基于灰色BP神经网络的商品房销售预测

应用灰色理论与BP神经网络理论,提出了一种基于灰色BP神经网络(GBPNN)的商品房销售预测方法,并建立了相应的GBPNN模型和求解.结果表明该方法不仅能优化预测精度,而且是一种很好的预测问题的有效方法.     

基于BP神经网络模型的中国石油需求预测研究

石油需求量预测对编制石油产业发展规划具有重要意义。为了合理预测中国石油需求量,将1965—2014年中国国内生产总值、人口数量、产业结构及技术进步4个分量作为输入向量,石油需求量数据作为输出向量,建立中国石油需求预测的BP神经网络模型,利用Matlab软件的神经网络工具箱对BP神经网络模型反复训练,发现当隐含层节点数为17、学习率为0.1、训练次数为8次、训练精度为0.001时得到的效果最好。最后运用所确定的BP神经网络模型对2015—2024年中国石油需求数据进行了预测。     

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。     

基于高光谱的法国梧桐和毛白杨叶片叶绿素含量反演模型研究

利用ASD便携式野外光谱仪和SPAD-502叶绿素计,实测了落叶阔叶树法国梧桐(Platanus orientalis L)和毛白杨(Populus tomentosa Carr)叶片的高光谱反射率与叶片绿度,并对原始光谱反射率及一阶导数光谱与叶片绿度进行了相关分析;采用导数光谱数据敏感波段建立了叶绿素含量估算模型,法国梧桐和毛白杨模型的确定性系数R2分别为0.7791和0.6858;采用相关系数较大的波段作为BP和RBF人工神经网络模型的输入变量,分别进行了叶绿素含量的估算,结果表明,BP和RBF神经网络模型预测效果均良好,在预测精度上,RBF略优于BP神经网络模型.     

基于MEA-BP神经网络的压气机特性曲线预测

针对燃气轮机建模过程中压气机特性曲线的预测在非设计工况条件下精度较低和泛化能力较差的问题,提出了一种基于思维进化算法(MEA)的BP神经网络预测模型。该模型融合了MEA全局寻优的能力,在神经网络的权值和阈值范围内,通过MEA的"趋同"和"异化"操作,得到全局最优解并将其应用于BP神经网络的初始值,进而通过迭代得到最优输出预测曲线。预测结果表明:与独立的BP神经网络相比,MEA-BP神经网络的预测结果具有更好的精度和泛化能力,相对误差也降低了很多。可见,该方法适用于压气机特性曲线的预测,有助于压气机的实际运行分析,为燃气轮机的整体建模打下了较好的基础。     

灰色BP网络预测方法在公交客流预测中的应用

本文将BP网络模型与灰色系统预测方法相结合,建立了公交客流量预测模型。该模型有自组织 和自学习的功能,可以根据每次学习误差的不同,不断调整学习速率,加速收敛过程,充分排除数据样本 的随机性影响。与传统的公交客流量预测方法相比,本模型预测结果具有更高的精度。     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。     

基于灰色GM(1.1)的邯郸市城镇化水平预测

灰色GM(1.1)模型适合少量数据的系统预测.当随时间序列的数据只有少量几个时,无法采用统计和其他的预测方法时,它作为一种少量数据的系统预测十分有效.将1999~2003年5年中的邯郸的城镇化水平作为灰色预测的原始数据,建立邯郸市城镇化水平灰色预测模型,并采用残差估计进行模型检验,成功地建立了邯郸市城镇化水平灰色预测模型.     

基于进化神经网络的304不锈钢车削加工表面粗糙度预测

表面粗糙度是衡量加工零件质量的重要指标之一,对表面粗糙度进行提前预测有利于提高加工质量。课题组采用正交试验方法进行了YG8硬质合金刀具干式车削304不锈钢棒料的实验,得到不同切削条件下的表面粗糙度。由于BP神经网络的算法预测精度不高而且容易陷入局部极小值,利用遗传算法的全局搜索能力优化BP神经网络的结构和初值,建立基于进化神经网络的表面粗糙度预测模型。结果表明：进化的BP神经网络模型有效地克服了BP神经网络容易陷入局部极小值的缺陷,实现了表面粗糙度的精确预测。     

基于VAR和GM组合模型的电力消费预测

组合预测模型较单一模型具有更准确的预测精度,利用中国电力消费1978年~2007年的年度数据,将VAR模型与灰色预测的GM（1,1）、无偏GM（1,1）两种模型有机组合,建立灰色VAR组合预测模型,对2008年~2015年的电力消费量进行预测。结果表明,该模型平均相对误差为4.88%,拟合精度较高,具有较好的应用价值。     

基于灰色BP神经网络的员工需求预测

人员配置直接影响企业的生产经营活动,一份科学合理的员工需求预测对企业的作用不言而喻。以某制造业为研究对象,搜集整理2005—2017年数据。利用SPSS做相关性分析,选取固定资产、开发支出等6项员工需求影响因素。运用灰色BP神经网络理论,预测未来3年员工需求。结果表明：灰色BP神经网络比灰色预测模型具有更高的精确度;虽然灰色BP神经网络具有较高的精确度,但其结果受参数影响较大,如何确定参数则是未来研究的一个方向;灰色BP神经网络的预测结果对企业招聘、员工关系管理等模块具有一定的指导意义。     

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。     

数控铣削能耗预测及切削参数多目标优化研究

为了研究数控铣床节能优化问题,首先以316L不锈钢为加工对象,设计了数控铣削实验方案,并进行了实验数据分析;然后以实验数据为样本,运用BP神经网络建立了数控机床能耗预测模型,并利用蜣螂优化算法(DBO)对BP神经网络结构进行优化,建立基于DBO-BP神经网络的数控机床能耗预测模型。通过对比优化前后两模型,选择具有更高的预测精度和稳定性的DBO-BP神经网络模型与以加工成本为目标而建立的铣削参数多目标优化模型,并运用NSGA-Ⅱ对模型求解,得到最优解集,最后运用熵权TOPSIS法对最优解集进行决策,得到最优解。通过对比优化前后比能耗和加工成本,优化后的切削参数使比能耗和加工成本分别下降了33.84%和5%。研究结果表明,优化后的切削参数更加节能和节约加工成本。     

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。     

基于CEEMD SE和LSTM的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,课题组提出了一种基于多频率尺度样本熵(SE)和长短期记忆神经网络(LSTM)相结合的寿命预测模型。该模型采用互补集成经验模态分解(CEEMD)结合相关系数分析,从滚动轴承振动信号中提取包含主要退化信息的IMF分量,并提取其样本熵矩阵,用于训练和测试LSTM。通过滚动轴承全寿命试验证明该模型可以准确预测滚动轴承剩余寿命,与BP神经网络和极限学习机(ELM)的预测效果对比验证了该模型的有效性。     

基于GA-BP神经网络的数控插齿机热误差建模

热误差作为影响数控插齿机加工精度的重要因素之一,而目前有关插齿机的热误差补偿相关资料欠缺。提出基于GA-BP神经网络的机床热误差优化建模方法,针对插齿机减少其热误差,提高加工精度。针对神经网络算法较多,但补偿效果仍存差距,因此比较了遗传算法(GA)和BP神经网络算法,介绍GA-BP神经网络模型的具体步骤,以YKS5132DX3型数控插齿机为实验对象,获得了敏感点温度和主轴X、Y方向的热误差值,在此基础上,建立BP神经网络热误差预测模型和GA-BP网络热误差优化模型。实验结果表明：与BP神经网络热误差模型相比,GA-BP神经网络热误差模型的预测精度更高,残差变化幅度较平稳,稳健性强。     

免疫进化算法和神经网络在建立财政收入预测模型中的应用

通过对历史数据的数学处理,采用人工神经网络的方法建立财政收入预测模型。针对前向网络BP（Baek-propagation Algorithm）算法——梯度下降搜索方法的不足,提出用免疫进化算法来训练BP模型网络参数。利用福建省1990-2004年的财政收入数据建立神经网络预测模型,并用2005、2006年的数据进行预测预报检验。结果表明：采用免疫进化算法建立的神经网络财政收入预测模型,模拟和预测精度高,具有实际应用价值。     

基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

基于邻域粗糙集神经网络的审计意见预测模型研究

审计意见类型及其预测结果受到企业各利益相关方的高度关注.同时选用财务指标和非财务指标为变量,构建了基于邻域粗糙集神经网络的审计意见预测模型.将领域粗糙集作为BP神经网络的前置系统,在保持分类能力不变的前提下进行指标约简,提取关键指标,再将约简的指标体系作为神经网络模型的输入变量.以2013-2015年沪深A股176家公司数据作为研究样本,采用三种模型进行审计意见预测对比分析,结果表明:本模型预测准确率达到97.06％,与单纯利用神经网络建模或单纯利用财务指标建模的预测效果相比具有更好的预测效果.     

基于灰色预测模型GM(1,1)的人力资源需求预测研究

文章使用灰色预测模型GM(1,1)对A企业人员数量进行预测,通过对A企业人员数据累加处理后的标准光滑性检验和验证准指数规律,发现A企业人员数据满足GM(1,1)预测模型,应用MATLAB软件进行数学计算,建立A企业人力资源需求预测模型,预测结果与精度检验表明模型符合二级精度,可以做中长期预测。