共查询到20条相似文献，搜索用时 796 毫秒
1.
本文基于减肥这一实际问题，通过建立数学模型，探索如何才能健康、有效地减肥。分析了影响减肥的因素，建立了减肥演算的BP神经网络模型，运用动量梯度下降算法、L-M优化算法和贝叶斯正则化算法对减肥的过程进行了模拟和预测，并对影响网络收敛速度的因素做了探索，发现在减肥问题的应用方面，L-M优化算法模拙和预测效果最佳。 相似文献
2.
BP神经网络是一种使用非线性可导函数作为传递函数的前馈神经网络,具有较高的精确度,但过多的预测变量会影响BP神经网络的准确性。采用Logistic回归变量筛选方法能在一定程度上提高分类准确性,提高模型效率。对2013年沪深两市A股分类评级进行了研究,证明基于Logistic回归变量筛选的神经网络提高了两极类别分类的准确性。 相似文献
3.
文章针对随机混沌系统辨识引入贝叶斯正则化方法的BPNN模型,使神经网络具有自适应性和推广能力;并交替使用贝叶斯正则化算法和混沌退火算法对网络参数进行优化,使系统具有最佳参数．以Logistic系统为例进行仿真分析,结果表明辨识模型不仅能够拟合原混沌系统,而且训练后的网络对含噪声的随机混沌系统有很好的辨识能力,精度良好．为下一步的设计控制器对混沌系统进行控制消除混沌,奠定了良好的基础． 相似文献
4.
利用爬虫技术从中国种业大数据平台获取小麦特征信息数据集,采用手工结合计算机程序的方式处理数据.对处理后的数据使用传统机器学习中的支持向量机、朴素贝叶斯和深度学习中的BP神经网络方法,分别构建小麦抗寒性模型.实验结果表明,与传统机器学习的模型相比,BP神经网络在小麦抗寒性分类效果预测上表现的效果优、预测准确率高. 相似文献
5.
《石家庄学院学报》2016,(3):70-79
根据2012年中国大陆31个省区(不包括港、澳、台)旅游外汇收入的数据,以文献分析法,按影响中国省际旅游外汇收入的内在因素和外部条件两大方面确定14个主要影响因子,运用BP神经网络和多元线性回归分别进行建模,并且对比二者的拟合效果,结果表明:BP神经网络模型在旅游外汇收入中的预测是切实有效的,其误差率更低,非线性映射能力和稳定性都要优于多元线性回归模型,并且可以用于省级旅游外汇收入的时间和空间的混合预测.最后根据相关因子变化值带入BP神经网络模型,预测2015年中国大陆31个省级行政单位的旅游外汇收入,对BP神经网络的优越性进行多角度的说明. 相似文献
6.
高考命题中试题难度预测方法探索 总被引：1，自引：0，他引：1
运用命题教师主观评估、多元线性回归分析和BP神经网络建模三种预测方法,对高考命题过程中试题的难度进行预测,并对三种方法的预测性能进行比较.结果发现,三种预测方法均具有较高的预测准确度,其中,BP神经网络预测模型对试题难度的预测准确度相对更高,误差相对更小. 相似文献
7.
8.
《东南大学学报》2020,(2)
为了解决模型更新混合试验中BP神经网络算法泛化能力较差的问题,引入了一种新方法——AdaBoost回归树算法作为混合试验中的模型更新算法.在学习阶段,选择回归树作为弱回归模型进行训练,然后将多个弱回归模型集成为一个强回归模型,最后对训练结果进行表决输出.利用在线AdaBoost回归树算法和BP神经网络算法作为模型更新算法,对一个二自由度非线性结构进行了数值模拟.结果表明,在线AdaBoost回归树算法的预测精度比神经网络高48.3%,证实了AdaBoost回归树算法比BP神经网络算法具有更好的泛化能力,并且有效消除了权重初始化的影响,提高了混合试验中恢复力的预测精度. 相似文献
9.
煤与瓦斯突出是一种极其复杂的瓦斯动力灾害现象.以突出前兆的非线性特征值为输入值,基于BP神经网络的煤与瓦斯突出非线性预测模型,可以智能化定量判识煤与瓦斯突出危险.自适应学习速率法加快了网络收敛速度,该模型通过Matlab工具实现.实验结果表明,基于BP神经网络的预测模型可靠,预测精度高,效果良好. 相似文献
10.
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. 相似文献
11.
针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机（SVM）模型进行预测。针对SVM模型中参数难以确定的问题,采用粒子群（PSO）算法进行参数寻优,保证预测的精确度。将PSO—SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO—SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律。 相似文献
12.
网络安全状态数据具有数据量大、特征数目繁多以及连续型属性多等特点.态势预测问题可转化为海量数据的预测问题.以网络安全态势研究为应用背景,提出了一种基于改进的粒子群优化算法来优化反向传播神经网络的态势预测模型.利用IPSO内在的隐并行性和很好的全局寻优能力对BP网络的权值和阈值进行优化并建立预测模型对网络安全态势进行预测.仿真实验证明其改善了传统BP网络在预测应用中的不足,有效提高了态势预测的精准度. 相似文献
13.
城市工业废气排放量变化是非线性的,同时具有复杂的随机性和趋势性特点,传统单一预测模型难以对其变化规律进行准确表达,从而导致预测精度较低。为提高城市工业废气排放量的预测精度,提出了GM-BP组合模型。通过GM（1,1）模型对城市工业废气排放量变化趋势进行预测,然后运用BP神经网络模型对GM（1,1）模型的趋势预测值进行误差修正,以提高预测精度。对南京市2007～2010年城市工业废气排放量进行的仿真实验表明,GM-BP模型的预测精度较高,能够应用于城市工业废气排放量预测。 相似文献
14.
为了提高大坝变形分析模型的预测精度并检验模型的泛化能力,研究了大坝变形分析的BP神经网络模型,并基于神经网络BP算法和传统的统计模型建立了大坝变形分析的融合模型．结合陈村大坝多年的变形观测数据,对上述3种模型进行了试算及分析．分析结果表明,统计模型的平均预测精度为±0．477mm．BP神经网络模型的平均预测精度为±0．390mm,融合模型的平均预测精度为±0．318mm,相比统计模型和BP神经网络模型分别提高了33％和18％,且泛化能力较强,具有广泛的适用性． 相似文献
15.
由于BP网络存在学习效率低、收敛速度慢、易陷入局部极小状态、适应能力较差等缺点,而粒子群优化（PSO）算法的收敛速度快（尤其是在进化初始阶段）,运算简单、易于实现,又没有遗传算法的编解码和杂交、变异等复杂运算,因此是一种很好的优化算法。但是,PSO算法也存在不足,该算法进化后期存在速度变慢以及早熟的现象。提出一种改进的粒子群BP神经网络对高炉炉温进行预测。通过调整粒子群算法中学习因子的自适应能力,提高算法的收敛速度和搜索全局最优的能力。通过仿真结果说明改进的粒子群算法要优于BP算法和标准的粒子群算法。 相似文献
16.
建立有效的空气质量指数预测模型,可以为个人出行及相关部门治理大气污染提供指导。选取北京市的历史空气数据以及气象数据作为研究对象,建立基于BP（Back Propagation）神经网络和SVR（Support Vector Regression）支持向量机回归的BP-SVR组合预测模型。首先利用灰狼优化算法分别对BP模型和SVR模型参数进行寻优;然后运用该组合模型对空气质量指数进行预测。实验结果表明,BP-SVR模型的平均绝对百分误差、均方根误差、平均绝对误差均小于单一预测模型,分别为0.217 5、37.032 0、25.157 5。BP-SVR组合模型具有更高的预测精度,泛化能力更强,可以对空气质量指数进行有效预测。 相似文献
17.
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． 相似文献
18.
以结构为 3- 5 - 2的网络为例 ,对BP神经网络的稳定性、权值的收敛趋势、样本识别率和网络总误差对权值的影响等做了研究 ,结果表明系统总误差的减小会促使网络权值将向最优方向调整 ,但这种调整有一定极限 . 相似文献
19.
针对丁醇生产过程中发酵产物品质参量难以实时测量,现有测量方法精度不高、测量结果受不确定因素影响较大的问题,提出一种基于贝叶斯推断和支持向量回归（Support vector machine regression,SVR）的多层软测量建模方法。首先应用贝叶斯推断计算后验概率、筛选偏置数据,并对偏置数据校准,建立第一层SVR模型;然后利用贝叶斯推断进行二次校准,建立第二层SVR模型,对第一层SVR模型输出进行修正,得到最终预测结果,克服干扰和偏差引起的模型不准确问题。将基于贝叶斯推断的多层支持向量回归（Bi-SVR）预测模型应用于丁醇发酵过程,仿真及实验结果表明,相较于传统SVR预测模型,系统在低干扰的情况下预测精度提高了4.52%,在高干扰时预测精度提高了5.37%。 相似文献
20.
鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。 相似文献