基于BP神经网络的铁路货运量组合预测

在介绍了BP神经网络及组合预测的基础上分别采用灰色预测法、S曲线以及指数函数对昆明市铁路货运量的历史数据进行了单项拟合预测,再利用BP神经网络对三项拟合预测结果进行了组合预测.结果表明,基于BP神经网络的组合预测方法比单一预测方法在预测精度上有很大提高,验证了该方法的有效性.     

基于LM-BP算法的轨道交通客流短时预测

BP神经网络是当前比较常用的人工神经网络,针对BP神经网络存在易陷入局部极小值、收敛速度慢等缺陷,将LM算法引入到BP神经网络中,以改进BP神经网络在预测时的训练过程,并利用轨道交通客流的时间序列对其有效性进行验证,结果证明该方法对轨道交通客流的短时预测有着更高的准确度和精度。     

BP人工神经网络主成分分析预测模型及应用

本文提出了用主成分分析方法进行输入变量预处理的办法,以解决BP人工神经网络模拟预测复杂经济系统时输入变量过多导致效率下降的问题,实例证明,BP神经网络主成分分析模型在复杂经济系统模拟预测中比通常的BP神经网络模型有较好的效果。     

小波神经网络对沪深A300的分析和预测

针对金融时间序列非平稳性、非线性的特点,本文采用小波分析与人工神经网络相结合的方法,对沪深A300收盘价进行分析和预测。结果表明,小波神经网络有较强的预测能力,能达到预期效果。为了验证该方法的预测能力,进一步将时间序列数据多步分段,全方位地进行预测,并与小波-ARIMA模型、BP神经网络预测方法进行比较,体现了小波神经网络的预测优势。     

人工神经网络在综合评价决策中的应用

为了克服综合评价过程的随机性与评价专家主观上的不确定性,文章提出了基于人工神经网络的多目标综合评价方法,并使其应用于企业经济效益的综合评估。该方法采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具,通过仿真实例与专家评估相比较,验证了该方法的有效性。     

军事物流预测方法研究

基于实现精确保障的最终目标,提出了军事物流预测的概念：论述了军事物流预测的意义,明确了军事物流预测的程序：对当前军事物流预测各种方法进行了对比分析,提出基于BP神经网络的组合预测方法。将不同预测模型的预测结果有机结合起来,相互取长补短,达到提高预测精度和增加预测结果可靠性的效果：用实例进行验证,证明甩组合预测的方法效果较好。     

组合预测在上市公司财务预警中的应用

在Logistic模型和BP神经网络两种单一预测模型的基础上,将Logistic模型输出的违约概率引入到BP神经网络中,从而构建一种非线性组合预测模型,并将其应用于上市公司财务预警.实证结果表明,该组合预测模型能有效提高预测精度.具有良好的应用前景.     

基于BP神经网络的民用汽车运力灰色回归组合预测研究

文章根据组合预测的理论和BP神经网络对非线性数据良好的逼近特性。提出了基于BP神经网络的灰色预测、多项式回归模型的民用汽车运力组合预测模型。此模型综合了各单一模型的有效信息．能够比较客观地反映地区民用汽车运力的发展趋势．为相关部门提供决策依据。     

线性振动的神经网络建模

本文利用人工神经网络对两自由度线性振动系统进行了神经网络建模,并通过所建立的神经网络模型对该系统进行了预测。分别利用MATLAB和BP网络作为平台和训练工具。以两自由度悬臂梁的受迫振动为例,将一段时间内的激励力作为网络的输入参数,对应于该段时间内由振动产生的挠度作为网络的输出参数,然后利用BP网络进行训练。将网络模型预测结果与精确解进行对比,误差甚小。该结果表明:所建立的神经网络模型合理、有效,可利用其对该类问题进行预测并应用于工程实践中。     

改进BP神经网络在预测房地产价格指数中的应用

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型,采用BP人工神经网络的改进算法,建立了基于BP神经网络的房地产价格指数预测模型。结果表明:该模型预测精度较高,能较好地反映房地产价格指数内在变化规律。     

基于人工神经网络的时间序列分析方法在物流需求预测中的应用

当在对物流需求进行预测遇到较大波动的时间序列数据时,传统的以统计学为基础的预测方法在进行预测分析时误差会很大,本文建立了基于人工BP神经网络的预测方法并证明了其有效性。     

基于BP神经网络的时间序列预测研究

建立了基于BP网络的时间序列预测模型,将模型应用于实际算例,设计了模型的网络结构、初始权值和偏差,结果验证了模型的有效性。     

基于我国CPI时间序列的神经网络预测模型

近年来,我国的居民消费价格指数涨幅屡创新高。根据我国1990年-2008年的CPI时间序列,首先利用时间序列分析方法确定输入向量,然后应用改进BP算法的人工神经网络分别预测出2011年和2012年我国CPI将分别为104.9和105.2,实验结果证实了BP神经网络模型用于CPI预测的准确性和可行性。     

基于人工神经网络的PPI预测模型

将人工神经网络模型引入到工业品出厂价格指数预测领域,利用我国1990年-2008年的工业品出厂价格指数数据,建立了工业品出厂价格指数预测的人工神经网络模型。实验结果表明:基于BP算法的神经网络模型预测精度高,而且收敛速度快,它为工业品出厂价格指数预测工作提供了一种全新的方法。     

神经网络在膨胀石墨用燃爆剂配方设计中的应用

利用人工神经网络算法建立了燃爆剂燃爆热力学参数的定量BP网络模型,通过6组燃爆剂配方的成分组成及其输出参数测试值对模型进行了训练,用另外3组燃爆剂配方的测试结果与相应的预测结果进行了对比研究。结果表明,该方法能较好地预测燃爆剂的燃爆参数,预测值和试验值误差最大为2.05%,精度较高,可作为燃爆剂配方设计、输出特性参数预测的工具。     

旅游安全的人工神经网络预警系统

针对于旅游安全预警问题,运用人工神经网络理论和方法,建立旅游安全预警的BP神经网络模型。通过实例进行分析,说明用BP神经网络方法是可行的。该模型具有很强的学习、联想和容错功能,其分析结果和过程都接近人脑的思维过程和分析方法,使得旅游安全预警结果的精度大大提高。     

基于RBF神经网络的股票价格预测

由于股票的价格是非线性的时间序列,文章提出了基于RBF神经网络的个股价格预测模型,该模型优于传统的股市技术分析方法,又避免了BP算法容易陷入局部极小点和收敛速度慢的缺点。根据实验的仿真结果显示,该模型对于个股价格的短期预测效果较好。     

基于粒子群优化算法(PSO)的电力需求预测分析

在电力需求预测领域,本文提出了基于粒子群优化算法(PSO)的组合预测模型,选用灰色GM(1,1)模型和BP神经网络作为单个预测模型,并在BP神经网络中将GDP指标做为输入。同时考虑了GDP对电力需求的影响,最后利用PSO对组合预测模型中的权系数进行优化以得到最优结果。根据真实数据所做对比,本文所提出的PSO算法在预测精度上较单一预测模型相比有了较大幅度的提高。