模糊神经网络在时间序列预测中的应用

文中提出了将模糊聚类与梯度算法相结合的一种改进的训练模糊神经网络的混合型算法。模拟结果表明，模糊神经网络可以成功地用于时间序列的预测，模糊神经网络的训练速度与模拟精度都优于传统多层ＢＰ网络。     

数据挖掘在河道洪水准确预测中的应用研究

研究河道洪水的准确预测问题。由于水文数据是河道过去某些较短时间段内获取的数据,不能完整包含河道特性,使得较短的水文数据中的预报因子较难提取。传统的预测方法是直接提取水文数据中的预报因子,不能保证预报因子的准确度而造成预测准确性不高。为此,提出数据挖掘技术应用在河道洪水预测中。对水文数据进行分组后根据模糊算法对数据进行优化,采用数据挖掘算法找到水文数据隐藏的深层规律,并据此提取出预报因子,避免直接从较短的水文数据中提取预报因子而不准确的问题,最终根据关联规则构建洪水预测模型,并输入预报因子和降水值完成洪水预测。实验表明,这种方法能够从较短水文数据中有效提取预报因子,准确完成河道的洪水预测。     

贝叶斯神经网络在股票时间序列预测中的应用

针对BP神经网络初始权值随机获取所导致的易陷入局部最优的问题,采用贝叶斯正则化（Bayesian Regularization,BR）算法改进传统BP神经网络模型。该算法在保证网络误差最小的前提下,通过历史数据的先验概率调整BP模型的适应度函数,使网络的泛化能力得到提升。在股票时间序列预测的实证性研究中表明,比传统BP模型在预测精度上提高42.81%。     

AR模型在宝珠寺水库实时洪水预报校正中的应用

人类活动改变了流域下垫面,对洪水预报精度产生极大的影响,引进实时校正模型以提高洪水预报精度。根据宝珠寺水库的自然地理和水文气象特性,宝珠寺水库实时洪水预报采用新安江模型,实时校正模型采用时间序列AR模型。利用10年历史降雨径流资料,对新安江和实时校正模型的参数进行率定,并利用近年的2次洪水对模型进行检验,检验结果表明实时校正能明显地提高洪水预报的精度。     

BP神经网络在股票预测中的应用

介绍了时间序列和BP神经网络算法,并给出信号正向传播和误差反向传播的公式,在此基础上运用BP算法对股票时间序列短期的走势进行预测分析.实验结果表明此方法效果良好,识别率高,具有一定的实用价值.     

小波神经网络在大豆价格预测中的应用

大豆是保障我国粮食安全战略的重要农产品,研究与预测大豆价格变化具有强烈的现实意义。本文建立了预测大豆价格的小波神经网络。该神经网络结合了小波分析的多尺度解释功能和神经网络的非线性逼近能力,设置激活函数为Morlet小波函数。实验比较结果显示,在使用相同数据集的情况下,本文的小波神经网络的运行时间仅为其他四种预测模型的8%-18%,具有较好的预测效果。     

改进BP神经网络在API预测中的应用

空气污染指数（AIR POLLUTION INDEX,简称API）是一种反映和评价空气质量的方法,本文以厦门市环境监测部门公布的API数据为依据,通过对BP神经网络模型的研究并对比几种API预测模型。结果表明BP神经网络模型预测值与实际值非常接近,完全可以满足对预测的要求。     

BP神经网络在预测物流成本中的应用

影响物流成本的因素过多且较复杂,采用简单的猜测试赋值有较大的主观性,因此物流成本预测问题是一个非常复杂的非线性问题.本文根据物流成本与其影响因素之间映射关系,建立了BP神经网络模型,将其应用于物流成本的预测.实验结果表明,该模型具有较高的精度.     

混沌理论在股票价格预测中的应用

针对股票时间序列的非线性特点,结合混沌理论和神经网络理论,提出了基于混沌理论的股票价格神经网络预测方法。同时利用重构相空间的嵌人维数确定神经网络的结构,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,在股票时问序列预测中有广泛的实用价值。     

BP神经网络在水质参数预测中的应用

介绍了如何使用BP神经网络在已经有大量历史数据的基础上来预测未来的水质参数和如何使用函数来实现BP算法来预测未来水质参数的程序。     

基于BP神经网络的城市水灾灾情预测模型

洪灾灾情预测是保险公司财产保险防灾减损工作的重要内容,它有效地预测出受灾的地区和强度,对于财产保险的费率制定、有效预防、及时施救和防灾预案编制有举足轻重的指导意义。采用了BP神经网络进行灾情预测,在学习过程中结合了聚类,采用了S函数输出限幅,引入了惯性因子,加快了学习的收敛速度,提高了预测的精度。     

基于灰色神经网络的煤岩界面预测研究

针对井下煤岩界面识别的实际情况,采用相同的初始数据分别建立了B P神经网络模型、小波神经网络模型和串联灰色神经网络模型,并利用三种模型进行预测,预测结果表明:这种灰色神经网络模型残差明显小于其它两种神经网络模型,预测精度较高,适合应用。     

基于PCA的神经网络在港口货物吞吐量中的预测

分析选取了可能影响港口货物吞吐量的因素,采用PCA技术提取关键因子,最后以提取的关键因子作为神经网络的神经输入元,分别建立BP神经网络预测模型和GRNN神经网络预测模型。以上海港口为例,对港口货物吞吐量进行预测并对预测结果给予分析。     

基于趋势辨识理论的神经网络及其在水文时间序列预报中的应用

训练样本在数量级上的差别和分配的不均匀会导致网络收敛缓慢,且训练结果偏向样本比重较大的那一方。由AR模型在水文时间序列的较好应用可知,水文时间序列中趋势项占有绝对优势。因此以趋势辨识理论对样本进行规范化,使样本规范化到同一数量级,同时时间序列的趋势保持不变。此外输出层不经过非线性处理,以保证网络有更大的预报空间。经黑河流域实测流量资料验证,基于趋势辨识理论的神经网络在水文时间序列预报中训练速度较快,预报效果较好。     

基于双时间序列神经网络的短期电网负荷预测

短期电网负荷预测是电网安全运行和经济调度的基础。现有预测方法存在对节假日预测不准确,不利于系统化等问题。根据短期负荷周期性变化的特点,创造性地提出双时间序列神经网络模型。同时为了克服实际温度数据缺失问题,提出一种新的温度量化方法。在广东省某地区的实际应用表明,该方法对于普通日和特殊日都取得了有较好的预测精度。     

递阶遗传粒子群算法在神经网络设计中的应用

将递阶遗传粒子群算法（HGAPSO）应用于神经网络设计,可以在对网络拓扑结构优化的同时对连接权重进行求解。该算法结合了遗传算法在解决离散问题和粒子群算法在解决连续问题上的优势,并利用BP算法沿误差最速下降的能力对连接权重进一步学习,达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测,表明递阶遗传粒子群算法在较大程度上提高了神经网络的学习性能和泛化能力。     

基于最优阶次分数阶神经网络的交通流预测

建立基于最优阶次的分数阶神经网络的动态预测模型,给出数据预处理、最优阶次优化和预测算法流程步骤,给定模型预测精确度的性能指标。分数阶神经网络是从时频两方面分析数据,比BP神经网络具有更灵活有效的函数逼近能力;针对短时数据分析,分数阶神经网络局部性与小波神经网络一致具有多分辨力,且有更强的自适应能力、更快的收敛速度和更高的预测精度。以短时交通流量数据为例进行仿真,与基于小波神经网络和BP神经网络模型的短时交通流量预测仿真比较,分析评价性能指标,结果表明分数阶神经网络最优阶次下可实现灵活快速有效的交通流量动态预测。     

PSO-BP网络模型在温室数据融合中的应用研究

由于温室的众多要素之间是相互制约、互相配合的,为了形成一个准确、合理的判断,将PSO算法的全局优化能力和BP神经网络良好的非线性映射能力相结合,优化BP神经网络的权值和阈值,提出了一种基于PSO的BP网络数据融合算法,并利用该算法对温室多传感器(温度传感器、湿度传感器和光照度传感器)同时检测到的数据进行融合。仿真结果表明:基于PSO-BP网络的数据融合算法能够获得温室准确有效的信息,提高温室控制的有效性与准确性。     

Hopfield神经网络在机组组合问题中的应用

提出利用多层Hopfield神经网络求解机组组合优化问题。通过构造合适的能量函数使得单层Hopfield神经网络可以解决某一时刻的机组出力问题,与之相对应的多层神经网络可以解决任意时间段的机组出力问题。多层Hopfield神经网络的层数由所需求解问题的时间段确定。给出单层及多层神经网络的能量函数及求解算法,能量函数考虑到机组升降功率和出力上下限的约束。通过对已有文献的算例进行计算比对,所得结果和遗传算法基本一致,但Hopfield神经网络通过解微分方程组来确定最优解,计算时间相对较少。     

基于PSO-BP神经网络的股市预测模型

为解决股市短期预测中BP神经网络法对初始权值敏感、易陷入局部极小值和收敛速度慢等问题,基于全局随机优化思想的粒子群优化(PSO)算法,对BP神经网络的初始权值进行了优化,建立了PSO-BP神经网络股市预测模型.并通过实例分析与传统BP神经网络预测法进行对比,结果表明该方法收敛速度明显提高,有效降低了训练误差,避免了陷入局部极小值,达到了较高的预测精度,在股市短期预测中具一定的实用价值.