基于ARIMA-BP神经网络的船舶交通事故预测

为提高船舶交通事故的预测精度,提出将自回归综合移动平均(autoregressive integrated moving average, ARIMA)模型与BP神经网络组合的船舶交通事故预测方法。该方法考虑船舶交通事故的复杂性和非线性因素,充分结合ARIMA模型与BP神经网络的优势,分别从简单加权和残差优化角度对ARIMA模型与BP神经网络的不同组合方法进行比较研究,并将其应用于2000—2018年英国籍船舶交通事故预测中。结果表明:与ARIMA模型、BP神经网络和ARIMA-BP的简单加权组合预测方法进行对比,ARIMA-BP的残差优化组合预测方法的预测精度最高,其均方根误差、平均绝对误差和平均绝对百分比误差分别为7.16、6.0和4.9%。本文提出的船舶交通事故预测方法可以为相关人员的决策提供指导。     

多维时间序列的组合预测模型

由于时间序列在各领域的广泛应用,时间序列预测已经引起越来越多的关注,但关于多维时间序列的预测关注较少.然而,多维时间序列蕴含着丰富的信息.针对该问题,提出基于k近邻（k-nearest neighbor,k-NN）和BP神经网络的多维时间序列组合预测模型.首先分别采用k-NN和BP神经网络进行预测,得到对应的预测结果.然后使用BP神经网络进行非线性组合,得到最终的预测结果.实验表明,该预测模型优于k-NN和BP神经网络预测模型.     

基于PSO的BP神经网络-Markov船舶交通流量预测模型

为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。     

BP神经网络和多元回归方法在乒乓球技战术能力分析中的应用

运用BP神经网络和多元回归对优秀男子乒乓球运动员的技战术能力进行了分析,结果显示:(1)BP神经网络和多元回归构建的技战术能力模型都具有较高的拟合和预测效能,但BP神经网络在拟合和预测精度上优于多元回归;(2)优秀男子乒乓球运动员第一重要技战术能力为发抢能力,第二重要为发球轮相持能力和接抢能力,接发球轮相持为第四重要能力;(3)乒乓球运动员技战术能力间存在补偿效应,各种技战术水平组合的比赛评定总分大于13分即可获得比赛胜利.     

人工神经网络在经济预测中的应用

研究人工神经网络在经济预测中的应用问题,探讨人工神经网络的时间序列预测方法.该方法采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具,提出一种基于BP网络时序预测通用方法,并通过实例验证了该方法的预测精度明显高于灰色系统预测方法.为了消除单一神经网络预测模型的系统偏差,探讨组合神经网络时序预测方法,用实例验证了组合神经网络比单一神经网络的预测精度高.     

船舶交通量的BP神经网络-马尔科夫预测模型

为提高船舶交通量的预测精度,在BP神经网络的基础上结合马尔科夫预测模型建立一个新的预测模型.采用通过长江九江大桥的月度船舶交通量数据进行模型训练、验证和预测,求出相对残差值,将相对残差的前8项归一化后划分为3个状态,利用马尔科夫预测模型修正BP神经网络的预测值.该新模型将BP神经网络的相对残差值区间从[-12.9%,12.3%]降低至[-9.9%,5.4%].该模型能提高船舶交通量的预测精度,用于预测船舶交通量是可行的.     

基于BP神经网络与残差分析的船舶交通流量预测

为缓和神经网络对历史数据的"过拟合"与预测值"失真"的矛盾,设计一种基于BP神经网络与残差分析的非线性时间序列预测流程.从控制残差为正态分布、白噪声等方面入手,建立合适的人工神经网络,使其既能较好地拟合过去的样本,又可以得到符合未来趋势的预测结果.将该预测流程应用于长江九江大桥观测线船舶交通流量预测,预测效果证明该方法可行.     

面向三维信道幅值预测的自适应神经网络

针对在采用massive MIMO（multiple-input multiple-output）系统的5G网络规划中,使用传统的系统级仿真方法获得信道幅值的计算量和时间开销非常大的问题,提出一种基于BP（back propagation）神经网络的自适应神经网络来预测massive MIMO系统的信道幅值。自适应神经网络由基本BP子神经网络和特征降维BP子神经网络组成,可实现对给定训练集和预测集的自适应,基于用户射线追踪数据快速准确地预测用户的信道幅值。仿真结果表明,所提出的自适应神经网络在得到与系统级仿真方法精度接近的信道幅值的同时,可大幅降低获得信道幅值的时间开销;并且与采用传统BP神经网络相比,可以明显降低训练时间、预测误差大的用户数和平均预测误差。     

DELTA势阱改进QPSO优化BP算法及其应用

为了改进BP算法预测性能,提出QPSO-BP模型.该模型采用DELTA势阱改进的量子粒子群(QPSO)算法优化BP网络的权值与阈值,然后利用各年的GDP数据进行训练和预测.结果表明:经过DELTA势阱改进的QPSO优化BP算法模型比PSO-BP模型和BP神经网络更稳定,预测精度更高且泛化能力更强.与文献中所用模型的运算结果相比较,这种改进模型运算结果的相对误差和平均误差更小,在准确性上也有一定的优势.     

基于BP神经网络的城市货运生成预测模型

针对传统的货运生成模型处理非线性影响因素能力差的问题,运用BP神经网络建立城市货运生成多变量非线性预测模型。在对城市货运生成量影响因素进行分析的基础上,选取就业人数、地区GDP和消费品零售总额3个指标作为输入变量,以城市公路货运量和城市货运总量为输出变量,构建BP神经网络预测模型。该模型能揭示货运量与相关变量之间的非线性映射关系,在实证研究中取得了较理想的结果。通过实际货运量与BP神经网络预测结果的对比,验证了该模型在货运量预测方面的可行性。     

黄河三角洲土壤含盐量定量遥感反演

以黄河三角洲地区为实验区域,利用实测的土壤全盐含量数据,结合中国产的中巴地球资源卫星02B(CBERS-02B)多光谱遥感影像,分别应用传统的多元线性回归模型和BP人工神经网络模型,对其进行含盐量反演建模,并对2种模型的精度进行比较.实验表明,应用BP人工神经网络建模,明显改善了反演精度;且该反演模型更适宜于高盐度区域(全盐含量>1%)土壤含盐量反演制图,具有较好的应用前景.     

基于CBERS-1图像的干旱半干旱区土地利用分类

以中巴资源卫星CBERS 1图像数据为信息源,分别采用最大似然法、BP神经网络和Fuzzy ARTMAP神经网络 3种分类器,以位于干旱区的中国新疆石河子地区为例,进行了土地利用计算机自动分类。结果认为,3种方法中以Fuzzy ARTMAP神经网络法分类精度最高,分别比最大似然法和BP神经网络法提高了 10.69%和 6.84%。同时也证实了CBERS 1图像在土地利用调查中的实用性     

多种分类器在华北地区土地覆盖遥感分类中的性能评价

应用MODIS 250m分辨率遥感影像对中国华北地区分别采用最大似然法、Parzen窗、CART决策树、BP神经网络F、uzzy ARTMAP神经网络等5种分类方法进行区域尺度上土地覆盖制图的比较试验.结果表明:(1)Parzen窗法分类性能最优,CART和BP其次,Fuzzy ARTMAP表现较差.(2)CART决策树具有较好鲁棒性,但缺点是样本代价较大;BP神经网络分类器能达到较高精度,但缺点是需较高质量的样本、网络结构参数难以确定,造成其稳健性较差;FuzzyARTMAP则未能表现出理想结果.(3)训练样本数量差异造成:最大似然法的分类精度差异值低于5%;Parzen窗法和Fuzzy ARTMAP差异为5%～10%;CART和BP差异在10%以上。     

船舶交通流量预测的灰色神经网络模型

为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(BackPropagation,BP)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的.