优化BP神经网络的可靠性预测模型

为了提供一种更加准确高效的算法，对传统的BP神经网络模型进行优化。首先对初始权植的选取规则，传统的N—W规则算法进行改进，再对其它参数进行优化。在此基础上，将神经网络理论应用于系统可靠预测评价之中，提出了基于此理论的系统可靠预测评价模型、实现方法和优点；评价实例证明此方法的可行性。     

L-M优化BP算法在短期负荷预测中的应用

在分析传统BP算法的不足的基础上,提出了将Levenbery-Marquard、优化法与神经网络模型相结合的L-M优化BP算法。此方法与传统算法相比学习速度得到了提高,网络的收敛加快,尽量避免了系统陷入局部最小;针对某电力局某地区的单条线路的实际数据,采用基于Levenbery-Marquardt优化的I3P算法的神经网络模型对其进行了仿真,结果表明该方法具有较高的预测精度和较强的适应能力。     

基于改进GRU神经网络的综合能源管控系统优化研究

针对目前综合能源管控系统能耗预测的精度需求,提出一种基于改进GRU神经网络的预测优化方案。首先,考虑到GRU神经网络预测模型中超参数选取的速率直接影响着预测模型的精确度,提出采用鲸鱼优化算法对超参数进行寻优;然后将WOA算法寻优得到的超参数对GRU神经网络进行设置,再利用超参数优化后的GRU神经网络对综合能源负荷进行预测;最后将本算法和传统GRU预测模型及BP神经网络预测模型通过评价指标MAE、MPAE、RMSE进行对比。结果表明,本优化方案平均绝对误差百分比为1.79%,而传统GRU预测模型和BP预测模型的平均绝对误差百分比为3.06%、4.45%。由此得出,采用鲸鱼优化算法对GRU神经网络的改进,使得GRU预测模型更加精准和稳定。     

蚁群神经网络在中小企业信用评价中的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测中小企业信用的目的,在分析信用评价重要性的基础上,根据中小企业信用评价指标体系,提出了一种基于蚁群神经网络的评价模型.利用蚁群算法对神经网络进行训练,再将此网络模型应用到中小企业信用评价系统中,最后通过训练样本和测试样本来检测该蚁群神经网络.结果表明蚁群神经网络的预测方法与传统的BP冲经网络预测方法相比,具有较强的泛化能力,应用在中小企业信用评价系统中具有很高的评价准确率.     

基于关联规则的PSO-Elman短期风速预测

传统神经网络在短期风速预测中,存在易陷入局部极值和动态性能不足等问题,从而导致风速预测精度较低。为了提高风速预测精度,提出一种基于关联规则的粒子群优化Elman神经网络风速预测模型。利用粒子群算法优化Elman神经网络模型参数,以提高算法的收敛速度,避免陷入局部极值,以得到最优的预测值。同时结合关联规则分析考虑气象因素,采用Apriori算法对风速与其他气象因素进行关联规则挖掘,并利用得到的关联规则对风速预测值进行修正与补偿。实验结果表明,所提出的预测模型的预测效果比传统模型的效果更佳,同时验证了结合关联规则考虑气象因素能够降低风速预测误差。     

一种用于机场气象预测的模糊神经网络模型

针对民用机场多因素气象预测问题的复杂性,该文构建出一种基于粗糙集的模糊神经网络模型。采用粗糙集理论约简属性,挖掘潜在规则,在此基础上建立模糊神经网络模型,并根据规则的统计性质和离散化结果初始化网络参数,采用BP算法训练网络。实例验证,该模型在收敛速度与预测精度上优于传统的神经网络模型。     

基于改进BP神经网络的煤与瓦斯突出预测系统

针对传统BP神经网络收敛速度慢、易陷入局部极小等问题,采用Matlab神经网络工具箱中的自适应学习率VLBP算法和基于数值优化技术的LMBP算法对传统BP神经网络算法进行改进,并设计了基于改进BP神经网络的煤与瓦斯突出预测系统;分别采用传统BP神经网络模型和改进的BP神经网络模型进行煤与瓦斯突出预测实验,结果表明改进的BP神经网络能够更快、更准确地预测煤与瓦斯突出。     

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.     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

基于ABC—BP神经网络的用电量预测研究

针对区域用电量的时效性、复杂性和非线性等特点,提出基于人工蜂群算法(ABC)优化BP神经网络(ABC-BP)的区域用电量预测分析模型;以BP神经网络为基础,将往年区域用电量作为用电置的预测样本,采用基于ABC算法对BP神经网络的各个权值和阈值参数进行优化,最后建立模型应用于区域用电量预测系统,为分析区域内经济发展水平、经济走势、产业分布状况及政策实施效果等问题提供有力支持;介绍了人工蜂群算法(ABC)和BP神经网络算法,详细阐述ABC算法优化BP神经网络的权值和阈值;通过实验仿真对比,提出的算法预测结果比仅仅使用BP神经网络算法以及粒子群优化BP神经网络算法更高,是一种有效可靠的区域用电量预测方法。     

基于神经网络集成学习算法的金融时间序列预测

本文在传统神经网络(NN)、循环神经网络(RNN)、长短时记忆网络(LSTM)与门控循环单元(GRU)等神经网络时间预测模型基础上, 进一步构建集成学习(EL)时间序列预测模型, 研究神经网络类模型、集成学习模型和传统时间序列模型在股票指数预测上的表现. 本文以16只A股和国际股票市场指数为样本, 比较模型在不同预测期间和不同国家和地区股票市场上的表现.本文主要结论如下: 第一, 神经网络类时间序列预测模型和神经网络集成学习时间序列预测模型在表现上显著稳健优于传统金融时间序列预测模型, 预测性能提高大约35%; 第二, 神经网络类模型和神经网络集成学习模型在中国和美国股票市场上的表现优于其他发达国家和地区的股票市场.     

基于BP-AdaBoost的电商短期销量预测模型

电子商务是伴随互联网技术快速兴起的一种规模大、潜力大的新型商业模式,对产品进行短期销量预测能够帮助电商企业对市场变化采取更加迅速的反应和措施.本文通过电商销量历史数据和门户商品链接点击量建立了一种应用于电子商务会计系统的短期销量预测模型.借助AdaBoost思想集合多个传统的BP神经网络的预测结果,使其具备更高的预测准确率,根据电商短期销量变化的特点规划时间窗口的时序设计,建立考虑周末效应的以日为单位的销量预测模型.实验证明,该预测模型的预测误差可以控制在20%以内.     

基于元胞自动机的人工金融市场及其仿真研究

该文通过对金融市场复杂性的分析,并基于元胞自动机和争当少数者模型提出了一个开放的金融预测模型。模型中的投资者相当于争当少数者模型里的agent,每个投资者都必须从初始时各自定义的策略集合中选择最成功的作为每一步的预测策略。同样,投资者也相仿于元胞自动机中的元胞,而选定的预测策略就作为元胞的局部规则,每个元胞都根据局部信息和局部规则做出估价。模型的最终预测值就是由数千个这样的投资者决定的。此模型是开放性的,因为可以通过扩充或重构其预测策略库来获得更精确的预测结果。数值实验显示,虽然策略库比较简单,但其预测的平均相对误差仅为1．73％。     

基于多神经网络的母线负荷混沌优化组合预测

单一算法在母线负荷预测中存在稳定性弱、波动性大的问题。为此,提出基于多神经网络的母线负荷混沌优化组合预测模型。采用改进的混沌学习算法对模糊网络、小波网络和灰色网络的预测值进行混沌优化组合,确定最优的权重系数,得到最终的预测结果。算例分析表明,该组合模型性能优于单个网络模型和传统组合模型,能较大提高负荷预测的精度和收敛速度。     

数据挖掘技术在水库调度中的研究与应用

水文预报对于水库调度、洪水控制、发电、灌溉等工作至关重要。从目前的研究情况看，各种传统的径流预报方法用于中长期径流预报时，预报精度都比较低。本文首先介绍了数据挖掘的基本知识，并将基于神经网络的数据挖掘方法应用于水文预报中，使用boosting回归算法建立数据挖掘模型，进而发现和挖掘水库调度的内在规律和潜在效能。     

支持向量机在人口预测中的应用

支持向量机是一种新型的机器学习方法,该学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能。将这种新的统计学习方法应用到非线性时间序列预测,并将结果与BP神经网络预测的结果进行比较,结果表明该方法有更高的预测精度。     

基于人工神经网络的混凝土碳化深度研究

介绍了BP神经网络的基本概念与结构,提出了计算和预测混凝土碳化深度的神经网络模型。建立1-3-1单因子(时间)输入向量网络与传统回归分析方法进行比较;建立6-4-1多因子输入向量网络计算及预测混凝土碳化深度。分析结果表明该模型计算和预测精度都能达到工程要求,适合在工程中应用。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

神经网络在卷烟销售量预测的应用研究

研究卷烟销售预测准确问题,卷烟销售量具有季节性和周期性动态变化规律,并受经济、人口等因素的影响,使系统存在明显的非线性特征,波动范围比较大,传统线性预测模型难以准确预测。为了提高卷销售预测精度,提出一种能够反映卷烟销售量变化规律的Elman神经网络的卷烟销售预测模型。首先采用逐步拓阶方法确定卷烟销售量的最佳滞后阶数,然后利用最佳滞后阶数最对卷烟销售数据进行重组,并输入Elman神经网络学习,利用Elman神经网络的动态和反馈特点对卷烟销售量进行预测。将建立的模型应用于云南某烟草公司某种卷烟销售的预测,结果表明,Elman神经网络模型有效提高了卷烟销售预测精度,降低了预测误差,为烟草行业销售管理预测提供科学依据。     

Stock Trading Using RSPOP: A Novel Rough Set-Based Neuro-Fuzzy Approach

This paper investigates the method of forecasting stock price difference on artificially generated price series data using neuro-fuzzy systems and neural networks. As trading profits is more important to an investor than statistical performance, this paper proposes a novel rough set-based neuro-fuzzy stock trading decision model called stock trading using rough set-based pseudo outer-product (RSPOP) which synergizes the price difference forecast method with a forecast bottleneck free trading decision model. The proposed stock trading with forecast model uses the pseudo outer-product based fuzzy neural network using the compositional rule of inference [POPFNN-CRI(S)] with fuzzy rules identified using the RSPOP algorithm as the underlying predictor model and simple moving average trading rules in the stock trading decision model. Experimental results using the proposed stock trading with RSPOP forecast model on real world stock market data are presented. Trading profits in terms of portfolio end values obtained are benchmarked against stock trading with dynamic evolving neural-fuzzy inference system (DENFIS) forecast model, the stock trading without forecast model and the stock trading with ideal forecast model. Experimental results showed that the proposed model identified rules with greater interpretability and yielded significantly higher profits than the stock trading with DENFIS forecast model and the stock trading without forecast model.