基于灰色BP神经网络的服装面料规格参数预测

提出一种针对服装面料在生产加工过程中预测成品服装面料规格参数的预测模型。该模型通过将灰色关联分析与BP神经网络相结合的方式实现,利用灰色关联分析找出面料生产加工过程中的各测量参数与成品面料规格参数的潜在关系,为BP神经网络提供筛选因子的功能,最后通过训练BP神经网络来实现预测。根据企业提供的现实生产数据,经过实验验证了该模型的有效性。     

BP神经网络用于预测多参数关联变压器油的性能

基于变压器油性能参数之间的关联性,采用BP神经网络方法,在Matlab平台下研究预测多参数关联变压器油的性能,利用变压器油日常的监测数据,建立击穿电压与4个影响因素的关联模型.论文分别就常规BP算法和变学习速率、变动量因子的改进BP算法进行了比较研究,结果表明,改进BP算法模型的预测结果精度较高,预测值与实际值的相对误差在5%左右.本方法可以为变压器故障的早期诊断、预测防范和及时处理提供科学依据,具有重要的实际应用价值.     

基于灰色关联和BP神经网络的汽车保有量预测

为提高汽车保有量的预测准确性,运用灰色关联分析法,计算分析与汽车保有量相关的主要社会指标,确定汽车保有量的影响因子分别为国民总收入、人均GDP、进出口总额、城镇居民人均可支配收入、钢材产量、公路客运量和社会消费品零售总额。将所确定的因子作为汽车保有量的预测指标,建立基于BP神经网络的汽车保有量预测模型,并对模型进行应用测试。结果表明:BP神经网络模型具有较高的精度,最大相对误差为2.2%,平均相对误差为1.5%。,可为我国汽车保有量的预测研究提供方法支撑。     

基于灰色粗糙集与BP神经网络的设备故障预测

为更有效预测设备故障,提出一种基于灰色粗糙集与BP神经网络的设备故障预测模型。用灰色关联分析和粗糙集理论分别对二维故障决策表进行横向和纵向两个维度的约简,将冗余的数据和属性去掉,并将约简后的数据输入到BP神经网络,预测设备故障。最后以地铁信号设备故障预测为例进行实例验证,结果表明,该模型预测误差更小,预测准确率更高。     

用KPCA-LSSVM预测变压器油击穿电压

击穿电压是变压器油品质的重要参数,针对变压器油击穿电压难测试问题,提出基于核主元分析和最小二乘支持向量机的预测方法。为了提高变压器油击穿电压的软测量预测精度,本文选取与击穿电压关联性强的4个参量建立核主元分析模型进行特征提取,消除数据的相关性,得到的4个主成分的方差累计贡献率达96.84%,以此4个主成分作为最小二乘支持向量机软测量模型的输入;采用交叉验证法选取最小二乘支持向量机的惩罚参数和径向基核函数参数,建立核主元分析的最小二乘支持向量机变压器油击穿电压的预测模型,与BP神经网络和最小二乘支持向量机方法进行比较,采用平均相对误差和均方根误差来评价模型的性能指标。实验结果表明,本文提出的预测模型预测精度高、泛化能力好,能够满足变压器油击穿电压的测量需求。     

基于BP神经网络的灾情预测模型

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、及时施救以及防灾预案的编制有重要的指导意义。该文采用了BP神经网络进行灾情预测，在学习过程中结合了聚类，引入了惯性因子，加快了学习时的收敛速度，试验证明，取得了良好的学习和测试效果。     

基于灰色BP神经网络的瓦斯爆炸的预测

瓦斯浓度在很大程度上决定了煤矿井下发生爆炸的可能性,而原有灰色模型预测方法精度不是很高,但是所需的数据较少,而BP神经网络有高度的非线性计算、自学习和自组织能力。本文结合了灰色系统与BP神经网络各自的优点进行预测,使预测结果更加精确,可靠性得到很大的提高。     

基于灰色BP神经网络模型的煤矿地下水位预测研究

针对煤矿地下水位监测精度不高的问题,提出灰色BP神经网络预测煤矿地下水位的模型.分别利用灰色预测理论、BP神经网络模型和灰色BP神经网络对某煤矿一观测井地下水位进行预测,仿真数据表明采用灰色BP神经网络模型预测煤矿地下水位更为准确.     

量子遗传算法优化BP神经网络的网络流量预测

为了提高网络流量的预测精度,提出了一种改进的多种群量子遗传算法优化BP神经网络的网络流量预测模型。在确定了神经网络的结构后,采用多种群量子遗传算法对BP神经网络的初始权值和阈值进行优化。该模型利用K均值聚类算法将种群划分成若干子种群,多个子种群分别进化以保持种群的多样性。子种群间通过移民操作进行信息交互,减小了算法陷入局部最优的概率。同时采用一种自适应的量子旋转门调整策略加快算法的收敛速度。仿真结果表明,相较传统方法,该模型在网络流量预测方面具有收敛速度快、预测精度高的优点。     

灰色理论及神经网络在就业预测中的应用研究

介绍GM(1,1)模型和BP神经网络模型的预测原理,同时提出了灰色神经网络模型,并将相应模型用于就业预测,研究发现灰色神经网络模型具有较高精度与较高速度.     

灰色理论与神经网络在水华预测中的应用

在综合考虑生态系统中水华发生的机理特点基础上,采用改进的BP神经网络实现了对叶绿素最高点的非线性预测;利用灰色WPGM（1,1）模型的累加生成运算（AGO）对叶绿素最高值对应的时刻进行推算,从而预测水华的爆发时间点。经检验,神经网络预测结合灰色WPGM（1,1）预测模型相对误差在10%左右,能够对水华的发生进行判断和预报,有利于综合整治方案的优化和统筹。     

一种融合KPCA和BP神经网络的用水总量预测方法

针对影响用水总量的相关用水因子的不确定性和非线性多维特点,论文研究并提出了一种融合KPCA和思维优化BP神经网络的用水总量预测方法。首先运用相关系数法确定预测因子,然后利用核主成分分析（KPCA）对所述预测因子进行降维处理,解决数据之间的非线性特征,最后采用BP神经网络建立用水总量预测模型,同时采用思维进化学习算法优化BP神经网络的权值和阈值。该方法在国家统计局的2007-2016年度开放统计用水数据中实验,通过实验比较,该模型的相对预测误差小于5%,结果表明,融合 KPCA和思维优化BP神经网络的用水总量预测模型能很好的预测未来用水总量。     

基于BP神经网络的PMS电流互感器设备状况评价系统

电流互感器作为变电站重要设备,其运行工况的好坏直接影响变电站的安全运行,电流互感器数量多,在运行中也经常会遇见电流互感器各种各样的缺陷,比如发热、漏油、低油位等。通过对PMS上电流互感器这个庞大的数据,单因素图表法分析电流互感器故障发生与其设备型号、设备生产厂家、设备投运时间之间的关系,多因素联合考虑,建立BP神经网络模型,综合考虑设备型号、设备生产厂家、设备投运时间因素,对其运行工况进行概率预测,同时对每个变电站符合模型要求的所有电流互感器进行预测,对容易发生电流互感器故障的变电站进行预警,运用地图无忧软件对BP模型计算的结果进行可视化展示,方便运维人员掌握电流互感器运行工况,对容易发生故障的电流互感器加强带电检测,提前安排检修,保障供电可靠性。     

基于改进的BP神经网络的Overlay网络流量预测

随着网络规模的增长,Overlay网络流量预测已经日渐成为研究热点。与传统网络相比,Overlay网络本身的特性决定了传统的预测方法已不能适应它的要求。提出一种基于模拟退火的粒子群神经网络来预测Overlay网络的流量,运用反向计算方法,从理想最优值出发,近距离寻找最优解,缩短了求解时间并加大了找到最优解的几率。通过实验仿真可以看出,改进的BP神经网络方法的预测效果要明显好于传统的BP神经网络。     

应用BP神经网络预测油页岩含油率

根据测井资料计算油页岩含油率多采用△logR法或改进的△logR法,这些方法中参数获取过程中易产生诸多误差,且这些方法是建立在油页岩含油率与特征测井曲线值是线性关系的基础上的,而在实际非均质性地层中,测井对油页岩含油率参数的响应在本质上必然是非线性的。基于此,运用BP神经网络来预测柴达木盆地北部地区侏罗纪油页岩含油率。首先分析研究区段测井数据的数理统计分布特征,在优选学习样本的基础上再采用一种基于LM（ Levenberg-Marquardt）算法的BP神经网络进行含油率预测,最后得出一组由40个连接权值与11个阈值组成的含油率参数解释模型,油页岩含油率预测值与岩心实验室分析值吻合很好,均方误差能控制在0.1918。因此,运用此模型可以预测相同地质背景条件下的油页岩含油率。