波的尺度因子和平移因子,并提出了一种网络的改进算法．通过对导航设备的仿真预测,该算法优于同等规模的BP神经网络,其收敛速度快,预测精度高．     

基于MEA-BP神经网络的印刷车间能耗预测

随着制造业的发展,能源需求日益增大,实现节能减排刻不容缓。针对印刷车间的能耗的复杂性,提出了利用MEA算法改进的BP神经网络模型作为解决能耗预测的办法。MEA算法利用算法解空间内多个子群体共同寻找最优值个体,采用“趋同”以及“异化”的有机结合,输出最优个体,解码得到网络的权值和阈值,建立了MEA-BP神经网络预测模型。可以有效地改善BP神经网络的收敛率和泛化能力,保证了权值和阈值的全局代表性。经模拟试验,实验证明了MEA-BP神经网络具有较好的预测精度,能够较好地运用在印刷车间能耗的预测方面。     

基于BP-LSTM组合神经网络模型的汽车车速预测

准确的汽车车速预测对整车能量分配、道路交通管理具有重要意义。针对汽车车速本身具有高度时变性以及单模型预测存在局限性的特点,提出：反向传播神经网络-长短时记忆网络(BP-LSTM)组合神经网络模型,首先利用BP神经网络进行训练,将训练集数据和得到的预测输出、残差输入到Adam算法优化的LSTM神经网络中,用于训练LSTM模型。结合BP网络结构简单、预测时间短、LSTM精度高的优点,通过深度学习框架Tensorflow进行模型的搭建与验证,实现基于BP-LSTM组合神经网络模型的短时车速预测。结果表明：组合神经网络预测效果优于BP、LSTM两种单一模型,预测精度得到改善。     

基于BP神经网络的路面性能预测方法

文章提出了一种改进的BP算法以优化神经网络连接权，并把它应用于路面性能预测系统中，对路面性能进行预测。实验证明该网络具有广泛的映射能力和快速全局收敛性，具有良好的应用前景。     

基于BP神经网络的城市交通流预测研究

交通流预测在城市交通管理和控制中起着十分重要的作用。在分析城市交通流复杂非线性特性的基础上引入BP神经网络模型,从人工智能的角度对交通流预测进行了研究,同时给出了一种基于BP神经网络模型的交通流预测方法,通过对预测数据与实测数据的比较分析,证实了该方法的有效性。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

基于L—MBP神经网络的VBR业务预测

ATM网络中,利用实时预测技术进行动态带宽分配,可以极大地提高ATM网络资源的利用率以及VBR业务的QOS保障。针对传统BP算法训练周期冗长的缺点,本文提出用L-MBP神经网络对VBR业务进行实时预测,文中给出了VBR业务的预测模型,并对该模型进行了仿真。结果表明,本文给出的模型显著地改变了神经网络的学习速度。     

基于BP神经网络的流量预测分析

为提高校园IP网络流量预测的准确度,本文基于BP神经网络对未来时刻流量大小与历史数据间存在的相关性进行了拟合分析,通过数据预处理、模型参数选择、网络权重阈值训练等流程实现了对预测模型的建立,并利用仿真结果对比验证了该模型在网络流量值的预测中具有很好的准确度.     

基于灰色关联度的BP神经网络模型短期用电量预测

本文为了克服单一用电量预测模型的局限性,提高预测精度,构建了基于灰色关联度的BP神经网络模型。BP神经网络预测模型过程中引入灰色关联度分析预测确定全社会用电量主要影响因素,以安徽省2000-2015年全社会用电量数据为例对2016-2018年用电量进行预测,计算结果证明基于灰色关联度的BP神经网络模型计算精度较高,并对2019-2023年全社会用电量进行预测,具有较高的实用性。     

基于神经网络的某仓储库气体质量预测系统

为了提高部队后勤系统中的信息化管理,探讨了旅团一级如何将BP神经网络方法引入到对某物资仓储库的空气质量预测工作中。着重介绍了BP神经网络以及具体实现步骤,并进行了预测数值和仪器实测数据之间的对比实验,从而为仓储库内人员物资安全研究提供了一种行之有效的新方法。     

基于改进型BP神经网络的电网负荷预测

考虑到传统的线性电网负荷预测方法的预测精度无法满足现代电力电网管理系统的要求,使用更适用于电力电网负荷的预测任务的非线性BP神经网络算法建立预测模型。由于常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题,该文使用模拟退火算法对BP神经网络权值训练算法进行优化,提高预测模型的收敛效率和自学习能力。通过实例对所研究的预测模型进行分析,结果表明,所研究的改进型BP神经网络的训练次数和训练耗时均低于常规神经网络,具有更高的收敛精度,同时改进型BP神经网络预测模型的预测误差明显降低,具有较好的工程应用价值。     

基于BP神经网络的公交站点短期客流量预测研究与应用

该项目依托潍坊市科技发展计划项目,对该市部分运营公共汽车连续一个月的用户消费记录和车辆GPS数据进行研究,并充分考虑了节假日、天气变化等因素对客流量的影响,旨在建立一套公交站点客流量预测模型并将其应用于智能公交管理系统,从而有效预测客流量爆发点和未来各个时段客流量走势,为线路网络规划和公交车站的设置提供科学依据,其应用价值尤其体现在提高乘客出行体验和优化公交管理流程方面。