S拟合与BP神经网络的结合及其在粮食产量预测中的应用

提出了一种函数拟合和BP神经网络结合的方法,由于函数拟合可以较好地反映数据变化的总体趋势,所以先用函数对数据进行S拟合,再结合BP神经网络具有反映外界因素影响的优点对拟合数据进行修正,并对我国的粮食总产量进行了预测分析。结果表明,用此模型对粮食总产量进行预测,其误差明显低于单一的函数拟合或BP神经网络。     

RBF-NN与BP-NN比较的风功率预测模型研究

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。本文探讨了RBF神经网络和BP神经网络两种训练方法。以中国北方某风电场的实际数据以及数值天气预报数据为依据,对RBF神经网络模型和BP神经网络模型进行了验证,最终研究并比较二者在风功率预测方面的差异。结果表明:对于风电场短期功率预测,RBF神经网络模型预测精度要好于BP神经网络模型,预测精度较高,且收敛速度较快,能够较好的拟合实际功率曲线。     

基于BP神经网络的仓储小麦的生理生化指标预测

BP神经网络算法在粮食仓储领域拥有巨大的应用价值和潜力。本研究尝试将BP神经网络引入仓储小麦品质预警模型,以天津储粮抽检数据为对象,通过对室内温度的记录,样品水分、淀粉、蛋白质等11项生理生化指标的定期检测,利用BP神经网络算法进行仓储小麦的品质预测与影响分析。仿真结果表明,基于BP神经网络的数据预测方法具有较小的过程误差和较高的结果准确性,为仓储小麦的品质预测提供了一种有效的研究方法。     

电子舌在黄酒检测中的应用

运用Astree型电子舌对不同的黄酒样品进行了检测,并结合PCA、DFA及BP神经网络,对3个厂家不同酒龄的9个样品进行分析。结果表明,电子舌不仅可以区分不同厂家的产品,同时也可以很好地区分同一厂家不同陈酿时间的黄酒样品。对古越龙山品牌3个酒龄各8个批次的样品进行了理化指标的分析,并将数据与电子舌传感器数据信息建立BP神经网络模型,结果显示除氨态氮含量的拟合与预测较为准确外,总酸、pH值等其他理化指标的拟合与预测效果都不理想。     

基于BP神经网络算法的粮食储存品质预测模型构建研究

粮食安全预警对于储粮企业意义重大,本文基于BP神经网络算法,采用Python软件构建了粮食储存品质预测模型。通过使用全国各储粮生态区的质量品质数据来训练和测试,构建了基于BP神经网络算法的两种预测模型,时间序列品质预测模型可进行连续单指标跨期预测,温湿度-品质预测模型可进行度夏后粮情预测。经验证,时间序列品质预测模型对粮食储存品质指标预测效果较好,预测误差均低于15%。     

BP神经网络在粮食霉变预测中的应用研究

霉变是造成粮食损失的重要原因,为了降低损失,将危害控制在萌芽状态,提前预测预警意义重大。本研究利用MATLAB的神经网络工具箱建立了预测粮食霉变的BP神经网络,给出了稻谷在给定含水率、温度、储藏时间的条件下是否会发生霉变的预测模型。同时,通过合理选择训练样本的数目,探究训练样本数量对网络精度的影响,并通过华北地区实仓数据验证由实验数据得到的BP神经网络在实际应用中所能达到的准确程度。经过验证,对于实验数据,训练样本数目大于400时,神经网络预测正确率可以达到94.3%;样本数越大,正确率越高。随机选择2 500个实验室样本数据进行训练得到的神经网路预测模型,对剩余样本预测准确率达到98%,对于实仓检测数据,正确率可以达到82.1%。     

基于BP神经网络的我国金融机构信贷规模预测

利用BP神经网络建立具有时间序列对象的预测模型,并基于MATLAB7.0平台编程,运用BP神经网络模型对我国金融机构信贷规模进行预测分析。以我国历年信贷数据为训练样本,进行网络训练与检验。结果表明,BP神经网络具有良好的预测性能,并结合定性分析,验证了预测值的科学性和准确性。     

BP神经网络在粮食干燥预测模型中的应用

粮食干燥系统是一个大时滞、多干扰的强非线性系统,难以获得精确数学模型,针对粮食干燥这一难题,利用玉米干燥实际生产数据建立BP神经网络预测模型,通过干燥机排粮频率实际值和模型预测值进行研究对比,得出利用BP神经网络可以快速、准确地建立模型来描述排粮频率变化规律.该神经网络预测误差较小,预测效果较好.     

基于MIV-GA-BP神经网络的我国棉价预测研究

探究了MIV-GA-BP神经网络模型对我国棉花价格预测的情况。以国家棉花价格指数B作为棉价反映指标,选取了棉花产量、进口量、消费量等13个影响棉花价格的因素,采用平均影响值(MIV)、遗传算法(GA)与BP神经网络相结合的方法,按照15%的淘汰率进行筛选,得出我国棉价波动的主要影响因素,并在此基础上构建了MIV-GA-BP神经网络模型。以2015年1月—2017年12月的3128B棉花月度平均价格为样本数据,进行MIV-GA-BP模型拟合精度评估和预测精度评估。认为:基于MIV-GA-BP神经网络模型拟合精度良好,预测精度较高,训练样本可反映99%的样本特征。     

短裤特征截面曲线的径向基函数神经网络模型构建

将着装人台进行三维扫描获取点云数据,截取与人体特征部位相对应的短裤特征截面。将原数据坐标点转化为极坐标系下的极角与极径值后,以极角值作为输入向量,极径值作为输出向量,构建短裤特征截面曲线的径向基函数（RBF）神经网络模型,并与反向传播（BP）神经网络、最小二乘法及三次样条函数的拟合效果进行比较。结果表明,神经网络拟合曲线的平均绝对误差比最小二乘法及三次样条函数方法小,仿真输出曲线和原始数据非常接近,且曲线光滑;RBF网络的训练速度更快,所需训练步数少,拟合效率明显优于BP神经网络。     

卷烟销量组合预测模型研究

  目的  为进一步提高卷烟月度销量预测精度,  方法  本文选择ARIMA模型、基于梯度下降算法的BP神经网络模型、基于Levenberg-Marquardt算法改进的BP神经网络模型等3种模型为单项预测模型, 并利用BP神经网络对各单项预测模型进行动态加权, 构建非线性组合模型对全国卷烟月度数据进行预测。首先, 利用各单项预测方法对卷烟历史数据进行仿真拟合, 并对2018年1~4月的销量进行预测; 其次, 构建非线性组合预测模型, 对3个单项预测模型的拟合及预测结果进行动态加权, 充分利用各个模型的优势, 获取销量数据的各方面的信息。  结果  研究表明, 相比于单项预测模型, 组合预测模型误差绝对值均小于当月的日均销售量, 预测误差更加均衡, 结果更加平稳, 适应性更强, 更符合卷烟销售的实际情况。      

GA-BP神经网络及其在液体乳安全评价中的应用

利用遗传算法(Genetic Algorithm,GA)优化BP(Back Propagation,BP)神经网络的初始权值、阈值,以期加快网络收敛,提高预测精度。以乳制品中的液体乳为实验材料,建立安全评价指标体系;将优化后的GA-BP神经网络作为评价模型,对液体乳的日常检测数据进行拟合;以测试数据作为验证,检测模型的收敛速度和拟合度。结果表明GA-BP较BP神经网络来讲更稳定,能较快收敛,且仿真误差较小;在隐层节点数为9时,GA-BP神经网络对液体乳的拟合效果最好,预测精度较高,是一种可行的液体乳安全状况评价方法。     

基于BP神经网络和遗传算法优化番茄红素发酵培养基

为了进一步提高三孢布拉霉高产突变株的番茄红素产量，本研究基于BP神经网络和遗传算法对发酵培养基的组成进行了优化。比较不同碳源、氮源、植物油对番茄红素产量和生物量的影响，确定最佳碳源、氮源和植物油。利用49组样本数据，建立以玉米粉、玉米浆、大豆油、磷酸二氢钾、硫酸镁为输入变量，番茄红素体积产量为输出变量的BP神经网络，并以建好的BP神经网络模型为适应度函数，利用遗传算法进行寻优。经过优化，得出番茄红素最大预测产量为1.27 g/L，经验证，与实际产量误差在5%以内，较优化前提高了31.6%。此时，玉米粉、玉米浆干粉、大豆油、磷酸二氢钾、硫酸镁的含量分别为41.2、8.93、26.5、1.39、0.46 g/L。因此，BP神经网络结合遗传算法是番茄红素发酵培养基优化的有力工具，番茄红素产量显著提高。     

基于Levenberg-Marquardt算法改进BP神经网络的卷烟销量预测模型研究

针对一般时间序列分析方法中预测方法的不足,采用改进的BP神经网络对卷烟销量进行预测。介绍说明改进的BP神经网络Levenberg-Marquardt算法原理,对卷烟销量数据进行归一化处理,建立卷烟销量神经网络预测模型,利用Matlab软件对数据进行训练、仿真。与实际销量进行对比分析,证明采用改进的BP神经网络预测结果准确。     

基于主成分分析、神经网络对啤酒感官评价的预测

该研究运用主成分分析(PCA)结合误差反向传播(BP)神经网络对啤酒感官评价进行了预测。把啤酒中11种理化及风味指标进行主成分分析,以除去数据之间的线性相关性,提取后的理化及风味指标做为输入数据,感官评价得分作为输出数据,运用BP神经网络建立啤酒感官评价预测的模型。使用此模型对50种啤酒的感官得分进行预测,预测最大相对误差为2.68%。结果表明,主成分分析和神经网络相结合的这种方法能够准确预测啤酒感官评价得分。     

BP神经网络预测废水处理过程的研究

通过在实验室条件下进行追纸废水处理试验取得的数据对BP神经网络进行训练，建立了造纸废水处理过程的网络模型。该网络模型仿真实际废水处理过程的结果表明，BP神经网络具有很强的学习能力。利用BP神经网络模型实现了对造纸废水处理过程的预测，平均相对误差为19％，表明网络泛化能力不是很好。经过动态训练的BP神经网络模型能够比较准确的预测造纸废水处理过程，平均相对误差为1．9％，大大优于未经动态训练的网络模型。     

基于遗传算法优化的花式捻线机转速值预测

探讨基于遗传算法优化的花式捻线机转速值预测模型。针对纺织厂花式捻线机生产中工艺参数转换至罗拉和锭子转速值的预测问题,采用了遗传算法来优化传统以BP神经网络为基础的预测模型,利用遗传算法的全局寻优特点对BP神经网络的权值和偏置进行优化,再通过BP神经网络算法进行罗拉和锭子转速值的预测,改进了BP神经网络容易陷入局部极小值和收敛速度慢的问题。试验数据表明:基于遗传算法优化的BP神经网络的预测数据精确、误差小。认为:该预测模型可以满足花式捻线机转速值预测的需要。     

遗传算法优化BP神经网络的纺熔无纺布性能预测

为进一步提高BP神经网络在预测纺熔无纺布性能时的精确度,提出利用遗传算法对前期构建好3层结构的BP神经网络进行优化.使用MATLAB进行网络训练和预测,结果表明,当遗传算法优化后,将BP神经网络应用于产品性能预测的数据与实际数据进行对比,产品强力和耐静水压的绝对百分比误差在5％以内,优于BP神经网络的6％,预测精度更高...     

配毛中原料品质的BP神经网络预测研究

用BP神经网络方法对配毛时所需的羊毛原料品质进行预测，阐述了利用BP神经网络预测羊毛品质的工作原理，给出了羊毛品质预测系统的BP神经网络模型，并得出了试验结论。     

BP神经网络在羊毛品质预测中的应用研究

用BP神经网络方法对加工毛条时所需的羊毛品质进行预测，阐述了利用BP神经网络预测羊毛品质的工作原理，给出了羊毛品质预测系统的BP神经网络模型，并得出了实验结论。