基于GA-BP神经网络的装配式高层住宅成本预测

装配式高层住宅成本受诸多因素影响,成本与各个因素之间存在复杂的非线性关系,BP神经网络难以对其进行准确的成本预测。文章提出了一种遗传算法（GA）优化BP神经网络的预测方法,利用GA-BP神经网络模型提高装配式高层住宅成本预测的准确率。通过对GA-BP神经网络模型的权值和阈值进行优化,构建了GA-BP神经网络装配式高层住宅成本预测模型,并以50组装配式高层住宅样本数据为例,分别运用GA-BP神经网络与BP神经网络预测模型进行了对比试验。试验结果表明,GA-BP神经网络预测模型具有较强的稳定性和更高的预测准确率。     

基于GA-BP神经网络的手足口病预测模型

综合考虑影响手足口病发病的多种因素,运用遗传算法优化了BP神经网络的初始权重,建立了手足口病预测模型。实验表明,与现有的BP神经网络预测模型及自回归移动平均模型(ARIMA)相比,该预测模型有较高的预测精度和较准确的峰值预测。     

基于BP神经网络的公交车辆实时调度

神经网络是一种新兴的数学建模方法,它具有识别复杂非线性系统的特性,比较适合实时调度。论文对神经网络模型-BP神经网络的结构及算法进行了描述,在此基础上提出了基于BP神经网络的实时调度预测模型。基于BP神经网络的实时调度预测模型的输入变量是相关站点同一时间段的客流量,输出变量为发车调度形式。     

BP神经网络的改进及其在股票预测中的应用

研究了BP神经网络,对BP算法的权值初始化进行改进,使得其收敛速度更快,并建立了基于BP神经网络的股价预测模型．最后以深发展A的收盘价为例,分析改进后NBP神经网络模型的预测效果．     

基于主成分分析的随机遗传BP网络及其房价预测

将自适应遗传算法与BP神经网络有机结合,提出了一类基于主成分分析的随机遗传神经网络模型,以此建立了房价预测模型。与现有的非随机遗传神经网络预测模型相比,本模型收敛速度更快,精确度更高,实用性更强。     

遗传算法优化BP神经网络的非线性函数拟合研究

传统的BP神经网络收敛速度慢,以及该算法的不完备性,易陷于局部极小,全局最优无法保证能收敛到等缺点.针对BP神经网络的缺陷,该文提出了遗传算法,利用遗传算法优化BP神经网络权值和阈值,使得训练了BP神经网络预测模型得到了最优解.采用遗传算法优化BP神经网络的算法,并以此结合算法来研究非线性函数拟合的问题.从实验结果表明,基于遗传算法优化的BP神经网络的非线性函数拟合具有较强的收敛性和鲁棒性,并且有了更高的预测精度.     

利用RBF神经网络构建销售预测模型

本文针对目前国内外应用较为广泛的传统销售预测模型和BP神经网络销售预测模型的缺陷，利用RBF神经网络构建了销售预测模型，并运用Matlab6．5编制了仿真程序。仿真结果表明：采用RBF神经网络进行销售预测在理论上和实践上都是可行的，该模型的估计精度比传统销售预测方法和BP神经网络所建立的模型的估算精度要高，且具有不会陷入局部最小点、学习收敛速度快、泛化能力强和适合动态建模等特点。     

基于GMBP模型的图书馆借阅人数预测及管理对策研究

用灰色GM(1,1)预测模型和BP神经网络预测模型相结合而成的灰色神经网络GMBP模型,对图书馆借阅人数进行预测.基本思路是运用灰色GM(1,1)模型所得到的预测值按前两年来预测下一年的组合规律分别作为BP神经网络的输入输出,并用对模型进行学习验证.该模型有效地把灰色理论的弱化数据波动性的优点和神经网络非线性特点结合起来,并以科学预测为依据提出图书馆资源管理对策.     

基于PSO优化的灰色神经网络预测算法的研究

由于灰色神经网络随机初始化网络的参数在使用灰色神经网络预测模型时,经常会出现在进化过程中陷入局部最优值和预测精度较低等问题.因此,提出采用粒子群优化(PSO)算法优化灰色神经网络的初始参数,建立了基于粒子群优化灰色神经网络的预测模型.使得在预测性能的稳定性上,明显优于单纯使用灰色神经网络模型.通过实验,对比分析了BP神经网络、灰色神经网络和PSO优化的灰色神经网络三种预测模型,结果验证了所提模型的有效性,从而进一步提高了灰色神经网络预测模型的精确度.     

集装箱量预测的BP神经网络方法

介绍了BP神经网络的基本理论 ,建立了集装箱运量时间序列的BP神经网络预测模型。并将此模型应用于上海港集装箱运量的预测。结果表明 ,与传统的预测方法相比 ,该方法具有较好的非线性自适应能力和预测精度     

基于小波神经网络和自回归模型耦合的河道洪水预测方法

在分析非线性河道洪水预报方法中常用BP神经网络不足的基础上,采用具有快速收敛和更有效非线性逼近能力特性的小波神经网络.为适应洪水演进的时变特性,将所建立的用于河道洪水预报的小波神经网络与自回归实时校正模型耦合,校正值为小波神经网络预报值与自回归模型预报误差之和.自回归实时校正模型的参数通过自适应衰减因子递推最小二乘动态更新以提高校正效果.将该方法应用于西江高要断面洪水预报,计算结果验证了其有效性.     

全局优化神经网络拓扑结构及权值的遗传算法

提出将前馈多层神经网络的全局优化表述作为启发式遗传搜索的问题．设计了遗传算法全局优化神经网络拓扑结构和网络权值的新的编码方案,并利用该方法求解了洪水预报问题,给出了实例预报结果     

基于粗糙集与RBF神经网络的农业总产值预测方法

提出了把粗糙集和R BF神经网络相结合应用于农业总产值预测的方法。首先用粗糙集对影响农业总产值的多个因素进行属性约简,选择主要影响因素,去除冗余信息;然后利用RBF神经网络建立预测模型。最后对该模型的预测结果与因子分析神经网络模型的预测结果进行了比较,表明了该模型的有效性和优越性。     

基于RBF和ARIMA模型的区域高等教育规模预测研究

结合RBF网络模型和ARIMA模型预测的优点,构建基于RBF网络模型和ARIMA模型的混合模型,对四川省高等教育规模预测问题进行研究。采用构建ARIMA模型得出的预测值对RBF网络模型的预测值进行修正,提高了区域高等教育规模预测的精度。     

基于GRNN神经网络的供应链安全库存预测

安全库存水平设置是供应链管理的重要内容，但因其影响因素多、关系复杂，预测难度大。神经网络在处理非线性问题有独特的优势。GRNN神经网络是建立在数理统计基础之上的一种新型的神经网络，具有良好的函数逼近效果。本文利用GRNN神经网络的方法进行供应链安全库存水平预测，详细介绍预测模型及其实施办法，并通过实例验证本方法的有效性。     

神经网络在预测饱和砂土液化中的应用

1　Ｉｎｔｒｏｄｕｃｔｉｏｎ　Ｍｏｄｅｌｉｎｇｏｆｓｏｉｌｂｅｈａｖｉｏｕｒｐｌａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｄｅａｌｉｎｇｗｉｔｈｐｒｏｂｌｅｍｓｒｅｌａｔｅｄｔｏｓｏｉｌｍｅｃｈａｎｉｃｓａｎｄｆｏｕｎｄａｔｉｏｎｅｎｇｉｎｅｅｒｉｎｇ .Ｏｖｅｒｔｈｅｐａｓｔｆｏｕｒｄｅｃａｄｅｓ ,ｍａｎｙｒｅｓｅａｒｃｈｅｒｓｈａｖｅｄｅｖｏｔｅｄｅｎｏｒｍｏｕｓｅｆｆｏｒｔｓｔｏｆｏｒｅｃａｓｔｉｎｇｔｈｅｌｉｑｕｅｆａｃｔｉｏｎｏｆｓａｔｕｒａｔｅｄｓｏｉｌｕｎｄｅｒｖａｒｉｏｕｓａｓｓｕｍ…     

两种用于城市用水量预测的灰色-神经网络组合模型

为了提高灰色GM(1,1)模型在城市用水量预测中的精度,结合BP神经网络的优点,给出了两种灰色-神经网络组合模型GM-BP1和GM-BP2.模型1利用神经网络对GM(1,1)模型的误差序列进行回归训练,将得到的预测值作为原始误差的修正来减小误差;而模型2由部分数据建立了GM(1,1)模型组,通过神经网络训练得到部分数据GM(1,1)模型组与真实值之间的非线性映射关系,利用这种精准的映射关系来提高预测精度.最后实际算例表明了所给方法是有效的,该组合模型可用于城市用水量的中长期预测.     

基于灰色神经网络组合模型的电力消费量预测——以河北省为例

在分析灰色预测模型GM(1,1)以及BP神经网络预测模型2种单一模型在电力消费量预测方面不足的基础上,提出灰色神经网络组合预测模型。以河北省电力消费量为基础,分别用3种模型进行预测,并加以比较分析。结果表明,灰色神经网络组合模型提高了关于河北省中长期电力消费量的预测精度,对河北省未来电力系统及能源需求规划具有一定参考价值。     

基于改进BP神经网络的供热负荷预测模型

为在自然环境条件下对供热负荷进行较为准确的预测,分析了对供热负荷产生影响的自然因素,利用回归分析法建立负荷预测模型。在误差较大情况下提出利用神经网络法建模,采用差分进化算法对神经网络的阈值和权值进行优化。使用经过优化的神经网络进行负荷预测,在MATLAB环境下进行仿真。仿真结果表明,采用该方法可得到更为准确的供热负荷预测模型,对供热站节能运行有一定意义。