基于小波神经网络的时间序列流数据的研究

利用多分辨分析方法，结合小波分析和神经网络思想构建一种新型的神经网络模型——小波神经网络，解决了传统神经网络中隐层节点数难以确定的问题。通过对股票的预测，说明该方法能有效地提高预测精度，避免了人工神经网络模型的固有缺陷。     

基于神经网络预测模型输入参数配置方法的实现

基于数据挖掘中的关联概念,提出了一种针对神经网络预测模型训练参数的选择方法,有效地提高了神经网络模型在毛纺工艺中对纱线断头率的预测精度;该方法通过生产中的训练参数记录进行关联规则的提取,可快速的排除产生负面影响的训练参数,迅速选择可以提高预测精度的训练参数,从而达到提高神经网络模型预测性能的目的;实验证明,利用关联算法进行参数配置,可以有效提高神经网络输入模型的预测精度.     

改进灰色神经网络的冰箱订单需求预测研究

研究冰箱订单需求准确预测问题,由于冰箱需求具有季节性和随机性,传统的数据模型无法准确描述订单变化规律,预测精度较低。为了提高冰箱订单需求预测精度,将神经网络和灰色理论相结合,构建一种改进灰色神经网络的冰箱订单预测方法。利用灰色系统理论处理订单产生中的随机性,BP神经网络预测其非线性变化规律,并利用遗传算法对神经网络参数进行优化,实现对冰箱订单的准确预测。仿真试验表明,相对于传统预测方法,改进灰色神经网络提高了订单需求的预测精度,可为冰箱需求的预测提供依据。     

毛坯形状预测的神经网络法

通过有限元网格映射方法来反算求解毛坯形状和尺寸，并建立径向基函数神经网络来预测毛坯的形状，同时使用正交表和均匀表为神经网络安排试验样本。数值算例表明本文方法可提高预测精度，并且大大降低了实验的总次数。     

改进的神经网络在网络流量预测中的应用研究

关于保证网络安全服务,研究网络流量预测问题.网络流量数据具突发性、非线性和时变性等等特点,传统RBF神经网络在网络流量预测过程存在敛速度慢、极易出现局部最优等缺点,从而导致预测精度低和难问题.为了提高网络流量的预测精度,提出一种粒子群算法优化RBF神经网络参数的网络流量预测方法.首先采用粒子群算法对RBF神经网络的参数进行优化,简化网络结构,加快收敛速度,并用优化后RBF神经网络对网络流量进行预测,防止局部最优的出现.最后在Matlab平台对模型进行了仿真,结果表明,算法提高了网络流量的预测精度.相对于传统的网络流量预测方法,提高了预测效率.     

自适应变系数粒子群—径向基神经网络模型在负荷预测中的应用

为了提高短期电力负荷预测精度,提出了一种自适应变系数粒子群-径向基函数神经网络混合优化算法(AVCPSO-RBF).实现了径向基神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统径向基神经网络方法和粒子群-RBF神经网络方法及基于混沌理论的神经网络模型,该优化算法克服了径向基神经网络和传统的粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,提高了贵州电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.7%以内.该算法可有效用于电力系统的短期负荷预测.     

基于主成分的BP神经网络共享单车骑行预测

共享单车数据预测是近十年来城市交通出行大数据的重要关注点。本文建立基于主成分的BP神经网络模型，较好地预测了共享单车租借数据，并与全因素的BP神经网络模型进行对比分析。结果表明基于主成分分析的BP神经网络模型，在精度损失较小的条件下，大幅降低了输入变量的维度，提高了模型训练和预测的效率，对于多因素大数据预测分析，能兼顾效率与精度。     

基于HHGA-RBF神经网络的网络安全态势预测模型

针对网络安全态势感知中的预测问题,提出了采用径向基函数(R13F)神经网络对态势值进行预测的方法。为了提高RI3F神经网络的预测精度,使用混合递阶遗传算法(HHGA)对RI3F神经网络进行训练,获得了神经网络结构参数。实验结果说明了此预测方法的有效性,并通过与已有的预测方法进行对比实验,验证了所提算法在精度方面的优越性。     

现代医院门诊量的灰色RBF神经网络预测

门诊量预测是现代医院电梯交通以及医疗资源优化配置的重要前提。为了有效地预测医院的门诊量,提出一种将灰色预测方法与RBF神经网络有机结合的灰色神经网络组合预测方法。该方法利用灰色预测中的累加生成运算（AGO）对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本。所提出的方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,对短期的医院门诊量预测具有较强的实用价值。结果表明：所提出的方法具有良好的预测精度。     

改进神经网络的短期负荷预测模型及仿真

在电力负荷准确预测问题的研究中,电力负荷具有周期性、随机性和非线性的特点,而传统方法存在负荷预测精度低的难题,为了提高负荷的预测精度,提出一种改进神经网络的短期负荷预测模型(CPSO-BPNN).首先利用非线性预测能力强的BP神经网络对短期负荷建模;然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度;最后对模型性能进行仿真.仿真结果表明,CPSO-BPNN解决了传统方法存在的难题,提高了短期负荷的预测精度,为非线性负荷预测提供了依据.     

中期售电量并行BP网络预测模型

为解决中期电量预测精度的问题,提出了多BP网并行预测模型结构,以缩小BP网络规模提高预测精度,用于改进常规BP网络模型用于中期电量预测时精度低、收敛速度慢等问题,并在汕头电网有限公司的实际应用中,取得了较为满意的结果,验证了该预测模型的适用性。     

基于遗传优化的概率神经网络预测方法

在研究概率神经网络的基础上，提出一种基于遗传优化估计概率神经网络平滑因子的方法，大大地提高了概率神经网络的预测能力，最后将其运用到某型火炮发动机故障预测上，证明了其有效性。     

环境空气SO2和NO2浓度的GA_ANN预测模型研究

空气中污染物浓度的预测是一个复杂的非线性问题。国内外的研究表明神经网络能够比回归模型更好地预报空气污染物。设计并实现了将用于选择最优预报因子的遗传算法和神经网络算法相结合的GA_ANN空气质量预测模型,利用某市2003~2006年的数据建立神经网络空气质量预测模型,对该市2007年全年SO₂和NO₂的预测实验表明,GA_ANN模型比单纯的神经网络模型具有更高的预报精度。     

基于动态递归神经网络模型的混沌时间序列预测

提出了一种动态递归神经网络模型进行混沌时间序列预测,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进动态递归的生成训练数据,利用混沌特性处理样本及优化网络结构,用递归神经网络映射混沌相空间相点演化的非线性关系,提高了预测精度和稳定性。将该模型应用于Lorenz系统数据仿真以及沪市股票综合指数预测,其结果与已有网络模型预测的结果相比较,精度有很大提高。因此,证明了该预测模型在实际混沌时间序列预测领域的有效性和实用性。     

基于CFNN的电火花加工工艺效果预测模型

针时常规神经网络和模糊神经网络的不足,介绍了一种具有快速算法的补偿模糊神经网络,并根据电火花加工的工艺特点及其复杂性,建立了基于补偿模糊神经网络的电火花加工工艺效果预测模型,可实现指定加工条件下的工艺效果预测.仿真结果显示了其良好的预测精度,其性能优于常规模糊神经网络.     

基于Clementine神经网络的商品促销效果预测模型应用

介绍了人工神经网络的基本原理,将神经网络的BP算法引入商品促销研究领域,,并运用Clementine建立BP神经网络模型,以某个历史促销数据为原始数据样本,对网络进行训练后,对商品促销效果进行预测,预测模型在预测精度和收敛速度方面都达到了较好的效果,对商家的决策支持产生了积极的影响。     

基于Clementine神经网络的商品促销效果预测模型应用

介绍了人工神经网络的基本原理,将神经网络的BP算法引入商品促销研究领域,并运用Clementine建立BP神经网络模型,以某个历史促销数据为原始数据样拳,对网络进行训练后,对商品促销效果进行预测,预测模型在预测精度和收敛速度方面都达到了较好的效果．对商家的决策支持产生了积极的影响。     

基于概率神经网络的垃圾邮件分类

概率神经网络是由Specht博士在1989年提出的一种径向基神经网络的重要变形。本文提出了把概率神经网络用于垃圾邮件分类,并通过Matlab仿真试验与贝叶斯分类器进行比较,得到了比较理想的结果。     

人工神经网络在预测服装企业安全库存的应用

安全库存是一种额外持有的库存，它作为一种缓冲器用来补偿在订货提前期内实际需求超过期望需求量或实际提前期超过期望提前期所产生的需求。在服装企业中一般凭经验来设定安全库存，但实际效果不佳，应用人工神经网络，建立BP神经网络模型，用多个影响安全库存的指标及安全库存对网络进行训练，以达到对安全库存量预测的目的，经验证和预测效果十分理想。     

BP网络及遗传算法在河道流量预报中的应用

基于遗传算法的全局搜索和BP网络局部精确搜索的特性,采用遗传算法对BP网络模型进行优化,并将此模型应用于北江流域的坪石-犁市河道的预报流量中.实验结果表明,该算法在提高BP网络的收敛速度和预测精度上是行之有效的,为流量预报提供了一种新的方法.