神经网络在石油价格预测中的仿真研究

在石油价格预测问题的研究中,石油价格预测与供求和经济政治有关.针对石油价格变化具有高度非线性、噪声和价格因子难以确定等特点,传统预测方法都是根据线性变化规律提出的,因此对石油价格预测精度低.为提高石油价格预测精度,提出一种主成分分析的BP神经网络石油价格预测模型.可通过定性分析获得石油价格变化影响因子,然后采用主成分分析消除数据中的噪声并选择重要影响因子,最后重要影响因子作为BP神经网络的输入,采用非线性预测能力强的神经网络对石油价格进行预测.实验结果表明,模型提高了石油价格预测精度,为石油价格预测提供了一种有效方法.     

基于BP神经网络改进的黄金价格预测

在黄金期货价格预测问题的研究中,价格具有严重的非线性、高噪声和影响因子难以确定等因素,决定了预测的难度.传统方法对黄金价格的预测都强调依赖于黄金价格间的线性关系,局限性明显,导致了预测精度不高.为提高黄金价格预测精度,提出一种投影寻踪优化的BP神经网络改进模型.先通过定性分析得到影响黄金价格波动的因子,然后采用投影寻踪方法选择很强影响力的因子作为神经网络的输入节点,并采用改进的算法进行学习,寻找最优的BP网络结构,利用改进模型,黄金期货价格实现了高精度仿真.结果证明,模型为黄金价格预测提供了一种有效的高精度预测工具.     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

粗糙集BP神经网络在房地产价格预测中的应用

研究房地产价格准确预测问题.由于房地产价格影响因子间信息严重冗余,受到社会上多种因素的影响.传统预测方法不能消除因子间的冗余信息,导致学习时间长、预测精度低.为了提高房地产价格的预测精度,提出一种粗糙集理论BP神经网络的房地产价格预测模型(RS-BPNN).RS-BPNN模型首先采用粗糙集理论消除房地产价格因子间冗余信息,提取重要因子,然后采用非线性预测能力非常强的BP神经网络对处理后的数据进行学习建模,用建立好的模型对房地产价格进行预测.仿真结果表明,RS-BPNN房地产价格预测速度比传统预测方法快,预测精度更高,说明RS-BPNN的预测结果可以为政策制定者和房地商及买房提供参考.     

PCA-BP在城市汽车保有量预测中的应用研究

城市汽车保有量影响因素众多,且存在复杂的相关关系,传统数学预测模型和神经网络模型,无法消除影响因素之间的相关性,从而导致预测精度较低.为提高城市汽车保有量预测精度,提出了一种基于主成分分析的BP神经网络预测模型.通过对城市汽车保有量影响因子进行主成分分析,消除各因子间的冗余信息,降低BP神经网络的输入维数,简化神经网络拓扑结构,提高城市汽车保有量的训练速度与预测精度.对南京市2006-2009年南京市汽车保有量进行仿真,实现结果表明,PCA-BP模型的训练速度快、预测精度高,可为城市汽车保有量预测提供参考依据.     

基于改进的BP神经网络税收预测模型的研究

因为税收数据的非线性、冗余性等特点,传统的税收预测模型的精度都不高.为了提高税收预测的精度,提出了一种主成分分析和BP神经网络相结合的税收预测模型.首先利用主成分分析法对影响税收的8个因子进行处理,消除重复的信息,结果保留了2个主成分作为神经网络的输入,达到了降维的目的,加快了网络训练的收敛速度.然后用BP网络对样本进行训练,仿真结果表明,通过不同模型之间的对比,发现PCA-BPNN模型的预测精度更高,可用性更好,是一种高效的预测方法.     

股票价格短期预测的LM遗传神经网络算法

针对传统神经网络在股票价格预测中易陷入局部最优和预测精度偏低的问题,提出了一种改进的神经网络算法进行求解.改进的算法基于LM算法建立了改进的三层BP神经网络对股票价格建立预测模型,避免算法陷入局部最优,并运用遗传算法优化神经网络的权值和阈值,提高神经网络对股票价格的预测精度.采用Matlab对上述算法模型进行仿真测试,通过预测4支股票价格的实验证明改进后的神经网络预测算法对股票价格的短期预测有较好的精度和稳定性.     

小波消噪的神经网络短时交通流量预测模型

研究短交通流量预测问题,短时交通流量数据中含有大量噪声,对预测精度产生不利影响,为了提高短交通流量预测精度,提出一种小波消噪的神经网络短时交通流量预测模型。首先采用小波技术对短时交通流量数据进行消噪处理,然后采用关联维数确定BP神经网络输入变量个数,最后采用BP神经网络建立短时交通流量预测模型。仿真结果表明,与消噪前比,消噪后模型的预测精度有了较显著提高,其预测误差远远小于消噪前,预测结果更具实用价格。     

主成分在输电线路可听噪声预测中的应用研究

针对超高压输电线路可听噪声BP网络预测模型影响因素多的问题,运用主成分分析算法（PCA）对影响可听噪声的环境因素、地理参数、导线结构参数等14个因素进行简化,建立PCA-BP网络预测模型。选取甘肃省内多条750 kV、330 kV输电线路的可听噪声的实测资料为样本集,采用Matlab神经网络工具箱进行模型训练与预测,并与BP网络模型预测结果比较。结果表明：主成分分析方法在可听噪声影响因素的简化中不适用,预测结果没有BP网络模型预测结果理想。分析了主成分在可听噪声影响因素简化中不适用的原因。     

基于DAE-BP神经网络的工业质量预测

BP神经网络因具有良好的非线性拟合能力,在建立预测模型中得到广泛应用。但化工过程数据不仅存在非线性特征,而且难以避免受噪声影响,造成数据波动从而影响预测模型准确性。为此,提出一种降噪自编码器融合反向传播算法（简称为,DAE-BP）的化工过程质量预测方法。首先,采用无监督学习模型降噪自编码器完成初始数据的噪声消除,其具有噪声鲁棒性的特点,在数据受到损坏的情况下可尽可能地恢复数据的原始状态,有利于进一步的质量预测。在此基础上,将获取的数据特征作为有监督学习模型BP神经网络的输入以获得可靠的预测结果。在脱丁烷塔化工过程实例上验证方法有效性。并与单一BP算法、主成分分析(PCA)及自编码器(AE)改进的BP算法作为对照。结果表明,经过DAE改进后的BP算法预测误差为1.2%,相比单一的BP算法提高了3.2%精度,较PCA-BP及AE-BP预测误差精度分别提高了2.3%、1.9%,表现出最好的预测性能。     

基于遗传神经网络的股指预测

股票市场是一项集合许多市场复杂因素的活动,股票分析的方法非常多。将遗传算法用于BP神经网络的训练过程对股票价格的预测,设计一个三层的BP神经网络,优化网络输入,在传统BP神经网络的基础上加入遗传算法。通过实例分析及实际结果表明这种BP神经网络的准确性和科学性。     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

CAR-BPNN在股票价格预测中的应用

研究股票价格准确预测问题,股票价格变化具有非线性、时变性,且含有噪声,单一或传统线性预测模型不能全面反映其变化规律,预测精度低,误差大。为了提高股票价格预测精度,提出一种组合的股票价格预测模型(CAR-BPNN)。首先采用主成分分析对股票价格数据进行预处理,消除噪声,然后采用CAR对线部分进行预测,BPNN对非线性部分进行预测。采用熵值法确定CAR和BPNN对预测结果进行组合,获得股票价格的最终预测结果。通过股票价格实际数据对CAR-BPNN进行测试,测试结果表明,CAR-BPNN充分利用两种模型的优点,比单一模型的预测精度更高,可以为股票价格精确预测提供依据。     

基于SPSS的采煤工作面瓦斯涌出量预测模型研究

为了对矿井采煤工作面瓦斯涌出量进行有效预测,结合影响工作面瓦斯涌出量的各个因素,针对各因素间存在严重的多重共线性引起算法计算误差放大的问题,采用逐步回归算法进行优化。运用SPSS软件,综合多元主成分回归分析算法得出采煤工作面瓦斯涌出的主要影响因素,并建立PCR-SPA预测模型。将该模型的预测性能与多元线性回归预测、灰色关联度分析预测、BP神经网络预测结果进行对比分析。结果表明：该模型选取了三个主成分变量,有效地减少了计算量,具有较高的预测精度,可以对矿井工作面瓦斯涌出量进行有效预测。     

主成分和BP神经网络在粮食产量预测中的组合应用

粮食产量的变动受到多种因素的共同影响,各因素之间往往具有十分复杂的非线性关系,传统的预测方法大多无法反映这种变化规律而影响了预测的准确性.BP神经网络模型具有很好的非线性逼近能力,对中国粮食产量能实现比较准确的预测;主成分分析可以对具有模糊关联的变量数据进行降维,其与BP神经网络的组合能优化模型的网络结构,提高预测精度.实证结果表明,组合模型预测结果的精度提高了3%,网络训练的收敛速度和效率也得到不同程度的改善.     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

基于遗传算法和BP神经网络的房价预测分析

针对BP神经网络存在易陷入局部极小值、收敛速度慢等问题,提出用遗传算法优化BP神经网络并用于房价预测。采用BP神经网络建立房价预测模型。利用遗传算法对BP神经网络的初始权值和阈值进行优化。选取1998年2011年贵阳市的房价及其主要影响因素作为实验数据,分别对传统的BP神经网络和经过遗传算法优化后的BP神经网络进行训练和仿真实验,结果表明,与传统的BP神经网络预测模型相比,经过遗传算法优化后的BP神经网络预测模型能加快网络的收敛速度,提高房价的预测精度。