遗传算法BP神经网络的预报研究和应用

针对目前 BP神经网络在实际气象预报应用中 ,网络结构难以确定以及网络极易陷入局部解问题 ,用遗传算法优化神经网络的连接权和网络结构 ,并在遗传进化过程中采取保留最佳个体的方法 ,建立基于遗传算法的 BP网络模型 ,并以广西的月降水量进行实例分析 ,计算结果表明 ,该方法预报精度高、而且稳定 .     

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BP神经网络的供应链绩效评价方法

动态供应链绩效评价是一个包含多个指标输入输出的复杂评估系统,各绩效指标具有模糊性、不确定性,绩效指标数量较多,彼此之间存在非线性关联性。针对这样一个复杂的评估系统,本文讨论利用神经网络技术来对动态供应链绩效进行综合评价。本文首先介绍了人工神经网络的基本概念。针对供应链绩效的五维平衡计分卡模型,利用BP神经网络(Back Propagation NeuralNetwork,BP网络)来对供应链综合绩效评价结果进行学习和预测,文中我们详细讨论了供应链绩效评价中BP网络的学习过程和存在的问题,并给出了仿真结果。计算实例表明本文提出的动态供应链绩效评价模型是合理、有效的,能够为供应链的合理分析和决策制定提供依据。     

基于BP神经网络误差函数优化算法的武器装备承制商信用评价模型研究

信用评价是选择武器装备承制商的重要手段.以国标为基础,结合承制商具体情况确定了信用评价指标体系.分析了传统信用评价方法的不足,对经典BP神经网络的误差函数进行优化,优化后的网络模型收敛速度更快,预测精度更高.构建BP神经网络武器装备承制商信用评价模型,仿真实验表明武器装备承制商信用评价可以选用BP神经网络模型.     

基于BP神经网络的企业信用评估模型

本文研究了企业信用评估中的模型问题.以商业企业为例,阐述了基于BP神经网络的信用评估模型的原理,通过建立指标体系,讨论基于BP神经网络的评价模型的实现,对模型的不足进行了分析,并提出改进建议.     

基于加强型BP算法的神经网络故障诊断研究

文章给出了利用神经网络进行故障诊断的可行性、基本原理、诊断过程分析、和参数优化过程 ,并得出较为理想的诊断结果 .     

基于BP神经网络的手写体数字的识别方法研究

对手写体数字的识别问题进行了讨论,提出一种基于BP神经网络的识别方法.从而提高了识别效率.主要就在识别时,数字在图片上的位置和数字本身大小方面做了改进,发现数字在图片上的大小和其在图片上的位置直接影响识别效果.具体做的是,首先提取了图片的轮廓,然后归一化成28×28的图像.这样做,不仅使得图像数字区域大小相同,而且都在图像中心上,使得识别结果变的更加理想化,达到了高识别的目的.另外,选择了容错性较好的BP网络,以200组手写体数字图像作为输入向量,以其他的110组进行识别,效率达到了90%.     

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.     

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BP神经网络的中国石油安全预警研究

为保障国家石油安全、保障国民经济安全运行,本文根据石油安全预警的特点,采用神经网络方法进行预警,设计了BP神经网络模型,应用BP神经网络建立了中国石油安全预警系统,并进行了预警研究和实证分析,得出我国石油安全属于重警区,需加强安全防范。     

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。     

基于EEMD的LS-SVM和BP神经网络混合短期负荷预测

提出了基于总体平均经验模态分解(EEMD)、最小二乘支持向量机(LSSVM)和BP神经网络的实用综合短期负荷预测方法,进行电力系统短期负荷预测.首先运用EEMD方法将非平稳的负荷序列分解,然后根据分解后各分量的特点选用最佳的核函数,利用最小二乘支持向量机分别对各分量进行预测,最后对各分量预测结果采用BP神经网络重构得到最终的预测结果.对实测数据的分析表明基于该综合方法的电力系统短期负荷预测具有较高的精度.     

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.     

BP网络的一种改进学习方法

章分析了传统BP学习方法的缺陷，给出了一种改进的学习方法，并用非线性函数tg△x和(e^△x-1)代替传统的线性函数△x进行网络学习和参数调整．仿真表明，该算法能有效克服网络陷入局部极小的困境，并大大提高收敛速度．     

混沌遗传算法对BP神经网络的改进研究

BP神经网络算法是目前应用最广泛的一种神经网络算法,但有收敛速度慢和易陷入局部极小值等缺陷.本文利用混沌遗传算法(CGA)具有混沌运动遍历性、遗传算法反演性的特性来改进BP神经网络算法.该算法的基本思想是用混沌遗传算法对BP神经网络算法的初始权值和初始阈值进行优化.把混沌变量加入遗传算法中,提高遗传算法的全局搜索能力和收敛速度;用混沌遗传算法优化后得到的最优解作为BP神经网络算法的初始权值和阈值.通过实验观察,改进后的结果与普通的BP神经网络算法的结果相比,具有更高的准确率.