基于蚁群算法的神经网络在企业资信评估中的应用

BP算法在资信评估中应用较为广泛，但有收敛速度慢、易于陷入局部极小点的缺点。提出一种新的企业资信评估模型，该模型将蚁群算法和神经网络结合起来，使其既具有神经网络的广泛映射能力，又有蚁群算法带来的高效率，全局收敛，分布式计算等特点。实验表明,基于蚁群算法的神经网络对企业资信评估有着良好的性能。     

基于Levenberg-Marquardt神经网络的企业资信评估方法研究

企业资信评估问题是一个复杂的非线性问题,而神经网络技术可实现非线性关系的隐式表达。文章提出将基于Levenberg-Marquardt算法的多层前馈型神经网络用于资信评估,并通过MATLAB软件及其神经网络工具对其进行仿真计算。实验结果表明,企业资信神经网络评估模型收敛速度快,准确率较高,具有一定的实用价值。     

基于LM算法的企业资信网络评估模型研究

针对当前企业资信评估方法的不足,提出将基于Levenberg-Marquard(LM)算法的前向多层神经网络用于企业资信评估,并通过MATLAB神经网络工具对其进行模拟计算。实验结果表明,该方法稳定、快捷、预测准确,对企业资信评估有着良好的性能。     

制造业中小企业的资信评估研究

本文针对制造业中小企业的特点,建立了一套适合该类型企业的资信评估指标体系,并且基于改进型BP神经网络算法对该评估体系的各项资信指标权值进行训练,使网络输出达到理想精度。经实验数据证明,该算法应用于资信评估具有较高的预测精度。     

基于贝叶斯正则化神经网络的企业资信评估

在市场经济系统研究中,资信评估作为市场经济中的监督力量,是投资者的重要参考依据.科学准确的资信评估可以辅助决策,降低投资者风险.针对当前企业资信评估方法的不足,为了准确评估资信效果,提出将基于贝叶斯正则化的前向多层神经网络用于企业资信评估,通过新的误差函数可以减少网络的有效权值和阈值,并使网络训练输出更加平滑,从而增强网络的泛化性能.并通过MATLAB软件及其神经网络工具进行仿真计算.结果表明,贝叶斯正则化神经网络稳定、快捷、评价结果可靠准确,可作为于企业资信评估依据.     

基于遗传算法的BP神经网络在企业资信评估中的应用

提出了一种新的企业资信评估方法.通过把神经网络和遗传算法有机地结合起来,既克服了传统BP网络训练时间长、易陷入局部极值的缺点,又利用遗传算法提高了网络全局收敛的效率.该模型采用C#.NET SQL server 2000实现.实验结果表明,基于遗传算法的BP神经网络系统对企业资信评估有着良好的性能.     

基于BP神经网络的教学质量分析评估模型研究

教学质量分析评估是一个比较复杂的,多因素、多变量、模糊的非线性过程,BP神经网络的原理可用于教学质量分析评估.文章中给出基于BP神经网络的教学质量分析评估模型结构,以及学习算法,并在Matlah中得以实现.结果表明,BP神经网络用于教学质量分析评估,既克服了在评估过程中的主观因素,又得到了满意的评估结果,具有广泛的适用性.     

基于BP神经网络的项目管理绩效评估模型研究

文章主要针对BP神经网络的项目管理绩效评估模型进行分许,结合当下BP神经网络的项目的发展现状为根据,从绩效评估模型的构建、BP神经网络的项目管理绩效评估模型研究等方面进行深入研究与探索,主要目的在于更好的推动BP神经网络的发展与进步.     

基于BP网络模型的立项评估研究与应用

在项目管理立项评估数据的基础上,通过科学设计BP神经网络模型结构,结合Matlab7.0软件将BP算法的评估模型首次应用在科研项目的立项评估中。通过科研项目立项评估模型的实际运行,证明了该评估算法的有效性,有力提高了科研部门的立项评估水平。     

BP神经网络研究

简述BP算法原理,并通过训练一个布尔函数的实例,对BP神经网络算法进行分析与研究,从中可以看出不同的神经网络可以解决同一个实际问题,但是它们的效率及精确度是不同的,需要根据具体应用采用合适的网络形式。     

信用评级的简约神经网络算法

运用经济资源的“边际效用递减”原理,分析了信用评级知识的非线性特点,着眼于神经网络算法的结构、函数和收敛算法三部件逻辑独立性,分析了经典神经网络算法拓扑结构的复杂性引致的算法参数调整过度复杂问题,提出了简约神经网络的拓扑结构,证明了在全部结点函数线性且全部隐层结点函数过原点的条件下经典神经网络与简约神经网络具有等价性,设计了基于简约网络的算法,算法结果获得了较高的拟合精度。     

基于BP神经网络的传感器网络动态采样模型研究

能耗控制对于农业环境监测无线传感器网络系统具有重要意义;基于误差反向传播的多层前馈神经网络预测和阈值分析建立了一种土壤温度传感器网络动态采样模型,实现了基于土壤温度周期变化特征的采样频率实时调整方法,达到减少网络冗余数据,降低网络功耗的目的;以环境温度和空气相对湿度为BP神经网络实测输入,土壤温度为预测输出,通过判断输出是否进入阈值区间动态调整采样周期;仿真实验结果表明,对于具有周期性特点的土壤温度,BP网络模型对其预测值和实测值之间的均方根误差RMSE及绝对误差AE分别为0.83 ℃和0.54 ℃;相比于连续采样,阈值分析动态采样次数减少30%。     

基于BP神经网络模型实现配电网络损耗优化的研究

配电网络损耗是关系到电网正常运行的关键,如何对配电网络损耗进行优化是目前亟待解决的技术问题.论文针对无功补偿设备辐射状配电网存在的网络损耗问题,提出了一种优化方案.根据辐射状配电网体系结构的特征,提出基于BP网络模型理论进行计算配电网络损耗的方法,该方法能够映射、处理任意复杂的非线性关系,数据处理精确、及时,并根据计算...     

基于BP神经网络算法的成绩预测模型研究

基于sigmoid激活函数,建立了一种BP神经网络模型。通过对某高中2006年至2015年间的高考平均数据样本进行学习,修正了权值和阈值。系统最大相对误差为0.22%,关联度为0.6667,小误差概率为0.98,方差比为0.0002,预测结果精度为高。用于2016年至2020年间该校高考平均成绩的预测中发现,预测结果与实际结果的最大绝对误差仅为2分。对该校2021年的高考平均成绩进行了预测,最终预测结果为571分。     

基于BP神经网络的企业信用评价研究

简单介绍了企业信用评价的一般模型以及BP神经网络的基本结构，在此基础上给出了一个具体的基于BP神经网络的企业信用评价模型。它把用来描述某类企业信用评价对象特征的信息作为神经网络的输入向量。而把代表相应综合评价结果的值即信用等级作为神经网络的输出，并用足够的样本训练这个网络，使不同的输入向量得到不同的输出量值。最后分析了使用BP神经网络技术评价企业信用等级的优越性。     

基于BP神经网络的压缩空气用能预测模型研究

文中根据BP神经网络对复杂问题所具有的预测能力,选取某企业压缩空气用能数据作为预测评判指标,建立了用于压缩空气用能预测的BP神经网络模型,并应用于实际问题预测。然而,最初预测结果在几个时刻点出现异常,在此文中针对记录数据可能出现问题的各种原因,再次利用局部预测对原始数据做出修正,最后预测结果已基本符合。实例表明：用BP神经网络模型进行压缩空气用能预测是可行和有效的。