首页 | 本学科首页   官方微博 | 高级检索  
    检索          
共有20条相似文献,以下是第1-20项 搜索用时 343 毫秒

1.  基于灰色神经网络的企业风险特征指标动态预测方法研究  被引次数:1
   纪崑  王汉林《数学的实践与认识》,2009年第39卷第15期
   根据企业风险特征指标预测问题的特点,提出将灰色系统GM(1,1)模型与神经网络结合建立一阶灰色神经网络预测模型,以实现系统预测的动态性及提高系统的预测精度.但该模型具有一定的局限性,从模型参数的角度给出了该模型只适用于具有"单调"性数据的证明,进而提出了三阶灰色神经网络预测模型,以适应预测数据"非单调"或摆动的情况.但随着系统建模过程中阶数的增加,预测精度会有所下降,因此应根据数据特点选择预测模型.最后,通过实证分析验证了上述模型及证明结论.    

2.  用Simpson公式构造背景值的GM(1,1)建模新方法  
   何满喜  王勤《经济数学》,2011年第4期
   提出了用Simpson数值积分公式构造背景值的GM(1,1)建模新方法,并通过算法分析和一些实例说明了该方法对很多时间序列应用方便,且其模型的拟合精度也比一些文献中的建模方法有明显改进.认为所提出的方法是建立GM(1,1)预测模型时值得考虑的一个新方法,这不仅将对GM(1,1)建模方法的理论研究提供必要的算法依据,而且对合理应用GM(1,1)预测模型具有一定的参考价值.    

3.  粒子群算法优化相空间重构参数的网络流量预测模型  
   曾伟  黄亮《应用声学》,2014年第22卷第9期
   在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数—延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。    

4.  基于粒子群优化的神经网络预测模型  
   程军  李荣钧《数学的实践与认识》,2015年第3期
   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.    

5.  修正的GM(1,1)残差模型在原煤销售量预测中的应用  被引次数:2
   麻兴斌  郑艳琳  刁柏青  唐林炜《运筹与管理》,2004年第13卷第4期
   本论研究的是提高灰色预测模型的一种方法。首先建立主模型进行预测,得到残差序列,然后对残差序列建模,对主模型进行修正,得到修正的GM(1,1)模型。将模型应用到原煤销售量的预测中,其精度明显提高。    

6.  注水油田年综合含水率预测的数学模型  被引次数:1
   何文章  宋国乡  郭旭欧《运筹与管理》,2006年第15卷第2期
   本文将改进的灰色GM(1,1)模型用于某油田年综合含水率的近期发展趋势研究。在平均相对误差达到最小准则下,研究了模型中的背景值参数A和边值修正项£对模型预测精度的影响。在此基础上,采用线性规划方法估计模型中的参数,基于遗传算法求解最佳背景值参数A和最佳边值修正项ε,以确保在相应的模型检验准则下预测的误差达到最小。结果表明,用改进的灰色GM(1,1)模型预测近期注水油田的综合含水率,预测值与实际值相对误差很小,预测精度很高,可以得到非常满意的结果。进一步的研究发现,改进的灰色GM(1,1)模型虽然近期预测精度很高,但研究长期的发展趋势是行不通的,为此又研究探讨了长期发展趋势模型。    

7.  贝叶斯神经网络建模预测方法及其应用  被引次数:2
   樊春玲  孙四通  金志华《中国惯性技术学报》,2009年第17卷第1期
   针对神经网络建模时,其模型的复杂性难以控制而且缺乏分析结果的工具,以及贝叶斯方法可以通过定义一些超参数的模糊先验来控制模型参数复杂性,并且可对任何感兴趣的变量产生后验预测分布,使得置信区间的计算成为可能.研究了贝叶斯神经网络的建模预测问题,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布.通过动调陀螺仪漂移数据建模应用分析结果证明此方法可以达到较好的建模预测效果.    

8.  基于灰色RBF组合模型的宁波港集装箱海铁联运量预测  
   吴慧军  刘桂云《宁波大学学报(理工版)》,2016年第4期
   集装箱海铁联运量预测是海铁联运网络规划设计的重要组成部分,影响港口及其集疏运体系进一步发展,因此,对集装箱海铁联运量做出科学合理的预测显得十分重要.以2009~2015年宁波港集装箱海铁联运量为原始数据,运用灰色RBF神经网络组合模型预测其未来2年集装箱海铁联运量增长趋势.预测结果表明,灰色RBF神经网络组合模型预测精度高于GM(1,1)模型、RBF神经网络模型、灰色BP神经网络组合模型.可见,该组合模型可有效应用于集装箱海铁联运量的预测领域.    

9.  GM(1,1)的改进及其在经济发展预测中的应用  
   邹长武  李祚泳  倪长健《数学的实践与认识》,2007年第37卷第22期
   针对传统GM(1,1)在模型参数绝对值较大时参数求解精度较差的问题,采用免疫进化算法对其参数求解方法进行改进,然后将改进后的GM(1,1)应用到四川省的经济发展指标预测,并和采用传统GM(1,1)所得的预测结果进行了对照.结果表明,采用免疫进化算法对GM(1,1)参数求解方法的改进是有效的,改进后的GM(1,1)对四川省的经济发展指标预测结果比传统GM(1,1)的预测结果有明显改进。    

10.  加权函数组合预测边坡变形模型的研究  
   金海元  徐卫亚《力学学报》,2008年第16卷第4期
   边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。    

11.  基于禁忌算法优化神经网络的海洋船舶流量预测  
   陈作聪  宋武《应用声学》,2016年第24卷第11期
   为了有效缓解船舶交通拥堵和提高通航效率,对海洋港口和航道管理提供一个更可靠的数据,设计了一种基于禁忌算法优化神经网络的海洋船舶流量预测的方法。首先,建立了基于禁忌算法优化神经网络的海洋船舶流量预测模型。然后,设计了三层的脊波神经网络结构,提出了采用禁忌算法优化脊波神经网络结构参数的具体方法,从而得到一个初始化的脊波神经网络流量预测模型。然后,采用有标签的训练样本数据集对网络进行训练,将满足误差阈值的训练模型作为最终的预测模型。以某港口为例进行仿真实验,结果表明文中得到的预测结果与真实值较为接近,且与其它方法相比,具有更好的预测效果。    

12.  基于灰色模型的混合建模预测方法及其应用  被引次数:1
   樊春玲  高峰  孙四通  金志华《中国惯性技术学报》,2008年第16卷第4期
   针对陀螺仪寿命预测的特点,提出了一种基于灰色模型的混合建模预测方法。为了提高一阶灰色模型GM(1,1)的建模能力,此模型引入了小波变换。首先小波变换对实测的动力调谐陀螺(DTG)漂移数据进行预处理以减少干扰噪声,接着处理后的数据被用来建立灰色模型。来自于长期测量的DTG的漂移数据的实验结果证明了文中所提混合策略的有效性。并且为了进行比较,对神经网络建模方法进行了相应的研究,结果表明当小波变换被引入到混合模型中,此基于灰色模型的混合建模预测方法具有令人满意的性能,为陀螺仪的寿命预测提供了借鉴和参考。    

13.  基于粒子群优化算法的神经网络在农药定量构效关系建模中的应用  被引次数:1
   张丽平  俞欢军  陈德钊  胡上序《分析化学》,2004年第32卷第12期
   神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP或其它梯度算法,导致训练时间较长且易陷入局部极小点。本实验探讨用粒子群优化算法训练神经网络,并应用到苯乙酰胺类农药的定量构效关系建模中,对未知化合物的活性进行预测来指导新药的设计和合成。仿真结果表明,粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。    

14.  基于遗传算法和神经网络的注塑工艺参数优化  
   毛海舟  谭小红《数学的实践与认识》,2016年第12期
   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.    

15.  基于灰色神经网络的航空装备作战携行量预测  
   邵雨晗  辛后居  高辉  徐启丰《数学的实践与认识》,2016年第20期
   当前局势多变且节奏迅速的现代高新技术战争使得航空装备需求量与损耗率激增,航空装备保障人员也面临着战时保障情况复杂、决策难度增加的问题.在BP神经网络的基础上使用灰色理论对其进行了优化,将得到的灰色BP神经网络对航空装备作战携行数量进行了预测并与一般BP神经网络和GM(1,1)模型预测结果对比.结果表明:灰色BP神经网络预测精度高、收敛速度快、所需样本数据少,对航空装备作战携行数量预测具有重要价值.    

16.  基于灰色BP神经网络的陀螺电机状态预测  被引次数:1
   査峰  胡柏青  刘佳《中国惯性技术学报》,2010年第18卷第1期
   陀螺电机状态直接影响惯导系统的精度和可靠性,对其进行预测是惯导系统性能评估和寿命预测的重要途径。利用灰色理论的建模预测方法对随机性较大的数据预测精度不高;BP神经网络模型的预测方法具有良好的非线性和自学习能力,但训练效率不高且训练效果受样本数影响较大,网络容易限于局部最小值。针对陀螺电机状态特征参数的特点,本文提出一种基于灰色BP神经网络的混合模型。该模型利用BP神经网络对灰色模型误差进行建模,模型输出返回灰色模型进行输入修正。利用灰色理论、BP神经网络以及混合模型对状态特征参数进行建模和预测,结果表明,混合模型的预测误差比灰色模型减小了约2/3,比神经网络减小了约1/3,证明了该模型的有效性。    

17.  X射线光谱与神经网络中单组分型神经群结构研究  被引次数:3
   罗立强  郭常霖  马光祖  吉昂《光谱学与光谱分析》,1999年第19卷第3期
   研究、比较了神经群结构与常规神经网络算法的预测性能,考察了过拟合与最佳拟合态等的关系。结果表明,在多元体系中,将神经网络单组分预测模型应用于X射线荧光光谱分析时,在预测准确度、模型稳定性和外推预测能力方面,神经群结构优于常规神经网络模型。    

18.  涂料颜色配方预测的人工神经网络模型实验研究  
   窦柳明  廖宁放  吴文敏《光学技术》,2008年第34卷第1期
   人工神经网络技术近年来在颜色空间变换或色域映射的研究中显示了特有的效果。人工神经网络用于粉末涂料配方的预测,其特点是用BP算法神经网络建立粉末涂料反射样品的标准色度参数与配方浓度参数之间的映射关系。通过对典型颜色样本训练和预测,结果表明基于多隐层BP网的模型可以实现粉末涂料样品的配方浓度空间与标准三刺激值颜色空间的相互映射,即用BP网络实现粉末涂料的配方预测。    

19.  关节臂式坐标测量机空间误差建模  
   陆艺  张培培  王华  王学影  赵晨馨《应用声学》,2016年第24卷第7期
   关节臂式坐标测量机误差源多且复杂,其测量空间的误差存在不确定性,为了准确快速的得到关节臂式坐标测量机测量空间中的误差,利用标准锥窝对关节臂式坐标测量机进行了空间单点测量精度实验,获得了训练样本和测试样本。利用BP神经网络对空间误差进行了建模,为了提高其收敛速度和运算速度,引入粒子群优化算法(PSO)对BP神经网络模型进行了优化,并对模型进行了预测和验证。结果表明,BP神经网络和PSO-BP神经网络都可以对关节臂式坐标测量机进行空间点误差预测,PSO-BP神经网络模型的预测结果更加精确,相对误差更小。    

20.  基于实例克隆的ICSMOreg算法及在铀矿床蚀变矿物水云母中的物谱建模研究  
   Wu J  Cai ZH  Gao ZC  Yu C《光谱学与光谱分析》,2011年第31卷第6期
   水云母足花岗岩型铀矿床蚀变带中的一种典型蚀变矿物,它也是铀矿找矿的一个重要标志.水云母含量的大小能在一定程度上体现铀矿床水云母化的强弱.传统建模方法对水云母含量的预测效果较差.文章将回归支持向量机SMOreg应用到水云母物谱关联建模中,并在验证其有效性的基础上提出一种基于实例克隆的ICSMOreg方法,以构建水云母含量与光谱特征参数的关联模型.该方法首先选择与待测样本亲和度较强的部分样本,运用实例克隆的方法对其进行克隆学习,再将得到的新样本数据输入SMOreg,建立水云母的物谱关联模型.最后将文章提出的算法与SMOreg算法、人工神经网络、模型树及常用的高光谱物谱关联模型中的一元线性回归、多元线性回归的预测结果相比较,表明提出的算法预测结果精度高于现有算法,且通过克隆与待测样本亲和度强的样本降低了无用信息在预测过程中所造成的负面影响.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号