基于组合模型的江苏省居民用电量预测分析

研究利用时间序列基本分析方法ARIMA模型分析法、指数平滑ETS模型和神经网络自回归模型对江苏省居民每月用电量进行数据分析、处理、拟合、检验及预测,以2004年1月至2017年12月用电计量数据作为分析样本,使用R软件对该时间序列进行建模。对给出的数据建立ARIMA模型、ETS模型和NNAR神经网络自回归模型,接着利用MAE、RMSE、MAPE三个评价指标来衡量模型的优良度。尝试通过组合模型对2018年江苏省居民12个月的用电量进行预测,与实际值进行对比验证,发现权重模型的误差最小,选择作为最终预测模型。最后得出结论,组合模型的预测效果要优于非组合模型。     

基于SARIMA组合模型的农产品生产价格指数的短期预测

为提高农产品市场价格的可预见性,本文以农产品生产价格指数为研究对象,首先运用SARIMA拟合序列的线性部分,然后分别采用BP网络、LSSVM提取非线性信息,从而构造组合模型SARIMA-BP与SARIMA-LSSVM。通过评价指标RMSE和MAPE的对比发现组合模型较单项模型具有更强的稳健性和更高的预测精度,其中SARIMA-LSSVM的预测效果最理想,故基于该模型预测未来5个季度的指数,并得出结论:该指数的波动范围有减小的微弱趋势,但总体波动较大,未来较短一段时间内该市场可能存在较大风险,国家应采取相应的应对举措。     

基于机器学习的藏文图像识别系统设计与实现

随着人工智能技术的高速发展,机器学习应运而生,而人工智能的重点是机器学习。在人们的生活中,机器学习也扮演着越来越重要的角色。所以在藏文识别方面,机器学习理应发挥更重要的作用,方便人们更好地对藏文进行学习。文章采用Keras机器学习工具和卷积神经网络图像识别算法,识别的准确率可以达到97.92%,为图像识别提供了新的方法和途径。     

基于迁移学习的高分遥感影像场景分类

随着高分遥感卫星的发展,高分遥感影像数据逐年增长,其在国土、农业、城市建设、环境监测、生态建设等方面发挥着重要的作用。然而传统高分遥感影像的场景分类速度较慢,精度较低。文章将深度学习中的卷积神经网络与高分遥感影像的场景分类相结合,极大地提高了分类精度。与此同时,运用迁移学习技术极大地降低了训练样本数量与训练时间,为高分遥感影像的场景分类提供了新的思路。     

基于径向基函数神经网络的物流企业供应链合作伙伴选择研究

提出了物流供应链企业合作伙伴选择问题的多目标决策模型,结合物流企业的行业特点,设计了符合物流企业供应链特点的合作伙伴选择指标体系,从伙伴关系、伙伴特性和合作柔性三个方面对物流企业供应链合作伙伴进行分析,将伙伴分类为核心伙伴、重要伙伴、潜力伙伴、基础伙伴,通过构造基于径向基函数神经网络的选择模型对合作伙伴进行归类选择。通过实证研究,结果表明该方法有效、实用。     

基于BP神经网络的情景教学效果评价

目前高职教学要求课堂实施"教、学、做"一体的教学模式,而在这一模式下必须打破传统的教学方法,大多采用情景教学法进行教学.为检脸情景教学法的教学效果,本文利用BP神经网络的自适应和自学习功能,提出一种基于BP神经网络的情景教学效果评价模型,并选取若干教师应用此模型,对其原有的情景教学质量数据进行了测试,结果表明,利用该模型进行情景教学质量评价较为客观合理.     

Mundell-Fleming模型教学中的计量分析方法

蒙代尔-弗莱明模型(简称MF模型)自20世纪60年代以来一直是主流中、初级宏观经济学和国际金融学教学中主体构件之一,该模型有工作母机之称,模型分析的基本工具是IS、LM和BP曲线,是运用IS、LM和BP曲线在收入和利率组成的同一个空间中进行分析的一般均衡分析方法。模型分析的基本方法是具体数据案例分析法、线性的代数解析式分析法和图形分析法。前两种方法的优点是简明浅显,易于理解,但不能完全显示MF模型的理性和逻辑力量;运用图形分析时,能够给出IS、LM和BP曲线移动的方向和效果,反映其动态变化过程,但图形分析无法精确给出其变化的程度。基于此,在对高年级本科生或研究生讲授MF模型时,运用上述方法满足不了学生对MF模型的一般性和精确性等方面的要求,而计量分析方法具有逻辑性强、说理透彻、结果可计量和结论深刻等优点。文章运用计量分析方法选择浮动汇率制下的财政政策效应讨论小国MF模型,先以资本流动性相对较强即LM曲线斜率大于BP曲线斜率的模型为例进行论述,然后进行扩展,对浮动汇率制下的小国MF模型的财政政策效应进行完整的论述。     

基于Elman神经网络的中小企业营销风险评估

中小企业营销风险是由营销环境等因素的不确定变化带来的,营销风险评估是营销风险管理的核心。文章根据Elman神经网络原理,利用其非线性与泛化的能力,建立了一个基于Elman神经网络的中小企业营销风险识别及评估模型,并进行了实证分析以验证模型的正确性。     

我国上市公司信用风险预警研究

本文以我国上市公司作为研究样本,构建基于组合预测模型的我国商业银行信用风险管理预警系统。在结合目前国内外各商业银行信用风险预警指标体系的基础上,筛选构建较为合理并适合我国国情的信用风险预警指标体系;进而选择传统数理统计模型Logistic回归模型和人工智能模型RBF神经网络模型建立组合预测预警模型,以求能够组合不同单一模型的优点,解决信用风险预警模型的准确性和稳定性兼顾的问题,仿真结果表明:组合预测模型解决了单一模型应用中精确性和第二类问题处理能力不能同时兼得的问题,达到了预期的效果。     

基于BP神经网络的遥感水深反演

本文在Landsat7 ETM+遥感影像预处理的基础上,利用影像单波段与多波段组合的反射率和实测水深值之间相关性,建立了安徽省淮河临淮岗段BP神经网络水深反演模型.结果表明:该模型反演水深值与实测水深值的平均绝对误差为为0.5682米,平局相对误差12.11%.决定系数0.8465,均方根误差07167米.说明BP神经网络模型较好的非线性映射能力,能很好的运用于研究区水深反演.