基于EMD-BP神经网络的我国棉花期货价格预测方法研究

为提高非线性和非平稳性的棉花期货价格的预测能力,该文采用基于EMD的BP神经网络预测方法,对原始序列进行分解,产生多个平稳序列imf,然后对每个imf进行预测,把预测结果相加得到原序列的预测值。实验结果表明,基于EMD的BP神经网络预测方法优于单纯BP网络预测。     

神经网络方法在医学统计预测中的应用

结合案例分析,将神经网络方法应用于医学统计预测,并与传统的回归分析进行了预测效能的比较。结果表明,神经网络方法与回归分析在分类效能上比较相近,但神经网络方法的容错性更好,能通过训练和学习获得完整的预测规则。在本研究中,对于连续变量的处理,多层感知器表现出比径向基神经网络更占优势,而在对离散变量进行分类时,径向基神经网络的结果则更为优良。总之,神经网络方法在医学统计中可以获得有效应用,并能预测比回归分析更多的结果,因而在大数据时代具有更广阔的应用前景。     

基于时变系统的油田产量功能模拟预测

神经网络预测的优点是预测指标与影响因素指标的历史拟合好，微分模拟预测的特点则是预测过程中更加注重预测指标的自身变化趋势。两者有机结合，首先将微分模拟得到的油田产量与其影响因素的输入输出关系视为时变系统，再把BP神经网络引入到微分模拟参数识别中，建立具有时变特征的功能模拟预测新方法。该预测模型中的参数随时间变化，具有自适应性；能在神经网络训练过程中通过变学习率的方式解决其与微分模拟胶合过程可能出现的不收敛问题；对中长远预测有更好的效果。最后将这一新方法应用于国内某油田的产量预测中，经软件计算，预测结果与实际的吻合程度明显高于其它几种预测方法。     

基于神经网络房地产价格指数的预测研究(续)

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

基于神经网络房地产价格指数的预测研究

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

灰色神经网络模型在猪肉价格预测中的应用

本文针对猪肉价格波动的特点，利用灰色神经网络模型（CGNN）对猪肉价格进行预测。CGNN模型是对同一已知时间序列，采用不同的GM（1，1）改进模型得到的预测结果使用神经网络进行组合，将每个灰色预测结果“串联”起来，融入神经网络之中，发挥每个灰色预测模型的优点，从而得到更为精确的预测值的方法。     

基于BP神经网络的油气产量历史预测

分析了常规油田开发模型所存在的问题;探讨了应用神经网络技术进行油气产量历史预测的可行性。油田实际资料验证评价结果表明:该法模拟预测精度高,效果好,简单实用,不失为油气产量动态预测的一条新途径。     

基于EMD的神经网络股价预测方法

股价波动具有复杂、非平稳、非线性等特点,传统经济模型难以对其进行准确预测。文章将机械工程领域用于分解复杂信号的EMD算法嵌入神经网络模型建立了基于EMD的神经网络股价预测模型,并通过检验该模型有效性以及将该方法的预测效果与小波神经网络预测方法的预测效果相比较,得出该方法是优于小波神经网络预测方法的最佳股价预测方法的结论。     

基于PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.