共查询到16条相似文献，搜索用时 406 毫秒
1.
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
2.
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
3.
张宁 《福建工程学院学报》2017,(4):367-370
提出将一种进化的神经网络模型——极限学习机应用于短期电力负荷时间序列预测中,该方法具有模型参数设置少、训练速度快和良好的泛化能力等明显优点。通过实例分析表明该模型的预测精度要优于BP神经网络模型,同时也验证了该模型应用于短期负荷预测的有效性和可行性。 相似文献
4.
利用RBF神经网络构建销售预测模型 总被引：1，自引：0，他引：1
本文针对目前国内外应用较为广泛的传统销售预测模型和BP神经网络销售预测模型的缺陷，利用RBF神经网络构建了销售预测模型，并运用Matlab6．5编制了仿真程序。仿真结果表明：采用RBF神经网络进行销售预测在理论上和实践上都是可行的，该模型的估计精度比传统销售预测方法和BP神经网络所建立的模型的估算精度要高，且具有不会陷入局部最小点、学习收敛速度快、泛化能力强和适合动态建模等特点。 相似文献
5.
《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
6.
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
7.
随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题.通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究.并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度. 相似文献
8.
基于极限学习机（ELM）构建的大坝变形预测模型易受连接权值、隐含层阈值及隐含层节点数影响,为获取更优的形变预测值,并改善模型预测可靠性,构建一种基于 EMD-PSO-ELM 算法,考虑时效、温度、水位等多因素的大坝变形预测模型。该模型首先从时频分析出发,利用经验模态分解（EMD）将变形时间序列分解成具有不同频率特征的分量|然后利用 PSO-ELM 模型解求形变预测值,重构获得大坝形变趋势。实验结果表明,融合时效、温度、水位等多因素的 EMD-PSO-ELM 大坝变形预测模型残差均方根误差为 1.83mm,平均绝对误差为 1.57mm,平均绝对百分比误差为 1.79%,比 ELM 模型与 EMD-ELM 模型相关误差值更小,在大坝变形预测方面性能更优。 相似文献
9.
10.
李伟 《石家庄铁路职业技术学院学报》2012,(2)
为准确、快速、高效地预测电网短期负荷,提出改进的粒子群算法(DPSO),并与BP算法相结合,形成改进的粒子群—BP(DPSO-BP)神经网络算法,用此算法训练神经网络,实现神经网络参数优化,得到基于DPSO-BP算法的神经网络模型.算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力 相似文献
11.
建立高精度水量预测算法模型,有利于水资源充分利用。以北京市2002-2015年需水量为例,对数据进行相关性分析后选出主要影响因素,然后采用主成分回归法、逐步回归法、灰色模型以及BP神经网络共4种方法进行建模,并用北京市2016年和2017年数据进行模型精度验证。结果表明：4种方法都适合用于城市需水量预测,其中主成分分析和逐步回归分析两种方法主要考虑了多元线性回归存在多重共线性,但是逐步回归模型优于主成分回归模型。将4种模型进行对比验证,BP神经网络模型预测精度最高,平均相对误差达到0.79%,用来预测2016-2017年需水量,预测结果分别为38.66亿m3、39.49亿m3,适合作为城市需水量预测方法。 相似文献
12.
对产后粮食损耗进行分析与研究,调查获得10多个省份的粮食损耗问卷,对问卷进行统计分析得到影响损耗的各个因素变量,同时进行数据预处理作为模型数据集。最后,将该数据集应用于提出的RDPSO-BP模型中。将随机粒子群（RDPSO）算法与BP神经网络相结合,并优化神经网络参数,从而得到粮食产后储藏环节损耗率预测模型。通过MATLAB仿真实验,发现优化后的RDPSO-BP模型相比传统BP神经网络,具有更高的预测精度,训练与测试误差分别降低了0.041%和0.055%。因此,该模型能够更好地预测粮食产后储藏环节的损失率,在实际粮食损耗分析中具有重要作用。 相似文献
13.
因子分解机对特征各维度之间的一阶线性关系和二阶线性关系建模,在推荐系统中已有较多应用。神经因子分解机模型（NFM） 是因子分解机与神经网络的结合模型,它能捕获特征之间的高阶交互信息,使得模型预测效果更佳。但由于神经因子分解机模型一般都是采用全连接的前馈神经网络,使得整个推荐网络过于复杂,存在过拟合风险。为了降低神经因子分解机模型的整体复杂度,提高推荐模型的泛化性能,提出一种基于交叉网络的因子分解机模型（CFM）,降低模型复杂度,提高模型泛化性能。实验表明,该模型在数据集上的预测准确度为77%左右,相比NFM预测准确度提高了约2%,整体模型泛化性能也有所提高。 相似文献
14.
在分析灰色预测模型GM(1,1)以及BP神经网络预测模型2种单一模型在电力消费量预测方面不足的基础上,提出灰色神经网络组合预测模型。以河北省电力消费量为基础,分别用3种模型进行预测,并加以比较分析。结果表明,灰色神经网络组合模型提高了关于河北省中长期电力消费量的预测精度,对河北省未来电力系统及能源需求规划具有一定参考价值。 相似文献
15.
汽车保有量预测对城市交通的发展方向、城市交通的控制管理、城市道路的建设情况等都有直接的参考意义。本文通过分析影响城市汽车保有量的因素,通过参考部分参考文献,城区人口总数人均GDP、公路客运量等8个指标,首先采用主成分分析法将8个因素进行分析,然后建立BP神经网络模型对湖南省2006到2008年汽车保有量进行预测,预测结果分别为98.93万辆、122.18万辆、137.03万辆,与汽车保有量实际值94.64万辆、121.72万辆、142.67万辆很接近,预测精度比较高。这表明BP神经网络具有很强的学习与泛化能力,用于汽车保有量预测的可行性与有效性。 相似文献
16.
耿悦敏 《广东技术师范学院学报》2007,(10):28-30
传统的统计分析在小样本预测中的效果不佳,虽然神经网络一定程度上解决了传统方法所遇到的问题,但样本的数量又影响了神经网络的泛化能力,神经网络集成的方法较好地解决了这一问题.在运用智能计算技术建立BP网络的基础上,再利用Bagging算法构造神经网络的集成模型.用珠江三角洲天河水文站的数据进行训练和预测,结果表明,基于Bagging算法的神经网络集成的预测不仅解决了样本数据量少、偏差大、不确定性的问题,而且比单一神经网络具有更强的泛化能力,预测更为可靠. 相似文献