基于空域相关的RBF神经网络混沌时间序列预测研究

与现有预测方法比较,神经网络在混沌时间序列预测中具有优势。利用RBF神经网络对混沌Lorenz时间序列的预测进行仿真研究,仿真结果表明：在单步直接预测、单步间接预测、多步直接预测和多步间接预测中,多步间接预测是其中最有效的方式。     

基于非线性时间序列分析的网络流量预测

通过对网络流量的准确预测,实现流量的宏观调控和自适应调节,可避免网络拥堵。传统方法对网络流量的预测采用线性信号分析方法,而忽略了网络流量的非线性耦合特性,对流量的预测精度不高。提出一种基于线性时间序列分析的网络流量预测算法。仿真实验表明,采用该算法进行网络流量预测,能有效提高预测精度,并具有较强的稳定性和抗干扰性,具有较好的应用价值。     

基于混沌时间序列的模糊神经网络预测研究

为研究混沌时间序列预测问题,提出了一种结合模糊神经网络的预测方法,对输入数据进行模糊规则提取,再经过优化得到最佳模糊规则库。通过神经网络的自适应学习能力调整隶属函数参数及网络权值等信息,对相关混沌时间序列进行预测。对Mackey-Glass系统及Lorenz系统进行仿真实验,结果证明了该系统的有效性。     

基于Elman神经网络的时间序列股票价格短期预测

Elman神经网络是一种典型的回归神经网络,比BP神经网络具有更强的计算和适应时变特性的能力,因而非常适用于预测股市这一类极其复杂的非线性动力学系统。文章给出一种基于Elman神经网络的股票市场建模、预测及决策方法,对浦发银行股价在时间序列上作了连续若干天的短期预测,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

基于TS-NN模型的道路交通车流量预测

针对现有的智能交通系统预测方法,基于道路交通的关键参数车流量预测,提出了一种基于深度学习的时间序列交通流预测方法,进一步提升道路交通车流量预测准确率。在对道路交通数据集进行清洗后,使用时间序列和神经网络的结合算法TS-NN 进行车流量预测,实验表明,在城市路段的预测中,TS-NN 相对时间序列模型ARIMA、神经网络模型LSTM 准确率分别提升了1.62%和2.13%?在高速公路数据集上测试上,TS-NN 有更加明显的改进,相对ARIMA、LSTM 分别提升了20.87%和3.53%,在一定程度上,TS-NN 算法确实有助于改进智能交通系统核心算法。     

基于RBF神经网络的电力系统短期负荷预测

电力负荷预测一直是电力系统的重要研究课题。在考虑天气状况因素的前提下,通过MATLAB软件实验平台,构建了一个RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差比较小,结果令人满意,证明了RBF神经网络在电力短期负荷预测领域的有效性和可行性。     

基于BP神经网络的芜湖市社会用电量预测研究

为通过社会用电量分析来反应经济状况,文章采用BP神经网络算法,首先对芜湖市近几年的社会用电量进行分析,再通过Matlab神经网络工具箱构建预测—时间序列模型,最后根据需求获得相应的预测数据。仿真试验表明,该模型找到一条函数曲线很好地拟合已知数据,同时顺利地预测未知数据,所提算法达到预期的效果。     

基于数据挖掘的计算机网络流量控制策略

高校管理者应从制度着手,合理进行网络使用引导,对各种网络流量控制策略进行合理微调与修正,从技术角度提升网络应用水平,为教学及应用体验提供良好的网络环境。     

神经网络在经济预测中的应用

对神经网络理论在时间序列建模和预测中的应用进行了探索．对基于ＢＰ网络及ＫＲＢＦ网络的预测模型进行了分析，并通过对股票价格序列模拟试验得出神经网络对非线性时间序列的预测较传统方法具有一定的优越性．同时神经网络预测模型具有自适应学习和并行处理功能，并可应用于多维时间序列．对经济预测具有重要意义     

流程工业中基于混沌时间序列的成本预测研究

针对流程工业中连续性生产过程的时间序列特点,采用基于混沌时间序列的Lyapunov指数计算和预测方法对成本进行了预测研究。     

基于模糊神经网络的数据挖掘技术的研究

简要叙述数据挖掘的概念及几种主要的数据挖掘方法,提出一种基于模糊神经网络的数据挖掘算法,把模糊理论和神经网络结合起来构造、训练模糊神经网络,弥补神经网络结构复杂、网络训练时间长、结果表示不易理解等不足。     

利用神经网络预测人口数量

利用先进的预测技术人工神经网络技术，根据襄樊市历年人口数量对襄樊市人口数量进行预测，为有关部门人口普查提供参考，预测结果证明该法较其他预测方法精度高且有效。     

基于神经网络的半导体压力传感器数据融合技术

针对半导体压力传感器数据融合问题，提出一种新的数据融合方法－神经网络法，实验结果表明，该方法具有实用、高效等特点。     

基于改进粒子群算法的神经网络在月降水预报中应用

针对粒子群算法易陷入局部最优和寻优精度比较低等缺点,提出一种基于随机惯性权重和异步变化策略的学习因子的粒子群算法优化神经网络连接权重和阈值,并以此建立月降水预报建模研究.以广西桂北地区的月降水量实例分析,并与标准粒子群优化神经网络模型、随机权重的粒子群神经网络模型和神经网络模型对比,结果表明,该方法学习能力强和预测精度高,是一种有效的建模预报方法.     

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     

基于复合模型理论的害虫测报方法研究

本文总结了害虫预测预报四个不同时期(经验预测、实验预测、统计预测及信息预测)常用的预测预报方法;概述了惯性原则下的害虫可预测预报科学依据,借助Logistic方程分析了害虫种群系统发生发展最终呈现混沌性的规律;根据害虫种群混沌系统中非线性及线性共存的特点,提出了害虫预测预报方法中运用复合模型理论的改进设想。     

基于人工神经网络的自适应系统研究

研究了人工神经网络技术在自适应系统的应用。在运用人工神经网络原理建立站点模型的基础上,提出一个应用贝叶斯网络技术的自适应系统框架模型。     

“市场调查与预测”教学模式初探

本文根据"市场调查与预测"的课程性质与特征,结合笔者的教学实践经验,对课程的教学改革思路与教学改革模式进行探索,并提出了教学改革与创新的具体措施。     

基于组合预测方法的网络舆情演变规律研究

针对目前网络舆情形成迅速、对社会影响巨大的情形,通过组合预测方法研究网络舆情的演化趋势并对其发展做出科学的预测,掌握其基本的变化规律,可以提早采取应对措施,对于及时应对网络突发的公共事件和全面掌握社会民情民意具有重大意义。     

一种BP网络的土壤电导率数据融合算法研究

根据各个传感器测量的农田土壤信息,设计一种基于BP神经网络的融合算法,建立合理的数据融合模型,仿真得到农田的精确信息,有针对性的投放农业生产资料,精确控制投放,以更好地实现耕地资源的合理高效利用和农业的现代化精准管理．