基于BP神经网络股价预测的一种改进方法

为提高神经网络经济预测的泛化能力,对神经网络预测数据处理方法进行了改进,把对数据的归一化变为对数据增长量的归一化,因而只要被预测的增长量不超过以往的历史数据增长量,则不会发生外延问题。根据这一思路,采用个股(中国石化)收盘价的数据,通过对收盘价的增长量进行了归一化,得到新的时间序列,将该时间序列视为一个从输入到输出的非线性映射,用BP神经网络进行非线性映射的逼近。对网络进行学习与训练的仿真试验后,预测结果与实际结果的比较说明,改进方法有效。     

农村电网中长期负荷改进灰色预测研究

农网中长期负荷预测在农村电网发展规划编制中占有重要地位,而其关键是数学模型的建立,灰色模型是一种较好的预测方法,但传统的灰色预测精度不够好。通过分析一种改进方法,即通过对原始数据进行开次方处理降低预测模型的模型系数,再对数据平滑处理生成新的数据序列进行灰色建模预测,基于重庆地区农村用电量的实际数据分析表明,本改进方法比以往方法较大地提高了预测精度,其中改进无偏灰色模型开二次方预测精度最高,未来数年的农村用电量预测结果可为编写农村发展规划提供重要的参考价值。     

农机产品寿命预测的基因表达式编程-滑动窗口算法研究

提出了一种用于农机寿命预测的改进的基因表达式编程-滑动窗口（Gene Expression Programming-sliding windows,GEP-SW）算法,该方法通过滑动窗口动态地获取进行寿命预测的有效试验数据,运用改进的基因表达式编程计算预测时段的寿命值与前一时段寿命数值的依存程度,通过依存程度加权和对寿命进行预测。实例表明,改进的GEP-SW算法在获得4个及以上数据后便可以建立模型,解决了传统方法需要大量试验数据才能建模的不足,是一个解决农机产品寿命预测问题的途径。     

灰色理论预测方法在地理学中的应用研究

介绍了灰色预测理论,针对地理学问题引入马尔可夫链修正GM（1,1）预测模型,并依据气象数据的特性对该模型进行改进,形成适应于气象数据预测的改进的等维无偏递补GM（1,1）马尔可夫预测模型。最后,以哈尔滨市气温和风力数据进行了模型预测验证。结果表明：利用改进的模型进行气象预测,效果令人满意。     

基于主成分分析和贝叶斯正则化BP神经网络的GDP预测

选用财政收入、财政支出、消费品零售总额、实际利用外资、进出口总额以及全社会固定资产投资等对GDP有显著影响的6个因子,用1985~2008年中国的宏观经济数据建立了一个基于主成分分析和贝叶斯正则化BP神经网络的预测模型,并把它应用于我国GDP的预测。实证结果表明：通过主成分分析法和贝叶斯正则化方法对BP神经网络进行改进,可简化网络结构,增强泛化能力。与其它常用的预测方法相比,该方法数据输入简便,收敛速度快,拟合曲线光滑,且在预测精度上有明显的优势。     

Elman神经网络在农网短期负荷预测中的应用

为提高负荷预测精度,更好地反映负荷的动态特性,提出了一种基于Elman神经网络的预测方法。先对负荷样本进行数据预处理,消除伪数据,然后把不同日各时刻的负荷序列作为样本,对未来时刻的负荷进行短期预测。预测实例表明,基于Elman神经网络的预测方法比基于BP神经网络的预测方法具有更好的预测效果。     

基于改进支持向量机的林业资金投资预测方法

针对林业资金投资变化的定量预测,提出一种基于改进支持向量机的预测方法.利用滑动时间窗口方法将历年林业资金投资数据构造成时间序列,将其做为数据样本集并由改进支持向量机加以训练以得到预测模型.通过某省近20年的林业资金投资数据实验验证了预测方法的有效性,实验结果表明:与传统预测方法相比,基于改进支持向量机的预测方法明显提高了投资变化预测精度.     

基于改进算法的灰色马尔科夫模型的建设用地预测

改进灰色系统理论GM（1,1）模型的算法,并且将改进后的灰色模型与马尔科夫模型结合。通过对灰色系统预测数据的修正,既发挥了灰色系统预测精确的特点,又利用了马尔科夫模型对预测波动性数据准确的优势。结合西安户县的实例,对在时间序列上展开的具有一定的波动性的建设用地数据进行预测,达到很高的预测精度。     

小波分解架构下降水量灰色预测方法研究

针对灰色模型在降水量预测中精度较低、稳定性差等问题,选取朝阳地区1996~2011年的降水量为试验数据,引入小波分析理论,对小波分解与灰色模型结合的方法进行研究,从而改进灰色模型的预测精度。运用小波强大的多分辨率分析能力,将降水量数据分解为不同的高频分量和低频分量,分别根据高、低频分量的不同特性选取不同的预测方法,对降水量低频部分进行灰色建模预测;降水量高频部分采用波形预测的方法进行预测,最后合成两部分预测结果。结果表明:低频分量数据的平均灰色模拟精度为0.066;高频分量数据的波形模拟精度为0.159,采用小波多分辨率分解与灰色预测模型相结合的预测方法结果比传统灰色预测精度提高53.4%。     

我国农村居民消费水平指数的预测分析——基于初值修正的改进GM(1,1)模型

我国农村居民消费水平指数受到很多因素的影响并且数据波动性较大,采用普通灰色预测模型很难准确地进行准确地预测,因此提出了基于初值修正的改进GM(1,1)模型。首先介绍了初值修正的改进GM(1,1)模型的建立方法与步骤;接着结合2007~2011年我国农村居民消费水平指数建立预测模型,并用2012年数据对模型进行验证为优,因此可以用来预测未来几年我国农村居民消费水平指数,便于对我国农村居民消费水平的宏观调控。结果表明该预测方法是可行的,为相关预测提供了理论依据。     

基于Elman神经网络的烤烟鲜烟叶含水量模型研究

在Matlab中利用ANN方法建立了鲜烟叶含水量Elman非线性动态预测数学模型,利用计算机视觉技术,选取在改进AHP法中占较大权重综合评判指标叶片宽、面积以及均值特征量,作为网络的输入,克服了用单一指标进行评判的缺陷,通过实验数据对Elman模型进行验证和误差分析,结果表明该含水量模型可对鲜烟叶含水量进行预测,预测精度大于90%,预测结果达到预期目标,在此基础上进行了含水量检测系统软件的开发。     

组合预测法在林分断面积生长预估中的应用

林分断面积生长模型的研究是林分因子建模中的主要对象,研究提高林分断面积生长模型的预测精度十分重要。组合预测法能够对不同模型的预测结果进行组合,把不同模型的预测误差分散化,从而提高预测精度。基于北京山区油松定期清查数据,根据残差的方差最小原则确定组合预测中各模型的权重,将单木水平预测所得的林分断面积与林分水平预测所得的断面积进行组合预测。结果表明:组合预测法预测林分断面积的精度比单一水平(单木水平、林分水平)预测的精度都高,同时组合预测法也改进了林分断面积预测模型的兼容性。     

环境监测中多传感器数据融合研究

[目的]针对环境监测中单一传感器测量数据精度低、可靠程度低的问题,本文提出在无线传感网络监测系统中,通过改进自适应加权融合算法并利用模糊神经网络算法实现多传感器数据融合,来提高环境监测的准确性。[方法]基于多传感器同一时段采集的数据,先采用欧式距离及相关函数改进的自适应加权算法进行同质传感器数据融合,再设计模糊神经网络分类器把异质传感器的数据转化为环境质量等级信息。[结果]仿真实验显示出本文提出的同质传感器数据融合算法融合精度较高于其他几种算法、模糊神经网络算法通过对350组训练样本的学习后能够对96%的验证样本的环境等级进行正确分类且预测曲线基本可以拟合实际输出。[结论]本文的同质传感器数据融合算法提高了数据融合精度,异质传感器数据融合算法能够对整体环境质量得出较可靠的评价。     

基于灰色系统理论改进模型的储罐腐蚀速率预测

采用灰色系统理论中灰色动态模型GM(1,1)的改进模型,对储罐实际统计的腐蚀速率数据进行灰色动态模拟,建立了相应的预测方程。对储罐罐顶、罐壁和罐底板的腐蚀速率进行预测,结果表明:预测值与实际值吻合较好,预测方程具有很高的稳定性和精确性。该预测方程可利用较少的实际数据进行储罐各部分未来任意时刻的腐蚀速率预测,从而为储罐的腐蚀防护和安全管理提供科学依据。     

改进遗传神经网络在甘蔗产量预测中的应用

传统甘蔗产量预测方法对外界多因素关联作用的农作物产量预测的难度大、精度差、准确度低,本文提出改进自适应交叉和变异算子的遗传BP算法,多元逐步回归简化BP网络的输入变量,应用改进的遗传BP算法策略,并以甘蔗产量实例数据进行了验证和分析,结果表明,改进的遗传BP算法总体效果最优.     

灰色-马尔科夫改进的土地利用变化模型研究

土地利用演变具有复杂性、非线性特征，其模拟预测的精度受到空间转换规则及数量预测约束的影响。针对经典数量预测马尔科夫模型存在忽视社会发展阶段性速率不同及灰色模型对随机波动性大的数据拟合效果较弱等不足，构建了基于灰色-马尔科夫改进的土地利用变化预测模型，以双鸭山市为案例区进行实例验证，结果显示，考虑社会因素影响的灰色-马尔科夫改进模型，能够反映社会发展等因素对土地变化的综合作用，预测趋势更加符合不同发展阶段用地规律，同时解决了社会经济类指标在土地利用变化模拟中难以空间化表达的问题；改进的灰色-马尔科夫模型能够发挥马尔科夫链处理数据波动的优点，降低传统灰色模型将土地随机变动数据视为干扰数据剔除进而产生的误差，有效提高数量预测模型的精度。进一步通过模拟验证表明，相比于传统马尔科夫模型，灰色-马尔科夫改进模型2020年模拟结果FoM精度提高了20.07%,证实通过数量预测方面的改进对于提升模拟精度有较为明显的正向推动。     

一种基于神经网络的土壤湿度预测方法

对土壤湿度进行的高质量时序预测对科学研究和农业生产实际都有重要的意义。利用无线传感器网络得到长时序观测数据,建立一种新的基于BP神经网络的土壤湿度时序预测方法。针对神经网络收敛速度慢、易陷入局部最优的问题,提出基于动量因子和自适应学习率的BP神经网络改进方法,并且利用粒子群算法优化BP神经网络的初始阈值和权值。针对标准粒子群算法(PSO)中惯性权重线性递减、学习因子取常数,而导致的PSO收敛速度慢、易错过全局最优解等问题,将迭代次数和适应度值相结合改进惯性权重和学习因子,有效提高算法找到全局最优解的速度。选取"渤海粮仓"山东试验区东营市垦利县20个观测站2013—2014年的时间序列观测数据,分别采用本研究提出的方法和其他4种方法进行预测,结果显示本研究提出的方法预测在预测精度、收敛速度方面都优于其他4种方法。     

Logistic方程统计建模及对红松单木生长的拟合

以多元统计分析原理与方法为工具,对Logistic方程进行建模,同时对初始预测值进行了加权修正,进一步完善了Logistic模型的拟合曲线,指出了以往对于初始预测值认识上的不足.而改进后的初始预测值会优化系统预测.本研究方法与以往的拟合方法相比,其优点是避免了某一个初始值对整个预测系统的影响,并把这种方法应用于红松单木...     

基于结构优化递归神经网络的网络流量预测

针对传统方法预测网络流量精度较低的问题,提出了一种基于改进双线性递归神经网络模型(BLRNN)的非线性网络流量预测方法.首先,给出了双线性递归神经网络的定义及网络结构描述;然后从网络结构和修剪过程两方面对双线性递归神经网络进行优化改进,采用遗传算法全局搜索进行修剪;最后,通过真实工况下的网络流量数据用仿真试验对模型性能进行分析.试验结果表明,优化后双线性递归神经网络模型大幅降低了算法复杂度,提高了计算效率,与传统的多层神经网络预测方法相比,该方法预测精度更高.同时,该方法也为其他具有相似特征的非线性预测问题提供了一种新的研究思路.     

垂直管气液两相流中压力降Orkiszewski预测模型的改进

与垂直管中气液两相流压力降的实验数据比较,Orkiszewski模型预测的压力降,其平均相对误差达到63.62%,最大相对误差达98.07%。针对Orkiszewski模型预测相对误差偏大的问题,首先介绍了实验数据的获取过程,然后结合实验数据,指出Orkiszewski模型对环雾流流型的预测误差较小,对段塞流流型和过渡流流型的预测误差偏大。对Orkiszewski模型的参数进行了敏感性分析,结果表明液体分布系数模型中的阈值是敏感性最强的参数。同时通过分析Orkiszewski模型的组成结构,指出段塞流流型中的液体分布系数计算公式复杂。为此,提出了一种新的液体分布系数阈值模型,得到了一种改进的Orkiszewski模型。实验数据的计算结果表明了改进模型的优越性,改进模型的预测平均相对误差降低到34.98%。针对油相连续且总流速达到3.048m/s的段塞流流型数据,改进模型的平均相对误差可以从原模型的76.17%降低为17.21%。