杭州房地产市场预警研究

在现阶段房地产业快速发展的同时,有关"房地产市场是否过热"的问题越来越被大家所关注.但是对房地产市场是否存在"泡沫"的问题一直没有一致看法.文章主要尝试通过BP神经网络对杭州市历年的指标数据进行拟合,分析预测2004～2005年的数据.并通过黄色预警方法中比较成熟的统计预警法,来判断杭州市房地产市场现在和未来两年的综合情况.     

城市房地产预警系统的研究与设计

本文将计算机信息系统建模技术引入到城市房地产经济预警领域,结合数据仓库和决策支持系统,探讨设计与开发城市房地产预警系统的技术与方法,并在模型上引入BP神经网络,开发科学实用的城市房地产预警系统。     

房地产预警系统应用研究

以宏观经济预警理论为依据,结合房地产经济周期波动理论,以综合模拟法为设计主线,构建了房地产预警系统,并以西安房地产市场为例进行实证分析.以房地产业同国民经济协调关系、房地产市场供求协调关系及房地产业内部协调关系三大板块建立了房地产预警指标体系,并采用主成分分析法求得各大板块的预警指数及综合预警指数.在此基础上引入马尔可夫预测方法,建立模型对房地产市场进行了预测并预警.     

武汉市房地产预警系统研究

随着我国房地产业的快速发展,国内一些城市尤其一线大城市楼市价格大幅度上涨,人们对房地产市场是否过热、有无泡沫、能否健康可持续发展产生众多质疑。基于此阐述了房地产预警系统的研究思路,并结合武汉最近10年的房地产发展状况进行了实证研究。然后通过2009年的统计数据对未来武汉房地产的预警指标进行预测,同时作出预警。     

河南省房地产泡沫程度研究

根据河南省房地产市场的发展状况,选取了7个测度指标,运用主成分分析法对泡沫指标进行降维,确定出河南省的综合泡沫指标函数,最后分析了河南省2007—2014年的房地产市场泡沫程度。研究表明,在2013年之前,河南省房地产市场并未出现泡沫,而从2013年之后才开始出现泡沫,而且泡沫程度较大,泡沫综合指数达到了2.063 4,2014年泡沫程度有所下降,达到了1.749 8。     

房地产市场供求协调度研究——以银川市为例

采用主成分分析法,对2004—2013年银川市房地产市场供求协调度进行分析、研究.结果表明,银川市房地产市场总体需求大于供给,协调度指数大部分处于正常运行区间或基本正常运行区间,只有2009年出现在异常运行区间内,说明近十年银川市的房地产行业发展相对稳定,供需较为协调.     

基于小波神经网络的房地产价格指数预测研究

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型。应用BP神经网络来对房地产价格指数进行预测,精度和收敛的速度都不是很理想,这主要是因为BP神经网络本身存在着缺陷。为了克服BP神经网络的缺陷,本文将小波变换和BP神经网络结合起来,运用小波神经网络来对房地产价格指数进行预测,并与BP网络的预测结果进行了比较,最后发现用小波神经网络进行经济预测可以达到很好的效果。     

基于神经网络算法的无线网络安全模型研究

信息技术的快速发展使得信息安全问题愈发严峻,无线网络的广泛应用使得无线网络遭受到的安全威胁类型复杂多样.采用PCA和BP神经网络建立了无线网络安全模型,分析了无线网络安全问题.通过对无线网络传输数据的主成分分析,将获得的主成分分量作为BP神经网络的训练数据进行网络训练,获得攻击类型检测的网络安全模型.结果表明,PCA和...     

基于主成分分析的BP神经网络在岩性识别中的应用

提出一种将主成分分析和BP神经网络相结合的方法对测井资料进行岩性识别。首先将原始测井数据进行主成分分析,分析结果作为PCABP神经网络的学习样本进行训练,建立测井解释的PCA—BP神经网络岩性识别模型．并用该模型对测试样本进行识别。结果表明该方法同传统的BP神经网络相比．不仅简化了网络结构（网络的输入神经元个数由5个减少为2个）,网络收敛速度也加快了21％．而且识别的准确率提高了25％。     

基于主成分分析法和BP神经网络的银行客户信用评价

为了加强商业银行对客户信用风险的事先控制,降低银行运营风险,需要对客户按信用等级进行分类,以便执行不同的信用风险控制策略。文中基于主成分分析法和BP神经网络法,建立了客户信用评价模型。结果表明,利用此信用风险评价模型能够准确地判断银行客户所处的信用等级,具有广泛的适用性。     

BP神经网络在房地产估价中的应用

将改进型BP网络用于房地产估价 ,通过在识别阶段对训练样本分类正确率问题的讨论 ,提出运用欧氏距离对网络的识别系统进行改进的方法。应用实例表明改进识别方法的BP网络应用在房地产估价中能使待判样本分类正确率从 90 .5 %提高到 1 0 0 % ,相应的估价误差从 1 .7%降低到 0 .3%。     

BP神经网络在房地产估价中的应用

将改进型BP网络用于房地产估价，通过在识别阶段对训练样本分类正确率问题的讨论，提出运用欧氏距离对网络的识别系统进行改进的方法。应用实例表明改进识别方法的BP网络应用在房地产估价中能使待判样本分类正确率从90．5％提高到100％，相应的估价误差从1．7％降低到0．3％。     

基于神经网络的交通发生量预测研究

交通发生吸引量预测是交通规划四阶段的首要步骤,其预测结果是城市规划布局及交通设施建设发展的重要依据.为了提高交通发生量预测准确性,利用K-means聚类分析对交通小区进行分组;对同组内样本小区各项土地利用及人口就业指标进行主成分分析,通过计算主成分载荷率为选择预测影响因素提供依据;针对各组样本分别建立BP神经网络模型,以土地利用和人口数据作为输入变量,小区交通发生量作为输出变量,以大连市城市交通调查数据为例对上述方法进行检验,并与传统回归模型预测结果进行比较.结果表明,在数据预处理基础上建立的BP神经网络模型具有较高预测精度.     

基于主成分分析法的中国房地产市场实证研究

针对中国房地产市场是否存在泡沫以及泡沫范围和程度大小问题,基于供给、需求、价格评价和金融信贷四个维度构建房地产泡沫综合评价指标体系,利用2005-2016年29个省份数据,采用主成分分析法进行实证研究。结果表明:多数省份房地产市场存在泡沫,部分省份泡沫程度严重;房地产市场存在泡沫省份个数在2014年达到顶峰,之后泡沫省份范围略有下降;省域之间泡沫程度差异明显,房地产泡沫在邻近地区具有传染性,整体呈现出东部—中部—西部泡沫程度逐渐降低的趋势。最后根据房地产泡沫程度差异针对性地提出完善房地产调控的政策建议。     

大气污染BP神经网络预报模型及试报分析

针对丹东城区SO2污染的实际情况及与气象因子的关系,建立了基于主成分分析的BP神经网络预报模型,并在实际预报中进行了模拟、试报和应用、模型拟合及预报效果检验,结果发现:模型模拟值与实际值的变化趋势基本一致,模型可以用于各季SO2浓度预报。     

基于神经网络的中国商业银行效率综合评价

在广泛选取原始指标的基础上,建立了基于主成分分析法的商业银行效率评价指标体系,建立了基于BP神经网络的商业银行效率评价模型.采用改进的主成分分析法建立了新的指标体系,用7个指标保留了92%的原始信息,并避免了指标间相关性对后期评价的影响;运用斜交旋转法,得到了对商业银行效率影响较显著的7个指标因素;采用均值法对原始数据进行标准化处理,保留了指标间的差异信息和相互影响信息;利用BP神经网络避免了传统评价方法中人为主观因素和模糊随机因素的影响.     

基于PCA-BP组合模型的股价预测分析

随着金融业数据环境的日益复杂,投资者稳定或超额投资收益难以保障.传统模型因其非线性映射能力弱而不能作为选股指导,因而面对日益突出的股票分析技术需求,新型算法的研究十分必要.运用了主成分分析法与B P神经网络模型的算法对五只个股进行预测,实现了数据的降维,良好地处理了股票市场复杂的非线性问题,并基于回测的历史数据不断更正模型得到精确度较高的PCA-BP组合模型.实际运用时还选取了数据拟合的方法,较好模拟了指标趋势,使得模型预测后的平均误差保持在极小的状态,且在短期预测上有一定的优势.     

预测板式换热器污垢热阻的新方法

通过动态监测板式换热器冷却水污垢热阻及影响污垢热阻的松花江水水质参数（如pH值、溶解氧、铁离子、氯离子、细菌总数、浊度、电导率、化学需氧量、碱度和硬度等）变化。采用BP神经网络主成分分析、主成分回归、全要素BP神经网络三种预测方法建立板式换热器污垢热阻预测模型,选取1-15号样本为训练或回归拟合样本,16-20号样本为测试样本,并将三种方法的预测结果进行了对比。结果表明,三种方法均可对板式换热器污垢特性进行有效预测,而基于主成分分析的BP神经网络方法的预测结果误差小,优于另外两种方法。     

基于移动式红外测温的变电站设备温度预警系统

目前,变电站人工巡检效率低,对电气设备的测温准确率不高,导致不能对潜在的异常设备进行预警。针对此现状,提出了一种基于移动式红外测温的变电站设备温度预警系统。系统以巡检机器人为移动平台,结合红外测温、WiFi通讯、远程监控显示等新技术,可对变电站设备进行测温预警。在此基础上,进一步分析导致红外测温误差的影响因素,采用BP神经网络对红外测温误差进行修正。系统结合绝对测温预警和相对温差预警方式,达到理想的预警效果。该系统已在德清变电站成功投入运行,证明了系统的合理性和可靠性。     

基于计算机视觉的大米粒形识别方法

提出了利用计算机视觉系统代替人眼识别整粒大米和碎大米粒形的方法。设计了一套基于计算机视觉技术的大米粒形识别装置,采用灰度变换、阈值分割、平滑处理等图像处理方法获取大米的粒形图像,然后根据大米的粒形特点提取了米粒的面积、周长、长、宽等16个特征参数,采用主成分分析方法对提取的特征参数进行处理,以前三个主成分综合所有粒形特征参数,作为BP神经网络的输入特征值对网络进行训练和大米粒形识别。试验结果表明：该方法对整粒米识别的准确率为98．67％;对碎米识别的准确率为92．09％。