基于粒子群优化的神经网络预测模型

BP学习算法多采用梯度下降法调整权值,针对其易陷入局部极小、收敛速度慢和易引起振荡的固有缺陷,提出了一种改进粒子群神经网络算法.其基本思想是:首先采用改进粒子群优化算法反复优化BP神经网络模型的权值参数组合,再用BP算法对得到的网络参数进一步精确优化,最后用得到精确的最优参数组合进行预测.实验结果表明,该算法在股指预测中的预测性能明显提高.     

人工神经网络BP算法的改进和结构的自调整

本文解决了BP神经网络结构参数和学习速率的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络动态全参数自调整学习算法,又将其编制成计算机程序,使得隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力。计算结果表明：BP神经网络动态全参数自调整算法较传统的方法优越。训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势。     

基于改进CS优化BP神经网络的降水量预测模型

针对传统BP神经网络易陷入局部极值和连接权值难以确定的问题,提出了一种基于融合PSO(Particle Swarm Optimization)和CS(Cuckoo Search)的混合算法优化设计BP神经网络(PCS-BP)的预测模型.该优化方法主要利用混合算法优秀的全局搜索能力和收敛速度设计优化BP神经网络的连接权值和网络结构,解决了BP神经网络由于参数随机取值引起的网络震荡和过拟合的问题,提高了预测模型的准确性.结合具体实例,分别采用BP神经网络、CS-BP模型和PCS-BP模型对汉中地区的月降水量进行预测,实验结果表明,PCS-BP的平均绝对误差(MAE)为0.3966,均方根误差(RMSE)为2.3793,平均绝对百分比误差(MAPE)为0.46%,均优于其他模型,具有较好的预测能力.     

3标度层次分析法下盘锦人口预测方法的优选

基于目前我国人口数量预测方法繁多,优缺点不一的现状,以盘锦市1978～2008年人口数据为基础,分别采用曲线回归、GM(1,1)与等维递补灰色模型、BP神经网络与RBF神经网络、马尔萨斯模型与费尔哈斯模型、宋健模型与Leslie矩阵方法分别对盘锦市2030、2050、2070、2090年人口进行预测,并根据预测结果设置了盘锦市人口预测方法的多目标定量优选体系,并采用Matla,b2009b软件运用3标度层次分析法方法进行了预测方法的优选.优选结果显示在盘锦市人口预测中,径向基网络(RBF)为最优方案.     

基于分数阶GM(1,1)与BP神经网络的电力负荷预测

传统的灰色GM(1,1)和BP神经网络模型存在对原始序列依赖高,收敛速度慢等缺点.将分数阶累加的思想引入GM(1,1)模型,再用逐层训练算法改进传统的BP神经网络.基于我国2010-2014年的电力数据,构建分数阶GM(1,1)与BP神经网络组合模型,预测2015年和2016年的总发电量.实证结果表明,该组合模型比GM(1,1)模型,分数阶GM(1,1)模型以及GM(1,1)与BP神经网络组合模型具有更好的数据拟合效果,更高的预测精度.     

一种新型自抗扰控制自适应非线性控制律

针对自抗扰控制(AIDRC)多参数不易整定的问题,提出了一种基于二次函数的非线性PID(NLPID)控制律.该方法用二次函数模拟PID增益参数随误差变化的规律曲线,构造了一个非线性PID神经网络模型,利用最速下降法对各模拟曲线的系数进行在线调整,实现了基于神经网络的自适应自抗扰控制.仿真结果表明,与常规ADRC控制方法相比,文章方法减少了ADRC需调整的参数,并具有较好的控制效果.     

基于遗传算法和神经网络的注塑工艺参数优化

基于Moldflow模拟仿真的结果,结合GA算法优化BP网络的结构,建立了模具温度,熔体温度,保压压力,注射速度等工艺参数与塑件体积收缩率的BP网络模型.获得了最优的工艺参数组合,同时预测结果与实际结果吻合.通过神经网络算法(BP)预测注塑工艺参数对塑件质量的影响,可以有效降低其他建模方法的难度和工作量,方法可以推广到塑件其他质量预测过程中.     

基于BP神经网络的回转切削钻机凿岩速度预测

为了对回转切削钻机凿岩速度进行预测,采用BP神经网络方法,对胜利露天矿钻机的钻进参数进行分析,选择钻进参数中的轴压、转速、回转压力作为BP神经网络模型的基本特征量,建立了回转切削钻机凿岩速度的BP神经网络模型.研究结果表明:凿岩速度的BP神经网络模型具有极强的非线性逼近能力,预测结果均达到预期要求,具有良好的泛化能力,能真实地反映出凿岩速度与特征量间的复杂非线性关系.     

人工神经网络在SARS疫情分析与预测中的应用

讨论人工神经网络在 SARS疫情分析与预测中的应用 .采用三层结构的反向传播网络 ( Backpropagation network,简称 BP网络 ) ,对 SARS在中国的传播与流行趋势及控制策略建立了网络模型 .并利用实际数据拟合参数 ,针对北京、山西的疫情进行了计算仿真 .结果表明 ,该网络模型算法收敛速度较快 ,预测精度很高     

基于神经网络算法的海南旅游需求测估模型

在详细调查海南旅游相关数据的前提下,先建立模型对海南旅游需求进行了预测,然后分析了影响旅游需求的主要因素.先用GM(1,1)灰色模型对海南省旅游人数进行预测,并用马尔科夫链修正误差,在灰色模型的基础上进行了优化.进一步,我们将灰色模型与BP神经网络模型结合起来进行预测,并针对BP网络输入层提供了2种方法:三年滚动预测、多因素预测.得出结论:海南旅游人数还将会逐年递增.同时,通过比较相对误差发现,对于问题的预测精度:BP神经网络灰色模型.最后,我们利用灰色关联度模型得出各因素对旅游需求的影响:服务交通景观发展消费环境.     

基于GRA-CS-BP算法的期货价格预测

针对在采用BP神经网络进行期货价格预测时,存在的模型结构复杂,易陷入局部极小值,模型无法收敛问题.考虑从网络结构和网络参数两个方面对BP网络模型进行优化,由此提出基于GRA-CS-BP算法的期货价格预测方法.首先用灰色关联度分析法进行输入变量筛选,找出和预测价格关联度大的重要因素作为网络输入,简化网络模型整体结构.然后采用布谷鸟算法对网络权阈值参数进行优化,将经过选择优化后建立的BP神经网络模型用于期货价格预测.仿真结果表明,新模型不仅具有更高的预测精度,同时其运行的稳定性也要好于单纯BP神经网络模型,为期货价格预测提出了一种新的方法.     

大连水产品冷链物流需求影响因素分析及其预测

提出了一种基于GM(1,1)和BP神经网络的组合预测模型.首先对传统GM(1,1)模型的背景值进行改进,再利用改进的GM(1,1)模型和BP神经网络模型各自的优势分别预测冷链物流需求量的线性主体部分和非线性残差部分,然后将二者进行加和,并通过MATLAB对大连水产品冷链物流需求量进行仿真预测.结果表明,与单一的预测模型相比,该组合模型具有更高的预测精度,使预测结果更接近实际情况.     

量子粒子群智能算法在国际布伦特原油价格预测中的应用

原油价格的波动对世界经济政治形势具有重要的作用,其预测问题是维护原油生产、消费企业及国家利益的重大问题。因此,原油价格预测是国际市场研究的一个重要领域。本文将TSK模糊逻辑系统与神经网络结合,设计五层模糊神经网络系统,采用量子粒子群(QPSO)智能算法调整模糊神经网络系统的参数,将所设计的智能系统应用于国际布伦特原油价格预测中。并将QPSO算法与BP算法和最小二乘法进行比较,预测性能指标和仿真结果表明基于QPSO智能算法的模糊神经网络系统的设计是有效的,取得了更好的效果。     

基于多项式神经网络模型的人口预测方法研究

为了提高人口预测精度,提出了基于多项式神经网络模型与递推最小二乘法的人口预测方法.方法完全避免了人为假设条件,充分利用我国六次人口普查数据来建立基于多项式神经网络模型的人口预测模型,并使用递推最小二乘算法递推计算多项式神经网络模型的加权系数.方法能有效预测中长期人口数据及其变化趋势.研究结果表明,中国将在2016年达到人口高峰1385亿.     

基于极值理论高龄死亡率模型的比较研究

基于极值理论模型,对中国与日本高龄人口死亡率进行拟合和预测,克服了其他死亡率参数外推模型的主观性.在极值理论高龄死亡率模型的基础上使用加权最小二乘法,通过反复试验方式选择最优门限年龄和模型参数估计值,并且预测中国与日本人口最高年龄以及最高年龄区间估计.此研究为我国经验生命表的编制工作提供借鉴.     

一种新的死亡率模型及基于中国人口数据的比较分析

基于中国人口死亡率数据, 对APC模型进行扩展, 并将扩展的死亡率模型(EAPC模型)与APC模型和LC模型进行对比. 通过比较模型的拟合效果和预测效果, 并对其稳定性进行检验, 发现由APC模型扩展而来的EAPC模型更适合于拟合和预测中国的人口死亡率, 这为我国死亡率模型的使用提供了更多可行的方案.     

模糊概率神经网络水质评价模型及其应用

鉴于水质类型和分级标准存在模糊性,将模糊数学中的相对隶属度理论和概率神经网络和相结合,构建了模糊概率神经网络水质评价模型(FPNN).阐明了该模型的构建方法,提出了基于指标相对隶属度矩阵插值构建学习样本的方法,并将该模型应用于实际水质评价.通过与综合评判法、属性识别法和BP网络法的比较,验证了该模型操作简便,评价结果客观可靠.     

基于CSO-ELM模型的工程施工成本预测研究

鉴于影响工程施工成本因素之间复杂的非线性关系,进行准确的工程施工成本预测有一定难度,提出鸡群算法(CSO)和极限学习机(ELM)结合的CSO-ELM工程施工成本预测模型.首先利用CSO对ELM模型的输入权值及偏置值进行全局搜索寻优,得到最佳参数;然后将该参数代入ELM模型中建立CSO-ELM工程施工成本预测模型;最后以11个气膜钢筋混凝土储仓工程为例,验证该模型的科学性.结果表明:CSO优化ELM的输入权值与偏置值是有效的;与传统ELM、BP神经网络模型相比,CSO-ELM模型具有更高的预测精度及效率,为工程施工成本预测提供了一个有效的方法.     

基于改进BP神经网络的电力负荷预测

在现有文献研究的基础上,对BP神经网络进行了深入研究,提出了一种新的LAFBP模型,给出了模型的标准BP算法、改进BP算法、权值和阈值的初始化方法.在此基础上,用新的LAFBP模型与传统的标准BP模型对黑龙江省巴彦县的电力负荷进行了预测.预测结果表明,新的LAFBP模型不仅克服了传统的BP模型外推效果不好的缺点,而且在模型的拟合精度、学习时间和学习次数方面明显优于传统的BP模型.     

基于DE-ELM的电池SOC预测研究

针对极限学习机的随机性较大的问题,提出一种基于差分演化的极限学习机算法模型(DE-ELM).采用差分演化算法(DE)对极限学习机(ELM)随机给定的输入权值矩阵和隐含层阈值进行寻优,降低了随机性给ELM造成的影响,减少ELM网络震荡,提高了ELM预测精度.并且将DE-ELM应用在电池SOC的预测上,同时与ELM和BP神经网络的预测进行了对比,结果表明:DE-ELM在电池SOC预测上的表现优于ELM和BP神经网络,能满足电池SOC的预测精度要求.