基于径向基函数神经网络的流程企业供应链预测仿真

本文在比较预测方法的基础上，采用径向基函数（RBF）神经网络技术建立流程企业供应链预测模型，进行了实例预测仿真，并将预测结果与BP网络的预测结果进行了比较。结果表明，RBF网络误差小于BP网络，其中平方根RBF网络的预测仿真误差最小，而BP网络的误差最大。     

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.     

基于灰色神经网络的航空装备作战携行量预测

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.     

基于BP神经网络的时间序列预测问题研究

分析指出了基于标准BP神经网络的时间序列预测问题存在的不足.根据基于BP神经网络的时间序列预测问题的特点,研究给出了一种以y=x作为传递函数的时间序列预测方法,经实例验证表明,给出的以y=x作为传递函数的时间序列预测方法较基于标准BP神经网络的时间序列预测方法具有较好的结果.     

基于改进BP神经网络的组合预测模型设计

为提高预测精度,解决非线性组合预测中的困难,利用改进BP神经网络对非线性组合预测模型进行了设计.讨论了模型设立的原则和一般程序,比较其与传统的组合预测方法之间的优劣,并给出实例加以验证.结果显示,基于改进BP神经网络的非线性组合预测模型能够准确描述系统中的非线性,提高预测精度.     

BP-GA混合优化策略在人力资源战略规划中的应用

采用混合优化策略训练神经网络,进而实现地区人力资源数据的时间序列预测.神经网络,尤其是应用反向传播(back propagation,简称BP)算法训练的神经网络,被广泛应用于预测中.但是BP神经网络训练速度慢、容易陷入局部极值.遗传算法(genetic algorithm,简称GA)具有很好的全局寻优性.因而提出将BP和GA结合起来的混合优化策略训练神经网络,来实现人力资源数据预测.与BP算法相比,数值计算结果表明预测精度高、速度快,为地区人力资源数据的时间序列预测研究提供了一条新的途径.     

融合系统聚类与BP神经网络的世界碳排放预测模型研究

针对碳排放指标的复杂性与多样性,利用系统聚类对世界碳排放指标进行筛选;然后运用BP神经网络对世界碳排放量进行预测.结果表明运用系统聚类方法分析碳排放指标,简化了BP神经网络输入层,使网络训练得到较快实现,相比传统BP神经网络预测方法具有更高的精度,为碳排放预测及其它相关预测提供了一种新的、可供借鉴的方法.     

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.     

自组织理论和BP人工神经网络在税收预测中的应用研究

针对BP人工神经网络的结构特性,提出了将自组织理论与BP人工神经网络相结合的思想,不仅解决了输入待定的神经网络输入维数难确定的问题,而且加快了神经网络的收敛速度,增强了神经网络的适应能力.并将新建立的模型应用到税收预测中,得出了比常规经济学模型更优的效果.     

Cox模型与BP神经网络在处理非线性数据时的性能比较

本文采用BP神经网络、Cox模型和bootstrap方法,比较BP神经网络与Cox模型在处理非线性资料时的性能。两种方法的预测一致性的均数分别为0.7525和0.7706。对于非线性资料,BP神经网络的预测效果优于Cox模型。     

基于分解—集成的铁路货运需求预测研究

铁路货运量受到多种因素影响,准确的预测可以为铁路行业未来规划的编制提供重要的参考依据,也可以使铁路部门制定符合当前货运市场的运输政策。货运量数据具有非线性、不平稳的特点,利用传统的单一预测模型进行预测,很难描述整体特征,预测精度有待提高。本文基于分解—集成的原则,利用变分模态分解算法将货运量分解为高频和低频模态,针对各模态特点,分别建立预测模型,将得到的预测结果加总起来作为最终货运量的预测值。实证表明,分解—集成预测方法与传统的单一预测模型相比,提高了预测的准确率,可以很好地应用在铁路货运量需求预测的研究中。     

基于PSO_Trainlm BP模型的图像去噪研究

针对在使用BP模型进行图像去噪时,模型存在的对初始权阈值敏感、易陷入局部极小值和收敛速度慢的问题.为了提高模型去噪效率,提出采用改进粒子群神经网络模型进行图像去噪.首先运用改进粒子群算法对BP神经网络权阈值进行初始寻优,再用trainlm BP算法对优化的网络权阈值进一步精确优化,随后建立基于粒子群算法的BP神经网络去噪模型,并将其应用到图像去噪研究中.仿真结果表明,新模型结合了粒子群算法的全局寻优能力和BP算法的局部搜索能力,减小了模型对初始权阈值的敏感性,有效防止了模型陷入局部极小值的可能,提高了图像去噪模型的速度和质量.     

2000年厦门港货物吞吐量预测

本文是《厦门港及附近水域交管系统应用研究》课题中关于港口货物吞吐量预测的部分。这一课题已通过专家鉴定。文中应用回归模型预测2000年厦门港货物吞吐量。通过从多个解释变量中选择合适的解释变量，可获得较好的预测结果。其结果说明在应用数学模型预测时，最为关键的是模型、变量和数据三者之间的相互适应，而不在于模型的复杂程度，特别是在历史数据不多的情况下更是如此。     

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.     

常用大气污染预报模式的应用及比较分析

针对丹东市采暖期SO2污染的实际情况及气象因子的关系,建立了逐步回归、偏最小二乘回归、主成分回归和BP神经网络等4种常用的大气污染预报模式,并在实际预报中进行了模拟、试报和应用,结果发现,各个模式模拟值与实际值的变化趋势基本一致,BP神经网络方程和偏最小二乘回归方程的预报值与实际值的接近程度要好于逐步回归方程和主成分回归方程.     

基于灰色预测模型的广州港货运发展研究

新冠肺炎疫情对广州港的货运发展产生了一定程度的影响,但目前仍然缺少相关的定量研究.基于灰色预测模型,利用港口货物吞吐量、外贸货物吞吐量、集装箱吞吐量三个货运指标,在新冠肺炎疫情没发生的这一假设下,推测2020年1-8月广州港的各货运发展指标值.基于预测值与实际值的比较,定量研究广州港的货运发展受新冠肺炎的影响值,反映新冠肺炎疫情对广州港货运增长的影响程度.实证结果显示:新冠肺炎疫情给广州港货运增长带来的总体影响比较大,对港口货物吞吐量的影响程度为-4.08%,外贸货物的影响-6.33%,集装箱货物的影响-5.79%.为了进一步探索如何减弱新冠肺炎疫情对广州港货运发展的影响,引入了灰色关联度模型,对广州港货运发展的关联因素进行研究.通过广州港货运发展关联因素研究,提出在后疫情时代,促进广州港货运发展的相关举措.     

BP神经网络算法在需水预测与评价中的应用

需水预测是进行水资源规划与管理的必备技术方法,在水资源短缺的地区显得尤为重要.合理而准确地预测未来的需水量,可以避免投资的浪费或减少将来用水危机的发生.以江西省为例,采用BP神经网络算法对江西省近期的需水进行预测与评价,将结果与其它方法预测的进行比较,比较结果说明神经网络算法预测需水是成功的。