基于MATLAB实现神经网络的雾霾预测研究

生活质量的不断提高,环境污染也越来越严重,雾霾天气影响着城市大气环境、交通安全以及人们的健康.MATLAB实现了神经网络之间的非线性关系,因此,本文提出MAT LAB实现神经网络的雾霾预测模型.首先,建立影响雾霾因素之间的指标体系.其次,建立雾霾预测数学模型,通过BP神经网络的神经网络雾霾预测数学模型的实验结果表明了该模型的可行性和合理性.最后,采用基于数学模型对全年天数进行预测,可以获得了准确可靠的结果,为提高相关部门对空气的监测,提供了有意义的价值参考.     

基于改进BP神经网络对江苏省粮食产量的仿真预测

该文分析了传统BP神经网络收敛速度慢的原因,提出了一种BP神经网络的改进算法,在此基础上建立了时间序列对象的粮食产量预测模型,并运用Matlab对江苏省粮食产量进行了预测,仿真测试结果证明了该方法可行,具有实用性。     

基于优化BP神经网络的销售预测算法研究

已知国内房屋售价具有一定的不完整的规律性,其会因季节变换、人群流动、国家相关政策等一系列因素而呈现一定的规律.与此同时,该规律性并没有确定的单一因子可以直接影响,故其售价与全部因素之间的关系也是非线性的.针对这一问题,利用神经网络输入量的非线性、冗杂性和可不完整性,对一段时期内的房屋售价进行预测是一种合理的预测方法.基...     

基于BP神经网络的空气质量模型分类预测研究

随着工业社会的发展,空气质量问题已经成为环保任务的主要焦点。BP神经网络作为深度学习的一种,已经在大部分领域被广泛使用。为了让广大市民更好的了解空气质量情况,本文以云南省昆明市为例,收集当地近6年的空气质量数据,并基于Python语言,在Anaconda环境下的Numpy包建立了三层神经网络数学模型,对空气质量等级进行分类预测。通过训练样本对神经网络模型的训练以及相关参数的调试,得到较好的分类预测模型。将分类结果与实际结果进行比较,结果显示,本次的神经网络模型的分类预测准确率达到90%,能够较好的分析空气质量,达到预期需求。     

基于BP神经网络的电力负荷预测算法

将BP神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明,BP神经网络能够对电力负荷进行较好地预测。     

基于Huang变换和BP神经网络的时间序列预测方法

Huang变换是近几年发展起来处理非平稳信号的新方法。时间序列同信号一样具有非平稳的特性,研究了Huang变换在时间序列预测中的应用。首先将时间序列通过Huang变换分解为有限个固有模态函数和一个残余函数之和,每一个的固有模态函数反映了时间序列在各个尺度的特征,而残余函数则很好地反映了时间序列的总体趋势,然后应用BP神经网络对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,就得到原始时间序列的预测值。实例证明,基于Huang变换和BP神经网络的时间序列的预测方法,优于小波变换和神经网络相结合的预测方法,提高了预测精度。     

基于人工神经网络的经济预测模型

运用不同改进BP算法来建立和训练人工神经网络经济预测模型,并对GDP进行预测,结果表明:模拟值与实际值吻合较好,基于改进BP神经网络模型预测精度高,模型的通用性和实用性强。     

基于小波变换和BP神经网络的时序风电功率预测

风电功率具有波动性,不论对于发电厂抑或是电网,准确地预测风电功率具有重要意义。本文研究了小波变换的原理和方法及BP神经网络的原理和算法,并建立了一种结合小波分解和BP神经网络的风电功率预测方法。本文的方法首先对风电出力历史功率数据进行小波分解,在各个分量样本上分别建立BP神经网络后再进行预测。最后,仿真结果验证了本文方法的有效性。     

基于BP神经网络智能交易系统的设计

改进了多层BP神经网络预测模型,给出智能交易策略算法,并设计一套智能交易系统以指导投资者买卖上证综合指数。模拟9年上证综指的实验结果表明,由本交易系统获得的回报比持有策略获得的回报大约高三倍。     

基于神经网络重力固体潮信号的建模与预测

重力固体潮信号主要是由于太阳、月亮等天体轨道相对位置变化而产生的,同时受地质、水文、大气等地理条件变化的影响,所以既是一个有规律、周期性变化的信号,也包含反映地质、水文、大气等地理条件变化的异常信息。通过对重力固体潮信号的建模,可反映、预测重力固体潮信号中周期性变化的基本规律,通过对比其理论计算值,可进一步提取重力固体潮信号中的异常变化信息。基于一种具有强鲁棒性、纯随机搜索的新群体智能优化算法,改进径向基神经网络学习算法,避免学习算法进入局部最优,提高网络训练的有效性和所建网络模型的可靠性。在实验中,利用重力固体潮信号训练改进的径向基神经网络,得到了重力固体潮信号的有效径向基神经网络模型。利用上述模型预测重力固体潮信号的估计值,并与传统径向基神经网络模型、AR模型预测结果进行对比,表明改进训练算法的径向基网络模型预测的结果更加精确,说明改进训练算法在重力固体潮信号的径向基网络建模中是有效的,可推广应用于其它时间信号序列的建模与预测中。     

基于神经网络的舰船运动短期预测

船舶在海上航行过程中受海风及海浪等因素的影响,使其产生六自由度的随机复杂运动。这对武器控制、舰载机着舰等操作起着相当的影响。该文分析了舰船运动姿态的时间序列特性,按照动力学系统反演原理,建立基于时间序列的非线性预测映射,根据在理论上三层感知器神经网络能够无限逼近任意非线性函数的特点,建立了用于时序分析的三层感知器模型,给出了时序反向传播算法。并进行了算例计算,从结果分析看,神经网络预测精度要稍高于时间序列分析法,为舰船运动短期预测提供了一种新的方法。     

基于ARIMA和BP神经网络的生态系统服务价值预测仿真

针对现有生态系统服务价值预测体系误差大、研究不足等问题,本文构建了面向未来生态服务价值的预测机制。该机制采用主成分分析法和Person相关系数法,建立了以GDP、人口、土地利用率、土地管理政策和城市人口密度为驱动力的生态系统服务价值关联矩阵,提出了基于ARIMA和BP神经网络的生态系统服务价值的时间序列预测机制。为验证预测机制有效性,本文选取中国主要土地利用类型代表省份的真实土地数据集进行分析,研究结果表明本文建立的预测模型平均绝对误差仅为0.023,且从预测结果来看,未来草地生态会向较好趋势发展,林地生态发展不容乐观。     

基于神经网络的出口集装箱运价指数估计模型

研究出口集装箱运价指数的准确估计问题.出口集装箱适箱货运价受国际贸易需求和运力供给影响很大,而运价指数本身可以看作综合反映了全部影响因素的时间序列.在供需变化较大的情况下,传统的运价指数估计模型如ARIMA模型等很难对大幅度的突发供需变化做出准确反映,导致模型失真,估计结果误差较大.为了避免上述缺陷,运用了基于Elman神经网络的出口集装箱运价指数估计模型.利用逐步拓阶方法对集装箱运价指数的时间滞后阶数进行计算,然后以Elman神经网络方法建立出口集装箱运价指数估计模型.实验结果表明,利用Elman神经网络模型能够进行更为准确的出口集装箱运价指数估计.     

基于改进BP神经网络的羊肉价格预测

在羊肉价格预测问题的研究中,羊肉价格有着严重的非线性、高噪声和影响因素难以确定等特点,高效准确的预测羊肉价格是十分困难的。传统方法对羊肉价格的预测往往主观性较强或过分依赖羊肉价格间的线性关系,导致预测的精度较低,不够准确。针对羊肉价格预测难题及BP神经网络存在的缺陷,提出一种主成分分析与LM(Lvevenberg-Marquardt)算法结合使用的BP神经网络改进模型。首先定性分析影响羊肉价格的因子,然后采用主成分分析方法消除噪声并筛选主要影响因子作为神经网络输入,最后采用基于LM算法的BP神经网络进行训练学习与预测。仿真结果表明,模型的预测值与实际值十分接近,预测精度良好,提高了仿真预测的效率,为羊肉价格的预测提供了一种可行且有效的方法。     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

基于遗传神经网络的网格资源预测模型

研究网格资源预测问题,网格资源具有非线性、混沌变化特点,传统BP神经网络具有局部极小、收敛速度慢等缺陷,预测精度较低。为提高了网格资源预测精度,提出一种基于遗传神经网络的网格资源预测模型。利用遗传算法对BP神经网络的权值和阈值进行优化,然后采用BP神经网络对网格资源建立预测模型,最后采用网格资源时间序列进行有效性仿真。仿真结果表明,遗传神经网络有效地解决了传统BP神经网络的不足,提高了网格资源的预测精度,降低了预测误差,十分适合于非线性、混沌的网格资源时间序列预测。     

基于多规则实时学习神经网络的时间序列预测模型

在总结现有神经网络方法缺陷的基础上，提出了模型的思路：预测网络小型化；实时学习；多次预测取均值；加入规则辅助神经网络预测。相对于传统的神经网络模型来讲，该模型突出了动态学习、动态预测的特色，增加了辅助预测的3大规则（异常处理规则、再学习规则和取均值规则）。给出了该模型的工作流程，并以一个实际问题说明了该模型训练、预测的全过程。数据实例表明，该模型是正确的、可行的。同时和其他5种模型预测结果的对比表明，该模型的预测结果是最优的，这充分体现了模型的有效性、先进性。     

Prediction of Road Traffic using a Neural Network Approach

A key component of the daily operation and planning activities of a traffic control centre is short-term forecasting, i.e. the prediction of daily to the next few days of traffic flow. Such forecasts have a significant impact on the optimal regulation of the road traffic on all kinds of freeways. They are increasingly important in an environment with increasing road traffic problems. The present paper aims at presenting the effectiveness of a neural network system for prediction based on time-series data. We only use one parameter, namely traffic volume for the forecasting. We employ artificial neural networks for traffic forecasting applied on a road section. Recurrent Jordan networks, popular in the modelling of time series, is examined in this study. Simulation results demonstrate that learning with this type of architecture has a good generalisation ability.