基于BP神经网络的交通事故预测

交通事故的发生因受随机因素的影响而呈现出不确定性和非线性的特点。在分析交通事故与人口、车辆、道路、经济发展等因素关系的基础上,综合考虑影响交通事故的多种因素,建立了BP神经网络。进而,选取总人口、机动车驾驶员人数、公路密度、民用车辆、人均GDP作为交通事故预测模型的输入向量,以交通事故的四项指标作为输出向量,利用LM算法或GALM算法优化的BP神经网络模型对交通事故进行预测。实验表明,GALM算法优化的BP神经网络模型与BP神经网络或LM算法优化的BP神经网络相比,具有较高的精度和较快的收敛速度,能更好地适用于交通事故预测。     

BP神经网络算法改进及应用

针对传统BP神经网络收敛速度慢且容易陷入局部极小值的缺点,通过实验对其进行分析并提出可以提高算法快速性和有效性的改进方法。介绍了BP神经网络的工作原理、基本流程、算法应用领域和在该领域下的优缺点,以及改进方法的具体步骤与改进后的优势。最后通过仿真实验验证了改进算法的有效性。     

遗传算法优化BP神经网络预测股指研究

股票价格受众多不确定性因素影响。为更精准地预测股票指数,首先利用具有良好非线性寻优能力的遗传算法优化BP网络初始权值阈值设置,然后构建一个以开盘价、最高价、最低价、收盘价、成交量、收盘价近5日移动平均线MA等6个输入变量、以下一天6个变量为输出变量的股指预测模型。对观察期内上证综指实证研究表明,经遗传算法优化后的BP 网络对股票指数预测平均误差为0.1%,其中成交量预测值比单纯BP神经网络算法误差减少0.71%,同时收敛速度得到提高。     

改进的BP神经网络模型预测四川GDP

运用TRAINGDX训练函数对标准BP神经网络进行改进．根据2012年《四川省统计年鉴》相关数据,利用影响国内生产总值（GDP）的6个主要因素,借助Matlab软件平台,建立了6：5：1的三层BP神经网络GDP预测模型,实现四川省GDP值的预测．改进后BP神经网络预测相对误差在1％以内,仿真结果同模型外推法比较,预测精度较高．     

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．     

快速构建BP神经网络模型

就BP神经网络应用设计中的网络隐含层数、隐含层神经元个数等具体设计问题进行了研究与探讨，提出一种新的构建BP神经网络模型方法。实验表明，使用该方法构建的网络模型训练曲面图形时，得到的网络输出曲面与原样本曲面非常接近，训练误差满足设定要求。     

BP神经网络及其应用和其推广能力的分析

针对BP神经网络进行了详细介绍,首先从数学上对网络的原理进行了说明,指出了它的局限性,又给出了很多改进方法.并通过例子介绍了BP神经网络的应用,后来还对网络的推广能力问题进行了分析.文中的例子也说明了,MATLAB工具箱的使用降低了网络的设计难度.     

BP神经网络在粮仓平均温度预测中的应用

粮仓平均温度决定粮食变质的快慢。经研究发现,粮仓平均温度表现为非线性变化,而BP神经网络能够无限逼近任意非线性函数,故可利用BP神经网络对粮仓平均温度进行预测。介绍了粮仓平均温度预测的重要性,阐述了BP神经网络的预测原理,介绍了BP神经网络设计及MATLAB实现。据此编写程序进行平均温度预测,为粮食保质工作提供依据。     

预测模型的BP神经网络的实现与改进

提出基于反向传播网络预测模型的设计方法，并针对反向传播网络算法的不足之处给出权重调整BP算法，其方法收敛速度快，预测精度高，抗噪能力强，较好地反映了参数之间复杂的非线性关系，为工业生产中数据分析、数值模拟与科学预测提供了良好方法。     

基于BP神经网络模型的商品房价格预测研究

鉴于目前商品房价格预测方法存在的问题,在分析影响商品房价格主要因素的基础上,提出采用BP神经网络建立商品房价格预测模型,利用果蝇-蛙跳算法优化BP网络初始权值和阈值等结构参数,选取某城市2000～2018年的商品房价格及其主要影响因素数据作为训练样本和测试样本.通过仿真分析表明:BP神经网络模型经过果蝇-蛙跳算法优化后能加快网络的收敛速度,提高商品房价格预测的精准度,对于政府部门进行房价宏观调控以及房产企业的运营管理都具有一定的参考价值.     

改进的BP神经网络预测高校毕业生就业能力

针对传统BP算法的神经网络收敛较慢的缺点,提出基于L-M(Levenberg-Marquard)算法的神经网络对影响高校毕业生就业能力的各项因素进行分析的模型,以预测高校毕业生的就业能力存在的不足.因素量化采用模糊数学中的格贴近度和专家打分的方法.仿真结果表明:系统模型缩短了训练时间,具有较高的准确性,预测值与实际值的误差很小,可以将此模型应用于对高校毕业生就业能力的预测.     

基于BP神经网络在卷烟焦油预测中的应用

提出利用数值优化改进的BP算法建立卷烟焦油的预测模型,以卷烟常规化学成分总糖、总氮、总氯作为神经网络的输入,焦油作为输出,并将这些指标作归一化处理,然后通过教师样本数据对网络进行充分的训练,获得适宜的参数矩阵,最后用训练好的网络对检验样本数据进行预测,预测效果相当显著,相对偏差在-1.81%~1.31%之间。     

基于BP算法的神经网络用于教学质量评估

本文利用BP算法的前馈神经网络方法建立教学质量评估模型,通过MATLAB神经网络工具箱学习训练网络,经测试数据验证,结果比较准确,能克服各种人为因素,具有广泛的适用性.     

基于BP算法的神经网络用于教学质量评估

本文利用BP算法的前馈神经网络方法建立教学质量评估模型,通过MATLAB神经网络工具箱学习训练网络,经测试数据验证,结果比较准确,能克服各种人为因素,具有广泛的适用性。     

基于BP神经网络的厦门市房价预测

传统的房价预测方法主要是按时间序列进行的,而房价的走势除与历史房价有关外,还由人均居住使用面积、市区人口总数、人均可支配收入、人均消费性支出等多方面的因素决定。通过对影响厦门房价的多种因素进行分析,并预测这些数据的走势,利用BP神经网络进行仿真,得出厦门市房价的预测值,结果表明用此模型进行房价预测是十分精确的。     

基于动量BP算法的神经网络房价预测研究

房地产价格近年来持续上涨,对于房价趋势的预测成为经济社会热点,但这些预测大都停留在定性分析阶段。从定量分析的角度入手,提出利用加入动量因子的BP神经网络算法建立数学模型,运用Matlab仿真实现房价预测。详细分析了BP神经网络学习算法过程,并加入动量因子以加快收敛、避免陷入局部最优。以山东济南为例,分析得出影响房价的7大主要因素,搜集2000-2012年数据,运用Matlab建立单隐含层的BP神经网络,通过训练网络,预测2014年该市房产均价。实验结果表明,该方法能在有限的数据条件下,对房价预测精准度达99.1%,为我国房地产业的可持续发展提供了科学的咨询和决策手段。     

运用BP算法神经网络拟合传感器的输出特性

首先介绍了BP算法神经网络的基本原理，然后将BP算法神经网络应用于拟合传感器的输出特性，并在MATLAB下通过训练和仿真验证了应用BP算法神经网络拟合传感器的输出特性的优越性。     

神经网络的BP训练算法和遗传优化训练算法的对比研究

BP算法是人工神经网络的传统常用训练算法。遗传算法是一种新型的、随机性的、全局性的优化方法。基于MATLAB对比这两种训练方法的异同和优缺点,从而达到神经网络的最优化训练,充分发挥神经网络的作用。     

基于萤火虫——粒子群优化BP神经网络的变压器故障诊断研究

针对目前电力变压器故障诊断方法中存在的问题与不足,构建一种基于萤火虫—粒子群混合算法和改进BP算法的电力变压器BP神经网络故障诊断模型。采取萤火虫—粒子群混合算法优化BP神经网络结构初始参数,利用改进BP算法和电力变压器故障样本数据训练BP神经网络。通过对250组训练样本和50组测试样本的仿真分析,该故障诊断方法能有效快速识别变压器故障类别,准确迅速地诊断故障。实验结果证明所建立的变压器故障诊断BP神经网络模型具有可靠的故障预测效果。     

BP神经网络改进算法研究

通过分析标准BP算法的原理发现,BP标准算法所形成的误差曲面存在着饱和区域,并且在饱和区域,误差梯度变化缓慢,使得训练次数多、学习效率低、收敛速度慢。通过在标准BP算法中调整激活函数,可以缩小饱和区域,进而减少训练次数。实验结果表明,该方法有效地减少了BP算法的迭代次数。