基于主成分BP神经网络的油田产量预测研究

文章提出采用基于主成分的BP神经网络来对油田产量进行预测。主成分分析法用于将输入变量维度降低且互不相关;BP神经网络因其自组织、自学习的动力机制实现输入输出空间的非线性映射。以江汉油区为例的研究表明,该方法具备较高的预测精度,在复杂经济时间序列的预测中有一定的应用前景。     

教学质量评价与预测的人工神经网络方法

BP算法是一个用于预测与评价的很有效的算法.文章综合考虑了影响教学质量的各方面的复杂因素,采用改进的BP神经网络算法用于教学质量评价与预测,给出了神经网络的教学质量评价与预测的模型结构,并在MATLAB中仿真实现.结果表明,该评价与预测方法克服了专家评价的主观因素,得到了合理的结果,具有很好的适用性.     

几种组合预测方法对股票市场的预测效果研究

为了研究几种组合预测方法的预测效果,文章首先利用GM(1,1)、BP神经网络、支持向量机(SVM)三种单一预测方法对2008年的上证工业股指数、上证商业股指数、上证地产股指数、上证公共事业股指数作了预测,然后分别利用最优权重线性组合预测模型、基于SVM和基于BP神经网络的非线性组合预测模型对上述股指作了预测.通过对各种预测方法的预测效果进行对比分析,发现:在进行组合预测时,选择其中预测效果最好的一种方法作为二次组合预测的模型可以大大提高组合预测的效果.     

我国月度居民消费价格指数的预测方法与应用

文章用时间序列的BP神经网络和ARMA模型的方法对我国2005年1月～2011年5月的月度CPI进行了模型分析并检验了预测效果。对比分析表明,利用月度CPI时间序列的BP神经网络方法相比ARMA模型有更好的预测精度。     

投影寻踪聚类分析在股票研究中的应用

本文选取5个能综合反映一个公司盈利能力的指标对20支股票进行了投影寻踪聚类分析,来预测股票的行情,并采取信赖域算法来寻找最优投影方向,以求解此投影寻踪聚类模型.实证分析表明这种方法对指导股票投资具有有效性和实用性.     

基于干预模型与BP神经网络集成的GDP预测

文章将干预模型与BP神经网络模型相结合,提出了基于干预模型与BP神经网络集成的GDP时间序列预测模型,并实现了算法。利用我国1978~2004年的GDP数据建立多干预变量集成预测模型,对我国2005~2009年的GDP数据进行预测,并将预测值与其他文献所建模型的预测值进行比较,预测误差明显减少,证实了所建立模型处理外部事件(如宏观经济因素、政治因素等)的有效性。     

基于BP算法的人口平均寿命预测

本文阐述了神经网络及其BP算法的工作原理,对BP算法中的S函数和规范化方法进行了改造,同时将人工神经网络的BP算法引入人口平均寿命研究领域,并应用Matlab神经网络工具箱,对江苏省各年龄组人口平均寿命进行了预测研究。预测模型在预测精度和算法的收敛速度方面都达到了较好的效果,对未来人口平均寿命的研究具有重要的意义。     

油田产量的最优加权组合预测方法

文章利用因子分析法,对影响油田产量的多个因素进行分析.最终用较少的变量代替原来各因素.然后基于BP神经网络方法和多元回归预测方法,建立最优加权的组合预测模型.对油田的产量进行预测.经验证,组合后的模型比单一模型预测效果更好,对实际生产有一定的指导意义.     

基于BP神经网络与修正GM(1,1)模型的能源消费组合预测

随着我国经济社会的进一步发展,能源需求逐步增大,且消费量的增长与多种因素相关.能源消费预测存在与多因素的关联.文章在基础GM(1,1)模型框架下,以重新累积生成累加后序列预测值的方式进行GM(1,1)的无偏化修正,并按照加权平均背景值重设进行pGM(1,1)模型修正;并以各种非线性参变量间的映射纳入组合BP神经网络的能源消费预测.结果证实,无偏GM(1,1)、pGM(1,1)模型有效降低了GM(1,1)的预测平均相对误差,再与BP神经网络组合预测,形成了较好的能源消费预测精度.     

基于改进BP神经网络的时间序列补缺及预测

对BP神经网络的改进方式和网络参数确定进行分析,以青海省各月份经济统计中的时间序列问题为实验对象,分别采用动量项自适应学习率法和LM-BP算法,利用神经网络完成数据补缺及数据预测。该方法无须确立时间序列模型,便捷高效。最后对两种方法的训练情况和实验结果进行了比较和分析。     

湖北省城镇居民住房需求预测模型与实证

文章使用1995～2010年的湖北省宏观经济指标数据作为住房需求影响因素,分别应用BP神经网络和基于主成分分析的BP神经网络对湖北省城镇居民住房需求进行了预测和对比.研究表明基于主成分分析的BP神经网络可作为预测城镇居民住房需求的一种行之有效的方法.最后,提出了进一步研究的展望和建议.     

基于回归神经网络的长期电力负荷组合预测模型研究

本文研究了用逐步回归、岭回归和偏最小二乘回归方法消除变量间的多重共线性,最后得到三个回归模型。单一预测方法的结果时好时坏,需要通过组合预测来提高预测精度。本文将神经网络技术与回归模型相结合,将预测值作为输入,实际用电量值作为输出,确定神经网络的拓扑结构,最后用训练好的BP神经网络预测江苏省全社会用电量。结果显示,组合预测的精度明显高于单个模型。     

基于主成分BP神经网络的西部服务业产值预测

文章采用主成分分析和BP神经网络相结合的方法,采用的1978～2005年服务业相关数据和服务业产值为训练数据,通过BP神经网络建立主成分到服务业产值之间的映射关系.将2006～2007数据作为仿真预测数据,进行样本仿真.验证结果表明:文章采用的方法可以较为准确地拟合原始样本,有较高的预测精度,可以对西部服务业产值进行较为准确的预测.此方法具有一定的理论和现实意义.     

基于小波神经网络的经济预测研究

本文通过小波变换和神经网络的结合,建立了相应的小波神经网络经济预测模型.该模型克服了传统时间序列预测模型只能进行线性预测,避免了一些BP神经网络的固有缺陷.     

基于改进型小波神经网络的油价预测

为了提高油价预测的精度,文章运用主成分分析(PCA)的方法对初始数据进行预处理,同时将小波分析与BP神经网络结合构建小波神经网络(WNN),由此得到PCA-WNN预测模型.数值实验的结果表明,相比于传统BP模型和PCA-BP模型,PCA-WNN模型的预测精度更高,稳定性更好,泛化能力更强,是一种更出众的油价预测方法.     

基于混沌PSO优化BP神经网络的碳价预测

随着全国碳排放权交易市场的启动,碳价的预测对碳市场参与者的风险管理具有重要意义。针对BP神经网络收敛速度慢、容易陷入局部极值的弊端,结合混沌的遍历性,构建基于混沌粒子群(CPSO)算法优化BP神经网络的碳价预测模型:利用Elastic Net方法降维,筛选出碳价的主要影响因素;再用CPSO优化BP神经网络的初始权值和阈值训练模型并预测碳价,结果表明:CPSO-BP碳价预测模型的精度和稳定性明显优于传统BP神经网络、粒子群优化的BP神经网络以及果蝇算法优化的BP神经网络。     

综合模糊认知图与BP神经网络的建模方法新探

文章介绍了模糊认知图的基本原理、推理机制及非线性赫布学习算法,然后综合考虑BP神经网络与基于非线性赫布学习算法的模糊认知图,提出了一个新的建模方案,并以股市股价预测问题为例对其进行了检验。研究结果表明:模糊认知图与BP神经网络方法的结合,不仅弥补了传统神经网络模型不具有解释性的缺陷,而且提高了模型的学习效率。     

基于PSO-SVR的粮食产量预测模型

在粮食产量预测中,存在历史样本量较小和非线性强的特点,从而致使预测精度较低.文章将支持向量机回归(SVR)与粒子群优化算法(PSO)相结合,提出了适用于小样本量学习的PSO-SVR粮食产量预测模型.实例结果表明,PSO-SVR模型预测误差率优于BP神经网络模型.     

基于灰色神经网络的第三产业发展趋势的预测模型

第三产业发展趋势的预测对于国家或地方政府制定宏观政策有着重要的意义。为更加准确的进行第三产业的预测,从多角度选取指标利用信息墒理论合成综合指标,建立灰色神经网络对其进行预测,实证分析表明灰色神经网络比单一的灰色预测模型和传统BP神经网络预测模型拟合和预测能力要好,说明了模型适应成都第三产业发展趋势的预测。     

电力电量预测的神经网络方法

本文研究人工神经网络在实际中的应用问题,探讨利用人工神经网络进行电力电量预测的方法。提出一种基于BP神经网络的电力电量预测模型,经过训练可以得到时间和用电量之间的映射关系。