共查询到20条相似文献,搜索用时 515 毫秒
1.
2.
3.
对BP神经网络方法在股价预测中的应用进行了研究,对BP神经网络的结构进行了介绍。针对BP网络学习速度慢,采用弹性BP学习算法和tansig传递函数提高了收敛速度。在仿真过程中通过MATLAB编程实现了BP神经网络对中国石油近一年交易日的数据的训练和测试,获得了一定的预测精度,对BP算法和改进后的BP算法在预测股票中的收敛性能和拟合程度进行比较,并用训练好的BP网络股市预测模型来预测其股票数据,达到了预测效果。 相似文献
4.
基于灰色关联分析与主成分分析的BP网络模型及其应用研究 总被引:4,自引:0,他引:4
如何提高BP神经网络算法的预测精度与效率,始终是人们关注的一个重要问题。本文利用灰色关联度分析与主成分分析对BP神经网络的输入变量进行了预处理,提高了BP算法对于复杂经济问题的预测精度与效率。本文最后以中国房地产总量的预测问题为例,验证了模型的有效性。 相似文献
5.
《中国科技信息》2017,(22)
为了减少地铁车站设备故障导致的人员伤亡,本文提出了粒子群算法结合BP神经网络对屏蔽门系统的故障进行预测。利用BP神经网络结构作为粒子群算法的适应度函数对BP网络的权值与阈值进行优化。在确定神经网络结构之后,该模型以权值和阈值作为粒子,利用粒子群算法的寻找全局最优的思想为BP网络寻找最优权值和阈值。减少了BP神经网络的训练结果出现较大偏差的概率。该算法可以适用于地铁站内受多种不定因素影响的设备,本文采用屏蔽门系统故障较为频繁的门锁机构来分析模型,得到的预测结果相差不到一天范围内,因此该算法具有理想的预测精度。最后利用MATLAB仿真验证该算法的可用性。 相似文献
6.
7.
为克服传统方法的局限性,本文尝试以企业竞争情报内容和情报搜集活动过程作为情报搜集成本分析的基础,在此基础上引入BP神经网络进行预测,并用部分样本数据验证对比了线性回归分析法和BP神经网络的预测结果。验证结果表明,BP神经网络预测模型用于情报搜集成本的预测具有较高的预测精度。 相似文献
8.
9.
随着中国信用卡市场的急速发展,信用卡消费行为的风险评估已成为业界研究的一个重要方向.目前风险预测的研究常采用单一的BP神经网络算法,但该算法存在一些固有缺点,如易陷入局部极小点、收敛速度较慢等,这些缺点会影响风险预测的效果.针对单一BP神经网络算法的不足,提出了一种将BP神经网络算法与遗传算法相结合的混合算法,它以BP神经网络作为基础,利用遗传算法对BP神经网络进行优化,并通过数据集的实验证明该混合算法要优于单一BP神经网络算法,可以有效提高信用卡消费行为风险评估中的检测率和准确率. 相似文献
10.
11.
针对人脸识别问题,提出了一种新的算法。该算法利用融合的PCA和LDA算法进行特征提取,并使用蚁群优化的BP神经网络进行人脸识别。使用融合的PCA和LDA算法对特征向量进行提取压缩,为了提高BP神经网络对人脸的分类精度和减少训练时间,使用蚁群算法优化BP神经网络的初始参数,并使用优化后的BP神经网络进行训练和人脸识别。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。 相似文献
12.
改进的BP神经网络方法及其在农业商品总产值预测中的应用 总被引:2,自引:0,他引:2
针对BP神经网络应用中存在的训练时间长、收敛速度慢的问题,对常用的BP神经网络方法进行了改进,增加了数据前处理和后处理的过程。前处理过程是对BP神经网络的输入变量采用主成分分析法进行预处理,确定主要的影响因素,解决了神经网络训练时输入变量过多造成的效率下降问题;后处理过程是对训练结果采用回归和相关性分析的方法进行评价,验证了训练结果的精度。对农业商品总产值的预测结果表明.改进的BP神经网络方法能够提高神经网络的训练效率.并且达到了较高的预测精度。该方法适用于解决多因素预测的问题。 相似文献
13.
针对神经网络在非数学模型预测中所面临的3个主要问题,提出了一种基于BP_Adaboost算法的预测模型对燃气负荷进行短期预测。预测结果表明,该模型与BP神经网络相比,不但提高了预测精度和泛化能力,而且更能满足具有非线性、时变性和不确定性的负荷预测的需要,具有较好的应用前景。 相似文献
14.
15.
16.
影响住房需求的因素众多,错综复杂,并且具有非线性的特征。本文通过对住房需求影响因素的分析,用BP神网络来购建住房的需求模型。根据河南开封市的有关统计数据,用BP神经网络优化算法进行住房需求预测,并与多元回归测方法进行对比。结果表明,BP神经网络具有较好的适应性和较高的预测精度。 相似文献
17.
小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文分析了小波神经网络的特点,建立了电力负荷的小波神经网络预测模型,设计了小波神经网络结构,给出了小波网络参数调节算法。对实际电力负荷预测算例,以及与BP网络的对比研究实验表明,小波神经网络对非平稳信号能进行有效地预测,比BP神经网络具有更高的预测精度。 相似文献
18.
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. 相似文献
19.
基于QPSO灰色神经网络的基坑锚固荷载预测 总被引:1,自引:0,他引:1
《科技通报》2016,(1)
针对锚索锚固工程的复杂性,提出一种利用量子粒子群(QPSO)优化灰色神经网络的学习算法。在锚索荷载监测历史数据的基础上,将灰色预测残差值作为BP神经网络的输入,并用QPSO算法对常规灰色神经网络(GNN)的权值和阈值进行优化,构建了基于量子粒子群的灰色神经网络模型(QP-SO-GNN)。以某矿山深基坑支护为例,进行锚索荷载预测。结果表明:QPSO-GNN模型预测结果稳定,其模型精度和泛化能力均优于常规GNN,表明了该方法的有效性和可行性,可以为锚固设计提供一种切实可行的参考依据。 相似文献
20.
对影响电力负荷因素之间的非线性,有效提高电力负荷的预测精度,本文提出了一种最小二乘支持向量机(LSSVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据气象因素等作为输入,建立预测模型,对未来时刻电力负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并采用粒子群优化算法来优化最小二乘支持向量机的参数,旨在提高预测模型的训练预测精度。实际算例表明,使用PSO-LSSVM方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络和LSSVM方法的预测结果相比,所提出的PSO-LSSVM模型预测平均误差仅为0.85%,具有更高的精度,适用于电力负荷预测。 相似文献