基于灰色理论和神经网络建立预测模型的研究与应用

根据综合利用灰色理论与神经网络建立预测模型的思路,给出了利用神经网络对模型残差进行修正的灰色GM(1,1)模型综合预测方法。选用我国自1994年至2005年狂犬病发病率统计数据,用灰色GM(1,1)模型对历年的疾病发病人数进行建模,并利用LM算法优化的快速BP神经网络对其残差进行修正,使得建模和预测具有更高的准确性和适应性。实验结果及仿真验证表明,加入修正过程的综合模型,其预测效果远优于单一的灰色模型。     

遗传算法优化BP网络对掺假蜂蜜快速识别研究

为了更好地实现对掺假蜂蜜进行检测和识别,提出一种遗传算法优化反向传播(BP)神经网络和激光诱导荧光(LIF)技术相结合的新方法.实验采用蜂蜜、果葡糖浆以及二者以不同比例混合获取的实验样本,每类样本数为150个,共600个实验样本.通过激光诱导荧光技术获取实验数据.将各类样本的70％用于算法模型训练、30％用于模型预测评估.通过PCA降维技术进行特征提取,分别用极限学习机(ELM)算法、BP神经网络算法、GA_BP三种算法进行实验.实验结果表明,相比于极限学习机的82.78％、BP神经网络算法的95.89％的准确率,GA_BP算法对预测样本的预测准确率最高,可达100％.通过将GA_BP与蚁群算法(ACO)优化BP网路、粒子群算法(PSO)优化BP网络作对比,发现GA_BP算法具有运行时间较短、鲁棒性较好的特点.     

基于人工鱼群神经网络的景观生态规划方法

将改进人工鱼群- BP神经网络混合算法(RAAFSA - BP)应用于景观生态规划方法中,建立了景观生态规划的RAAFSA - BP模型,对城市景观进行规划和评价.结果表明,该算法泛化能力强,预测精度显著提高,为景观格局预测、模拟分析及景观规划提供了一种有效的方法.     

基于改进神经网络的无线网络流量预测

考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。     

基于遗传LMBP神经网络模型的股票预测

股票市场是一个高度非线性的系统,通过传统的方法建立较为精确的预测模型比较困难。文章建立了基于遗传算法的LMBP神经网络组合预测模型。利用遗传算法优化BP神经网络的连接权和阈值。采用LMBP算法改进模型的收敛速度。实例验证表明,在建模样本和预测因子相同的条件下,该模型比传统BP网络的预测结果稳定且精度高。     

SA-BP融合算法在教学质量评价模型中的应用

用于训练BP神经网络的反向传播算法(BP算法)易陷入误差局部极小。本文引入模拟退火算法(SA算法)改进BP算法的全局寻优能力,给出了SA-BP融合算法的具体步骤,并应用于教学质量评价模型的构建,应用结果表明了该模型相对传统BP神经网络具有更高的精确度。     

基于PSO-WaveNet的短期风电功率预测

为了应对风电大规模并网给电力系统带来的严峻挑战,同时提高风力发电的市场竞争力,需要对短期风电功率进行准确预测.文中将小波分析和粒子群优化理论引入神经网络——PSO-WaveNet算法.该算法构建了稳定的风电功率预测网络模型,同时利用灰色关联算法确定网络的输入参量.弥补了神经网络容易陷入局部最优值的缺陷,实验结果表明用算法进行风电功率预测提高了预测精度,验证了该混合算法的可行性.     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法。进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型。利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表日周基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性。     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

基于优化GA-BP神经网络的金融产品营销预测

传统BP神经网络存在着网络结构参数确定过于依赖经验、易于陷入局部解等缺陷,为了改进BP神经网络模型的应用缺陷,提出优化GA-BP算法,通过GA算法优化BP神经网络拓扑结构和网络参数初始值的选取过程,并且为了验证模型的可行性,以某银行短期理财产品营销的客户历史数据作为实证研究对象,并通过与BP神经网络模型的对比实验,验证该模型可以更精确地预测银行理财产品的客户营销结果。实验结果表明将该模型用于对金融产品营销数据的仿真计算,可以更精确地预测未来营销结果。     

三阶灰色神经网络模型的建立及其在导弹故障预报中的应用

为了解决导弹武器故障数据量小,无法利用现有的方法对其进行故障预报的问题,在分析灰色预测模型与BP网络算法的基础上,对现有的一阶灰色神经网络模型做了进一步优化和完善,并在此基础上建立了基于时间响应函数的三阶灰色神经网络GNNM（3,1）模型,推导出了模型的理论算法。将此算法应用于导弹惯性器件故障预报中,通过实例证明了GNNM（3,1）模型对导弹武器故障预报的有效性。     

基于GA-BP的敌空袭兵力出动量预测

在防空兵力资源有限的情况下,为取得最大的对敌作战效能,有必要对敌空袭兵力出动量进行预测.在遗传算法与误差反向传播神经网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法,并对敌对地面目标群空袭的兵力出动量进行预测,同时与BP算法和灰色系统理论模型进行了比较.经检验,计算值与实际值接近,并优于BP算法和灰色理论模型,具有良好的预测效果.     

三阶灰色神经网络模型的建立及应用

根据BP神经网络和灰色系统的基本理论,在现有的灰色神经网络模型理论的基础上,为能更加准确地反映复杂的非线性的动态过程,建立了基于时间响应函数的三阶灰色神经网络模型GNNM(3,1)。     

基于粒子群算法的BP 神经网络在大气 NO2 浓度预测中的应用研究

NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓 度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步 回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络 三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简 单, 有望广泛应用于大气污染物浓度预测等方面的研究。     

遗传算法优化BP神经网络的大功率LED结温预测

将遗传算法(GA)与BP神经网络相结合,对研发的120W LED双进双出的射流冲击水冷散热系统中LED阵列的结温进行预测。采用GA优化BP网络的权值和阈值,利用BP算法训练网络,改善了单独使用BP网络容易陷入局部极小值和收敛速度慢的缺点。并且在训练过程中为了使网络输出有足够长的空间,改进了GA的数据处理。结果表明,经GA优化的BP神经网络较使用Levenberg-Marquardt(LM)算法优化的BP神经网络的大功率LED结温预测精确度提高了14.14%,且预测效果较稳定。GA和BP神经网络相结合的结温预测模型较传统的结温测量方法更能掌握散热结构设计的主动性,对大功率LED寿命的延长有较高的实用价值。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

基于BP神经网络的城市交通流预测研究

交通流预测在城市交通管理和控制中起着十分重要的作用。在分析城市交通流复杂非线性特性的基础上引入BP神经网络模型,从人工智能的角度对交通流预测进行了研究,同时给出了一种基于BP神经网络模型的交通流预测方法,通过对预测数据与实测数据的比较分析,证实了该方法的有效性。     

基于BP神经网络的4G话务预测方法研究

目前常用的话务预测算法主要有移动平均法和指数平滑法,虽然可以达到一定精度的话务趋势预测,但对于短期话务量的周期性变化,例如潮汐效应等场景,传统的话务预测算法存在一定的缺陷。因此需要运用BP神经网络算法,进行更为精准智能的话务预测,以便支撑目前广东公司正在试点的载波动态调度,为潮汐载波调度提供算法依据。本文将对BP神经网络用于话务预测进行研究,并对模型的预测性能进行评价。     

量子混合蛙跳算法在过程神经网络优化中的应用

针对基于正交基展开的过程神经元网络参数较多,基函数展开项数和网络结构难以确定,传统BP算法不易收敛的问题,结合量子理论提出一种量子混合蛙跳算法,用于过程神经元网络的训练。该算法利用量子位的Bloch球面坐标将网络结构、网络参数和展开项数统一编码,提出沿球面上经过两点间的劣弧路径进行旋转的方法来同时更新三个优化解,并利用Hadamard门完成个体变异避免早熟,进而有效扩展解空间的搜索范围。以抽油机故障诊断和网络流量预测为例,验证了算法的有效性。