NPSO-GRNN在城市生活需水量预测中的应用

利用小生境粒子群算法(NPSO)的全局搜索能力,对GRNN的光滑因子进行优化,提高了广义回归神经网络(GRNN)的网络性能,建立了基于NPSO-GRNN的城市生活需水量预测模型。研究结果表明:利用该模型拟合和预测北京市1988-2012年生活需水量数据的平均相对误差绝对值分为别0.72%和0.36%,两者都比BP神经网络模型拟合预测的结果低;NPSOGRNN模型能更好的拟合北京市城市生活需水量的变化趋势,预测精度更高,泛化能力更强。     

应用广义回归神经网络预测油井含水率

提出一种广义回归神经网络模型(GRNN)预测油井含水率模型,该模型利用不同阶段油井累计注水量和累计产油量,模型简单且具有实用性.相对于拟合模型,应用GRNN模型预测结果精度更高,且可避免新增样本数据后需要重新预测的问题.而相比于BP神经网络,GRNN模型预测结果更加快捷和准确.     

广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.     

基于PCA-RVM的矿山岩石爆破粒径预测模型

为解决露天矿山爆破开采过程中岩石爆破粒径大小难以获取的问题,提出一种基于主成分分析法(PCA)及相关向量机(RVM)相结合的矿山岩石爆破粒径预测模型.该模型利用PCA对样本数据进行降维处理,选取出4个相互独立的主成分变量,并借助RVM构建主成分与爆破粒径之间的非线性映射关系,从而建立预测模型.将该模型应用于工程实例,并与BP神经网络和LM双隐含层模型进行对比.结果表明,在相同学习样本下,PCA-RVM模型预测结果与实际值更加接近,在平均相对误差和均方差上远小于另两种模型.     

基于神经网络的城镇在岗职工平均工资预测

由于在岗职工的平均工资不仅能反映人民的生活水平,也是企业退休职工的养老金、社保基金收缴比例以及个税征收比例等主要指标的参考标准,因此对其进行预测就显得尤为重要。为了提高在岗职工平均工资的预测精度,文中分别采用了BP神经网络和广义回归神经网络(GRNN)的方法,利用Matlab2010a对城镇在岗职工的平均工资进行模拟和预测。其中,用BP神经网络预测出的平均工资与实际值十分接近,相对误差能控制到2%以内,因此,利用BP神经网络对平均工资进行预测是可行的。     

应力状态下混凝土碳化深度的神经网络预测

为计算应力状态下预应力混凝土在一定条件下的碳化深度,将混凝土应力水平取为影响碳化速度的参数.在已有试验结果的基础上,分别建立了预应力混凝土碳化深度实用计算模型,以及BP网络、径向基函数(RBF)网络和广义回归(GRNN)网络的三个神经网络预测模型,并通过实例将碳化深度试验值、实用公式计算值及神经网络预测值进行了比较分析.结果表明:考虑混凝土应力水平对碳化深度的影响是合理的,试验回归得到的实用碳化模型计算误差在9%以内;同时,所建立的BP、RBF以及GRNN网络模型均具有较高的计算精度以及良好的泛化能力,仿真和预测误差基本上在5%和4%以内,均低于实用计算模型的误差值.由此可见,所建神经网络模型的仿真及预测结果是理想的,可同时考虑各种影响因素组合、行之有效的混凝土碳化深度预测方法.     

因子相关性对两种大坝监测模型的影响分析

通过实例分别对BP神经网络模型和统计回归模型进行了建模因子的主成分分析,通过对相应原始模型的比较,研究了因子相关性对两种模型的影响,结果证明因子相关性对BP神经网络模型基本无影响,对统计回归模型影响较大.因此,对效应量做预报时,采用BP模型或主成分回归模型比较合适,因为它们不受因子相关性影响;如果要分析效应量和自变量之间的关系,考虑BP模型难以用明确的方程式表示,则采用主成分回归模型较为合适.     

水体中硝酸盐氮含量的UV-Vis光谱学在线测量方法

采集74份标准水样进行紫外可见波段全光谱扫描,结合Savitzky-Golay(SG)平滑算法、标准正态变换(SNV)、一阶微分(1st D)等6种方法对提取的光谱数据进行去噪处理,然后采用半监督近邻传播算法(SAP)、连续投影算法(SPA)、无信息变量消除算法(UVE)进行特征波长的选择。基于全光谱法建立了偏最小二乘(PLS)模型,基于特征波长建立了极限学习机(ELM)模型,另外把PLS回归模型得到的主成分作为支持向量机回归(SVR)、BP和RBF神经网络的输入建立了PCA+SVR、PCA+BP和PCA+RBF模型。结果表明:使用主成分分析结合RBF神经网络建立的PCA+RBF预测模型效果最优,其相对误差最稳定并保持在较低水平,测量上限高达数百mg/L,为实现水体中硝酸盐氮的在线检测和其他水质参数的检测奠定了基础。     

基于Elman神经网络的日总辐射曝辐量预估

太阳辐射的预估研究对太阳能资源的有效利用有重要意义。应用山东省福山、莒县、济南三所气象站2000—2003年的数据,建立Elman神经网络模型,对日总辐射曝辐量进行时间序列预估研究。结果表明:Elman神经网络预估效果受天气状况影响较大,晴好天气下日总辐射预估结果较精确,福山站预估与观测差值最小,范围在-2～2 MJ·m~(-2)。城市大气污染对日曝辐量影响比较显著,模型中不考虑大气污染因素,污染较重的济南市预估效果最差,平均百分比误差变大了20%,均方根误差变大7%。Elman神经网络模型预估结果优于广义回归神经网络模型结果,3个站平均百分比误差降低5%～18%,均方根误差平均减小了0.506 MJ·m~(-2)。Elman神经网络模型适应于山东省日总辐射曝辐量的长时间预估。     

神经网络在个人信用组合预测中的应用

该文运用组合预测的思想,提出了通过感知器、BP、Elman和LVQ等不同的具有代表性的神经网络模型,将多元线性回归和logistic回归两单一方法进行组合,并分别应用于某商业银行的个人信用评估,其结果表明:感知器、BP、Elman和LVQ神经网络组合预测方法精确度不尽相同,但总体上能够获得比多元线性回归和logistic回归更高的预测精度,尤其在避免纳伪错误方面更具优势。     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.     

Electricity price forecasting using generalized regression neural network based on principal components analysis

A combined model based on principal components analysis (PCA) and generalized regression neural network (GRNN) was adopted to forecast electricity price in day-ahead electricity market. PCA was applied to mine the main influence on day-ahead price, avoiding the strong correlation between the input factors that might influence electricity price, such as the load of the forecasting hour, other history loads and prices, weather and temperature; then GRNN was employed to forecast electricity price according to the main information extracted by PCA. To prove the efficiency of the combined model, a case from PJM (Pennsylvania-New Jersey-Maryland) day-ahead electricity market was evaluated. Compared to back-propagation (BP) neural network and standard GRNN, the combined method reduces the mean absolute percentage error about 3%.     

基于神经网络的中国商业银行效率综合评价

在广泛选取原始指标的基础上,建立了基于主成分分析法的商业银行效率评价指标体系,建立了基于BP神经网络的商业银行效率评价模型.采用改进的主成分分析法建立了新的指标体系,用7个指标保留了92%的原始信息,并避免了指标间相关性对后期评价的影响;运用斜交旋转法,得到了对商业银行效率影响较显著的7个指标因素;采用均值法对原始数据进行标准化处理,保留了指标间的差异信息和相互影响信息;利用BP神经网络避免了传统评价方法中人为主观因素和模糊随机因素的影响.     

基于改进灰色神经网络的房地产价格走势分析

针对房地产价格走势状况,通过对灰色预测模型GM（1,1）和BP神经网络的研究,将两大模型进行组合改良,形成新的组合灰色神经网络预测模型,以南京市中房指数为例,以Matlab为预测工具,进行2013年12个月份的价格指数预测,研究结果证明新的组合预测模型精度较高,可为房地产价格指数的预测和研究提供参考依据。     

PCA-BP神经网络在流域水质评价中的应用

针对BP神经网络法在进行多污染特征的流域水质评价时面临的训练样本、验证样本的稀缺问题,提出一种基于主成分分析PCA - BP神经网络的水质评价模型.首先利用污染分担率算法筛选出能够全面反映流域整体超标情况的一组水质指标,然后利用主成分方法获取流域水质污染特征,解决训练样本过少的问题,并通过设计模型的验证条件,解决没有验证样本的问题.通过实例研究,表明主成分PCA - BP神经网络适合用于流域的水质评价,评价结果较为精确、可信.     

MATLAB神经网络在湖库富营养化程度评价中的应用

基于MATLAB神经网络和我国湖库富营养化评价标准,运用人工神经网络模式识别理论和方法,分别建立了BP,PNN,GRNN和Elman神经网络湖泊富营养化等级评价模型,对全国24个主要湖泊富营养化程度进行评价,并与文献[5]和文献[9]的评价结果进行比较.结果表明:基于MATLAB神经网络模型评价湖库富营养化程度是可行的...     

基于神经网络的油墨转移率预测

利用神经网络根据油墨转移率影响因素的数据来预测其具体数值. 通过对比径向基神经网络、Elman神经网络和BP神经网络最后选择径向基神经网络作为预测网络的模型. 根据各影响因素间的相互关联和各自对油墨转移率影响的大小关系确定影响油墨转移率的主要因素. 以主要影响因素为试验条件,运用正交试验法和均匀试验法合理设计分组试验,将试验结果作为神经网络的样本数据. 利用样本数据对网络进行训练,最终使网络能够预测出不同影响因素下油墨转移率的数值. 将径向基神经网络预测结果和Elman神经网络、BP神经网络的预测值对比分析,以此证明径向基神经网络的预测值具有较高的精确度.     

基于PCA-BP的高等教育过度预警模型及其应用研究

通过专家访谈和文献查阅的方法,初步建立高等教育过度预警指标集,并运用主成分分析法(PCA)对指标进行逐步筛选,确立高等教育过度预警指标体系,然后,将PCA指标逐步筛选法和BP神经网络相结合,构建PCA-BP预警模型,对我国2002年高等教育发展进行评价,从而得出其发展状况在正常至轻微过度之间的结论。     

遗传BP神经网络的煤价预测与煤价风险规避策略

分析了影响煤炭市场价格的因素,然后建立了基于遗传算法的BP网络模型,对秦皇岛港煤炭市场价格进行了预测,通过实证分析和预测误差评价指标比较,基于遗传算法的BP神经网络模型相比普通BP神经网络模型预测在煤炭市场价格应用中能有效降低预测误差。最后提出了在当前市场煤价高位运行情况下发电企业如何最大限度降低煤价风险的对策。     

PSO-BP神经网络在MBR工艺中的膜污染预测

针对MBR膜污染因子较为复杂且各因子之间相互交叉,提出基于PSO-BP神经网络的膜污染预测方法.首先用主成分分析法实现输入变量的去维和去相关,简化网络的输入,然后应用粒子群算法优化神经网络的权值和阈值.网络训练时使用的数据是在不同操作条件下,采用孔径为0.038μm的聚醚砜超滤膜处理印染废水溶液时得到的膜通量实验数据,最后用训练好的PSO-BP神经网络对膜通量进行预测.结果表明,与传统BP算法相比,PSO-BP神经网络算法能更快实现收敛,提高运算速度以及膜通量预测的准确度.