基于RN和GN的两种RBF神经网络的工程造价预测模型

建立了调用NEWRB函数的正规化网络RN和基于K-means聚类的广义网络GN的两种RBF‘神经网络的工程造价预测模型,以55个厦门市工程造价案例进行实证分析.结果表明:当调用NEWRB函数构建RBF模型时,其性能主要取决于分布宽度,而基于K-means聚类的RBF神经网络主要取决于重叠系数和隐含层节点数;基于广义网络GN的RBF神经网络模型的训练效果较差,但学习速度更快、预测精度更高.     

择优RBF神经网络下切削率的优化

本文通过择优RBF(径向基函数,Radial Basis Function)神经网络对影响切削加工过程的切削参数进行建模,对切除率进行拟合预测;提出松弛误差作为衡量网络精度的指标,使RBF选择最优的分布密度,从而有效提高RBF神经网络的拟合预测能力;并将择优RBF的拟合和预测结果与BP的相应结果进行了比较,结果显示择优RBF神经网络的拟合和预测精度大大优于BP神经网络.     

最优组合预测模型的构建及其应用研究

由于证券价格是随机游走的,在证券定价研究中RBF神经网络模型、灰色GM（1,1）模型、ARIMA模型不具备时效性,通过对上述三个模型进行综合分析,结合三者中有用的信息集合,构建一个最优组合预测模型．在此基础上选取了深发展A在2007年全年的收盘价作为研究样本对这四个模型进行实证研究,研究结果发现,最优组合预测方法对证券价格进行预测具有很好的预测精度和很高的可靠性．     

基于PSOGSA-LSTM模型的长江经济带空气质量指数预测研究

本文以长江经济带100个地级及以上城市的空气质量指数(AQI)为研究对象,选取了六大污染物和11个影响空气质量指数的气象因子作为影响因素。针对空气质量相关数据的特性,将粒子群算法和万有引力算法结合的混合算法(PSOGSA)与长短期记忆(LSTM)神经网络进行组合,建立PSOGSA-LSTM组合预测模型,对模型的预测精度进行了三个方面的检验,并与传统的LSTM模型的预测结果进行比较,最后将其应用于长江经济带100个城市未来7天的空气质量指数预测。研究结果表明,PSOGSA-LSTM模型相比传统的LSTM模型具有更高的预测精度和较强的稳定性。     

混合优化RBF-BP网络的板形缺陷识别

针对传统板形模式识别方法存在精度低、鲁棒性弱的问题,提出了一种混合优化RBF-BP组合神经网络板形模式识别方法。首先利用自组织映射网络(SOM)对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心,并计算RBF的宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题。然后利用遗传算法(GA)良好的全局搜索能力优化整个网络的权值。RBF-BP组合神经网络是由一个RBF子网和一BP子网串联构成的,该网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。并以某900HC可逆冷轧机板形识别为应用背景,在MATLAB2010a环境下进行仿真实验,结果表明混合优化RBF-BP组合神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形缺陷识别精度并具有较好的鲁棒性,可以满足板带轧机高精度的板形控制要求。     

基于灰色神经网络模型的水质预测应用研究

将灰色模型和神经网络模型进行组合建立灰色神经网络模型,分别用灰色模型、神经网络模型和组合模型对永定河流域官厅水库断面的水质检测指标DO的浓度值进行模拟预测.结果表明,组合预测模型的模拟预测精度高于两种单一模型的预测精度.     

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.     

交通流灰色RBF网络非线性组合预测方法

针对智能交通系统的开发,提出一种基于灰色GM(1,1)模型和RBF网络非线性组合的短时交通流预测方法.该方法采用三层结构的RBF网络将两种单一预测方法(灰色GM(1,1)模型和RBF网络)进行了非线性组合.利用实测数据对组合方法进行了仿真实验,结果表明:非线性组合模型的预测准确性高于单独的RBF网络预测的准确性;组合模型发挥了两种单一方法各自的优势,是短时交通流预测的有效方法.     

灰色理论和BP神经网络在大学生就业信心指数预测中的应用

采用大学生就业信心指数来分析预测其就业信心是值得研究的问题.提出一种灰色理论和BP神经网络相结合的方法对大学生就业信心指数进行预测.首先对影响就业信心的主要因素建立不同的灰色模型,然后将每个灰色模型的预测值作为神经网络的输入,利用神经网络进行组合预测以作为其最终的预测值.结果表明组合模型的预测值相对误差更小,精度更高.     

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.