供应链中趋势序列的神经网络预测研究

本将神经网络的方法用于带趋势的时间序列的预测中。对于趋势序列的预测，采用BP算法的改进算法进行了仿真。并得出结论，在对于带有趋势的时间序列进行预测时，相对数据进行差分处理能有效地提高预测精度。     

基于时间序列神经网络的河流水位预测

针对我国每年频繁发生的洪涝灾害及河流航道通行困难等问题,构建了一个基于时间序列神经网络的高 精度的河流水位预报模型,该模型能够有效预测河流水位值,进而及时做出应急处理,减少对生命财产造成的损 失。该模型采用湖北省武汉市某水位站 2019 年 7 月 29 日至 2020 年 5 月 28 日的逐时水位时间序列作为训练样本 进行训练, 2020 年 5 月 29 日至 2021 年 8 月 28 日的逐时水位组成的 500 个数据为测试样本进行检验。该模型的 预测水位值与真实水位值之间的平均绝对误差为 0.00663,均方根误差为 0.08143,平均绝对百分比误差为 0.23785%,预测精度极高,具有较强实际应用前景。     

前向人工神经网络模型用于时间序列分析

介绍前向人工神经网络模型，并与传统的统计学线性模型进行比较，为了适应时间序列变量的特点，对逆传播模型进行了改进，并对太阳黑子活动的观察值这一典型的时间序列进行了分析，并检验了模型的预测能力，取得了较好的结果。     

前向人工神经网络模型用于时间序列分析

介绍前向人工神经网络模型，并与传统的统计学线性模型进行比较。为了适应时间序列变量的特点，对逆传播模型进行了改进，并对太阳黑子活动的观察值这一典型的时间序列进行了分析，并检验了模型的预测能力，取得了较好的结果     

基于全息人工神经网络的建模与预测方法

从时间序列建模与预报的角度讨论了动态神经网络,首次提出了一种新的实现非线性动态时间序列预报的动态网络结构－全息神经网络,给出了其数学模型和拓扑结构,并将其应用到机械设备振动烈度值的预测上,取得了令人满意的效果,结果表明,全息神经网络弥补了原有神经网络有一些缺陷,具有较高的理论和实用价值。     

人工神经网络在预测领域中的应用

人工神经网络是一门高度综合的交叉学科,具有容错性、固有的并行结构和并行处理、知识的分布储存、自适应性强等特点．人工神经网络可以应用于许多领域,本文介绍了其在预测领域应用的发展和现状．     

基于递归网络的混沌时间序列预测

为了能对时问序列充分建模,从混沌的慨念入手,将混沌与神经网络相结合,利用人工神经网络的拟合特性,提出了递归网络的混沌时间序列预测方法。给出了递归神经网络预测的基本理论、数学模型、及具体步骤,并通过由杜芬方程所产生的混沌时间序列对该神经网络进行了模拟实验。仿真结果表明,该方法远好于前馈网络的预测效果,其预测误差在10^-15的数量级上。     

基于人工神经网络的商品销售额预测

介绍了BP神经网络的结构，算法和基于人工神经网络的商品销售额的预测，与传统方法相比较给出了ANN的优点及改进的方法。     

基于误差反传算法的时间序列非线性预测方法

讨论了基于误差反向传播算法的时间序列非线性预测方法，给出了用该方法预测的时间序列程序框图并对太阳黑子预测问题进行了计算机仿真。仿真结果表明该非线性预测方法有较好的预测效果。     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

应用神经网络对精煤灰分含量进行实时预报

针对具有不确定性、时变性和复杂非线性关系的跳汰选煤过程，提出了精煤产品灰分含量的新型实时多步预测方法．本基于Jordan神经网络构造了具有多作用因素输入和灰分含量动态时间序列反馈的实时动态建模预测模型，提出了BP算法和TD法相结合的网络学习新算法．该方法比传统预测方法具有更好的收敛性和适应性．应用结果表明，预测命中率和预测精度较高。     

人工神经网络边坡稳定预报

建立了人工神经网络的边坡稳定预测模型,收集了较多的样本进行网络训练,结果表明,所建立的模型预测精度较高,简便易行,具有工程应用价值。通过人工神经网络的训练发现,边坡的坡度、内摩擦角、凝聚力对边坡的安全系数影响较大。对于水库边坡来说,水的渗流、水压力和坝高均对边坡的稳定性有较大的影响。     

人工神经网络在市场比较法中的应用

系统阐述了BP神经网络的结构和学习规则,提出了应用BP神经网络评估房地产价格。该方法能根据学习样本建立房地产价格与其影响因素间的非线形关系,从而克服了传统方法的缺点。     

神经网络与时间序列模型在股票预测中的比较

首先利用时间序列中的AR IM A模型和人工神经网络建立了两类股票价格预测模型并对一定时期的股票价格进行了预测,然后用4种广为使用的统计评价方法对两类模型的预测性能进行了比较。结果表明,两种模型都取得了很好的整体预测效果,而在趋势预测方面,神经网络则得到了比AR IM A模型更准确的结果。     

Modeling and Simulation of Time Series Prediction Based on Dynic Neural Network

Molding and simulation of time series prediction based on dynic neural network(NN) are studied. Prediction model for non-linear and time-varying system is proposed based on dynic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward. The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multi-step. A practical exple is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

Modeling and Simulation of Time Series Prediction Based on Dynamic Neural Network

Molding and simulation of time series prediction based on dynamic neural network(NN) are studied.Prediction model for non-linear and time-varying system is proposed based on dynamic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward.The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multistep. A practical example is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

人工神经网络在炼钢生产上的应用

介绍了人工神经网络在炼钢生产上的应用,提出利用人工神经网络原理建立预报模型.     

基于人工神经网络的低压电器故障诊断的研究

基于低压电器常见故障的诊断过程,根据反向传播算法（BP算法）原理,以低压电器常见故障模式、原因为基础建立了低压电器常见故障人工神经网络关系模型,并将模型应用于低压电器常见故障实例诊断。