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.     

基于组合预测的变压器故障诊断模型

为了快速准确地预测出变压器的故障类型,及时做好维修工作,本文提出了一种基于非线性规划的组合预测模型.首先,利用改进的鲸鱼算法优化BP神经网络建立IWOA-BP预测模型;然后,在IWOA-BP预测模型和梯度提升树的基础上,利用非线性规划与遗传算法相结合的方法确定各算法的权系数,再将各算法的结果加权得出组合模型的最终预测结果.通过实例验证,IWOA-BP预测模型的变压器故障预测效果强于BP神经网络、随机森林等多种预测模型,并且利用IWOA-BP预测模型和梯度提升树建立的组合模型,其预测准确率高于组合中任意一种算法.     

智能制造模式下基于改进BP-ARIMA组合模型产品需求预测方法

为有效预测智能制造模式下的不确定性需求,提出自回归移动平均模型ARIMA和改进BP神经网络的组合模型,对预测数据中包含线性规律的Lt以及非线性规律的ε_t进行模拟和分析,以解决预测有效性和精度问题.通过数据样本构建,对ARIMA模型结构进行辨识,确定p,d,q参数,并对模型进行诊断和检验;在此基础上进行需求数据一次预测;通过连接权值的修正降低BP神经网络学习误差,并对一次预测结果与原需求数据样本存在的误差进行二次预测.实例数据分析表明:组合模型的预测精度较ARIMA模型有显著提高,因此组合预测模型在预测效果上具有合理性和有效性.     

神经网络优化组合预测模型在油气产量预测中的应用

采用组合预测方法对油气产量预测进行研究,首先选取油藏工程领域多种油气产量预测模型建立组合预测模型库,基于权系数的时效性,利用三层前馈BP神经网络建立油气产量变权组合预测模型,并进行实例分析,结果表明该方法能提高预测精度,增强预测模型的实用性.     

不等时距灰色组合预测模型的研究

在不等时距序列灰色预测的基础上,建立了最优组合预测模型和BP神经网络组合预测模型.通过实例对比分析,表明这两种灰色组合预测模型都较各单项模型具有更高的预测精度和较高的理论实践价值.     

基于Bass-BP组合模型的微信扩散研究

微信扩散具备非线性变化特征,仅采纳单一预测算法无法有效描述微信扩散的规律.因此,提出了Bass-BP扩散组合模型.首先利用经典Bass模型对微信数据进行初步预测,再利用BP神经网络对Bass模型预测结果进一步非线性逼近.结果表明,Bass-BP组合模型相较于Bass经典模型和BP神经网络这两种单一的预测模型,具有更好的预测效果.     

一种线性ARIMA基础上的非线性BP神经网络修正组合方法在粮食产量预测中的运用

对我国粮食产量预测工作作出了重大贡献.通过线性规律和非线性规律的区分,构建了自回归移动平均(ARIMA)和BP人工神经网络的组合预测模型,结论显示:ARIMA和BP算法能够各自对粮食产量序列中的线性和非线性规律实现充分挖掘,拟合精度几乎达到完美的程度,克服了以往单一预测和组合预测中信息挖掘能力不足的缺陷.     

基于改进PSO-BP神经网络的旅游客流量预测方法

提高旅游风景区日客流量的预测精度,对旅游风景区的日常运营管理和旅游资源的保护有重要意义.PSO-BP被广泛应用于预测中,针对PSO算法的惯性权重采取线性动态变化时无法满足粒子多样性和易陷入局部极值等缺陷,文章提出一种利用改进后的PSO-BP方法,利用粒子适应度值对惯性权重进行动态非线性变化,同时结合粒子迭代周期增加位置扰动,对粒子群算法进行改进.将改进后的PAPSO算法(particle swarm optimization algorithm with position disturbance and adaptive inertia weight,PAPSO)对BP神经网络的初始权值和阈值进行优化,建立黄山风景区日客流量的Matlab预测模型,对黄山旅游客流量数据进行实验,结果表明文章提出的基于PAPSO算法优化BP神经网络的预测模型有效地提升了预测精度.     

基于LM算法的BP神经网络的电力负荷短期预测

通过对BP神经网络输入负荷值的归一化处理,同时采用Levenberg-Marquardt(LM)算法,建立了一个改进了的BP神经网络,同时用它来对电力系统进行短期负荷预测.LM算法有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明,改进了的BP神经网络具有很高的预测精度和较强的适用能力.     

BP神经网络非线性组合预测模型在海洋冰情预测中的应用

针对海洋冰情灾害的非线性复杂问题，目前已提出了多种模型对其进行预测。在此基础上，根据神经网络的非线性和良好的函数逼近特性，提出用基于BP神经网络的非线性组合预测（NN-NLCF）模型来预测海洋冰情灾害。结果表明，NN—NLCF模型与海洋冰情的非线性特性相契合，它综合利用了参与组合的多种预测模型的有效信息，因而能更客观地反映海洋冰情的发展趋势，预测结果更为稳健、精度更高，在其它自然灾害时序预测中具有一定的推广应用价值。     

我国上市公司被特别处理的组合预测模型研究

针对组合预测比单项预测具有更高的预测精度，本提出了一种基于模糊神经网络的上市公司被ST的非线性组合建模与预测新方法，并给出了相应的混合学习算法。通过与多元线性回归模型、Fisher模型和Logistc回归模型的预测结果对比表明，该方法具有预测精度高，学习与泛化能力强，适应性广的优点。     

产品需求预测的演化神经网络算法MLPES

在需求拉动型的供应链中，需求成为供应链的起点和动力源泉。由于制造商在供应链中的特殊地位，制造商成为供应链由需求驱动变为预测驱动的断耦点，以制造商为核心进行准确的需求预测可以在一定程度上减少需求不确定性的影响。本文在多层感知器的框架上，提出了基于演化策略的神经网络预测方法MLPES，改进了在多层感知器中普遍采用的BP算法，并设计了学习算法的流程，通过反复测试确定了模型的参数，最后对预测结果进行了分析。     

基于修正的时间序列模型对冲击负荷的预测

电力负荷预测的实质是对电力市场需求的预测,是利用以往的历史数据资料找出电力负荷的变化规律,进而预测负荷在未来时期的变化趋势.由于经济、气候以及工业生产等诸多因素的约束和限制,电力负荷预测精度很难提高.一个好的实用的电力负荷预测模型则要求既能充分利用负荷的历史数据,又能灵活方便地综合考虑其他多种相关因素的影响.提出了回归与自回归模型相结合的时间序列混合回归预测模型,它的待估参数由BP神经网络进行修正,经实例验证,预测效果良好.     

BP神经网络在农机总动力预测中的应用

准确的预测黑龙江省农机总动力,可为黑龙江省的农业机械化发展趋势和农机产品市场分析提供理论指导,为制定黑龙江省农业机械化发展规划和预测近阶段农业机械化发展水平提供参考依据.利用黑龙江省1980-2007年农机总动力数据,运用标准BP神经网络和改进BP神经网络模型进行预测,预测结果表明,改进BP神经网络模型比标准BP神经网络模型在预测精度、运行时间、学习次数等方面更具优越性.     

BP神经网络在期货价格预测中的应用

影响期货价格短期走势的因素纷繁复杂,具有一定的非线性和随机性,因而难于预测.鉴于神经网络强大的非线性映射能力,利用改进的BP网络,对较难解决的期货价格预测问题进行了研究,提出了一种预测期货价格的方法,并以期货铝的价格为例验证了此方法的有效性.     

偏最小二乘回归的贝叶斯正则化神经网络集成模型在证券分析预测中的应用

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型.通过上证指数开、收盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好.     

Time series forecasting with neural network ensembles: an application for exchange rate prediction

This paper investigates the use of neural network combining methods to improve time series forecasting performance of the traditional single keep-the-best (KTB) model. The ensemble methods are applied to the difficult problem of exchange rate forecasting. Two general approaches to combining neural networks are proposed and examined in predicting the exchange rate between the British pound and US dollar. Specifically, we propose to use systematic and serial partitioning methods to build neural network ensembles for time series forecasting. It is found that the basic ensemble approach created with non-varying network architectures trained using different initial random weights is not effective in improving the accuracy of prediction while ensemble models consisting of different neural network structures can consistently outperform predictions of the single ‘best’ network. Results also show that neural ensembles based on different partitions of the data are more effective than those developed with the full training data in out-of-sample forecasting. Moreover, reducing correlation among forecasts made by the ensemble members by utilizing data partitioning techniques is the key to success for the neural ensemble models. Although our ensemble methods show considerable advantages over the traditional KTB approach, they do not have significant improvement compared to the widely used random walk model in exchange rate forecasting.     

MEA-BP模型在遥感影像分类中的应用研究

遥感影像分类作为遥感技术的一个重要应用,对遥感技术的发展具有重要作用.针对遥感影像数据特点,在目前的非线性研究方法中主要用到的是BP神经网络模型.但是BP神经网络模型存在对初始权阈值敏感、易陷入局部极小值和收敛速度慢的问题.因此,为了提高模型遥感影像分类精度,提出采用MEA-BP模型进行遥感影像数据分类.首先采用思维进化算法代替BP神经网络算法进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于思维进化算法的BP神经网络分类模型,并将其应用到遥感影像数据分类研究中.仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值.     

FA-RBF复合神经网络模型及其在地下水位预测中的应用

地下水动态变化过程呈现出高度复杂的非线性特征,增加了地下水位预测的难度.为充分反映地下水位变化过程中自变量和因变量之间的非线性映射关系,克服在获取水文地质参数与查明水文地质条件方面的困难,避免部分智能方法实现繁琐复杂、计算效率低、限制条件多等不足,提出将因子分析方法与RBF神经网络算法构成复合模型,用于地下水位预测.结果表明,复合模型可以用于地下水位预测,模型计算结果可靠,网络训练时间缩短,计算精度有所提高;而且有成熟算法,实现简单.