基于GRNN的船舶阻力预测

文章通过介绍广义回归神经网络(GRNN)的原理及其非线性拟合的能力,建立了基于GRNN的船舶阻力预测模型。本文将该模型运用到Taylor系列船舶剩余阻力预测中,得出预测结果。通过与实际阻力比较,得出预测阻力的相对误差在5%之内的百分比为93.98%,最后本文通过预测插值后的数据,得出相对误差在5%以内占85.38%。由此可以看出,GRNN预测船舶阻力有很高的精度和较强的泛化能力,为船舶阻力的预测提供了一种简便的预测方法。     

采用GRNN模型进行交通量预测及实现研究

根据交通量形成的原因,分析了交通量和相关影响因素之间的关系以及交通量预测的特点,建立了交通量预测的广义回归神经网络(GRNN)模型。以某一公路交通吸引区1985~1995年的交通量和相关经济指标的历史统计数据作为学习样本,通过拟合训练和外推预测分析,验证了GRNN用于交通量预测的有效性。     

神经网络在机场物流预测中的应用研究

考虑到神经网络在机场物流预测应用的必要性及其优点，依据已有的内、外回归神经网络预测模型及其算法，利用它们的良好特性，提出了对角回归神经网络滚动预测模型及其机场流预测系统，突破了传统意义上进行机场流预测的局限性，经过实际运行检验，证明在机场物流中应用人工神经网络预测方法不仅可行，可且有更好的预测精度。     

基于遗传BP神经网络的城市物流需求量预测

结合遗传算法与BP神经网络算法预测城市物流需求量,通过算例对比证明了遗传BP神经网络算法在预测的精度与收敛速度上均优于单一算法.基于物流业的广泛性提出采用3种物流需求量作为网络的输出指标,提高了物流需求量预测的广度与可信度,并提出了一种连续预测未来数年物流需求量的方法以便于运用于实际决策之中.     

线性回归预测与控制在物流作业成本法中的应用

首先介绍了物流作业成本法，分析了物流成本的作业构成以及物流作业与物流成本的相关关系，引入线性回归预测与控制原理不定期预测物流作业成本和控制物流作业量，同时讨论了多作业物流作业成本的计算、预测和作业量的优化控制基本原理。通过实例验证了线性回归预测与控制原理对多作业物流作业成本的计算、预测和对作业量的优化控制的正确性，该原理对物流成本管理与决策具有一定的参考价值。     

广义回归神经网络在交通运输量预测中的应用

因为交通运输、地方经济及企业发展的紧密联系,交通运输量预测成为运输市场和经济发展研究中的一个重要问题。以影响交通运输量的若干重要参数作为样本数据,构建一个广义回归神经网络,经过学习训练后使之达到误差最小,再以此网络外推出未来的交通运输量。结果证明广义回归神经网络用于交通运输量预测的有效性。     

基于图形识别和GRNN网络的照明设计自动化系统

我国建筑照明设计主要采用利用系数法,因其计算相对复杂而在实际设计中需花费大量的计算时间,国内一些公司如苏州浩展软件股份有限公司采用人工框选房间尺寸、反复校验规范标准来实现照明设计,但误差较大。照明设计自动化系统运用平均积分投影函数和形态学操作提取建筑承重墙,再使用改进的种子填充算法识别普通墙体,能有效提取出所有墙体并提取出各房间的大小尺寸。其次提取Gabor特征并利用贝叶斯公式级联汉字粗分类与细分类的两级分类器可精确得到房间的类型和标高等房间参数。最后使用dialux采集房间中满足照明设计要求的布灯方案作为样本训练广义神经网络,采用4重交叉验证法优化光滑因子,优化过的GRNN网络有更高的识别率。经过案例仿真证明照明设计自动化系统能迅速自动得到符合规范的灯具布置方案。     

基于灰色-广义回归神经网络模型的城市群交通运输能力预测

城市群交通运输能力是构建国家综合立体交通网的战略基石。鉴于传统预测方法难以适应城市群交通运输能力影响因素众多且存在时变、耦合、不确定性强等特征,提出了一种灰色-广义回归神经网络的复合模型,以预测未来城市群交通运输能力。首先,选用LASSO算法筛选主要影响变量来降低数据复杂度,运用GM(1,1)模型弱化数据序列的随机性,预测影响变量时间序列的变化趋势,并填补数据缺失。然后,以2000—2019年京津冀城市群的数据集训练GRNN模型,根据GM(1,1)模型预测出的2020—2025年城市群交通运输能力影响因素,得出未来年份交通运输能力动态趋势。结果表明,复合预测模型精度优于传统方法,有效减少了小样本预测的不确定性。最后,结合预测结果分析了京津冀城市群核心区位城市的发展方向,为助力构建以城市群为重要抓手的新发展格局进行了前瞻性探讨。     

线性回归预测与控制在物流作业成本法中的应用

首先介绍了物流作业成本法,分析了物流成本的作业构成以及物流作业与物流成本的相关关系,引入线性回归预测与控制原理来预测物流作业成本和控制物流作业量.同时讨论了多作业物流作业成本的计算、预测和作业量的优化控制基本原理.通过实例验证了线性回归预测与控制原理对多作业物流作业成本的计算、预测和对作业量的优化控制的正确性,该原理对物流成本管理与决策具有一定的参考价值.     

基于小波网络的斜拉桥施工预测方法

阐述小波神经网络模型法的基本原理与程序实施步骤,探讨了斜拉桥施工监测数据与小波网络间的联系,建立了基于小波网络的斜拉桥施工控制预测模型.以工程实例为背景,对武汉天兴洲长江大桥实际监控数据进行预测分析.研究表明:小波网络预测值与实测值基本一致,其精度满足工程及其控制的要求.     

基于EKF的神经网络在网络流量预测中的应用

在网络资源有限的情况下,建立合理的网络流量预测模型,并根据其预测结果及时做出控制决策或调整措施,对网络性能和服务质量的提高均有重要意义.根据网络流量的时变、非线性特点建立一个时间相关的流量预测模型,预测和分析网络流量状况,并利用人工神经网络在非线性建模方面的优势,给出了基于EKF算法的前馈神经网络的结构设计及学习算法.最后在Matlab环境下使用该预测模型对网络流量进行了仿真,结果表明该模型具有较好的自适应性和较高的预测精度.     

基于BP神经网络的CBR预测方法研究

CBR值是表征路基填料强度的重要指标,其值测量的精确性和快速性,对于准确判断路基质量的好坏具有重要意义。现行土基现场CBR值试验存在离散性大,操作繁琐,耗时长等缺点,亟需寻找更加精确快捷的路基CBR值快速确定方法。BP神经网络可描述多个影响因素的内在非线性规律,可充分模拟CBR值受多因素交互作用的影响。因此,以Matlab为平台建立预测模型,探讨并研究BP神经网络模型下路基CBR值的快速预测方法 。     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

基于LVQ神经网络的交通拥堵预测研究

面对大量的交通参数数据,如何快速建立高效的分类预测模型以尽快地对拥堵状态进行判别是一个重要的问题。本文利用检测器提供的车速、流量和占有率等相关参数信息,提出了基于学习向量量化（LVQ）神经网络的交通拥堵预测模型．通过使用Matlab7．3数学软件的神经网络工具箱对该神经网络不断地训练,最终可以对道路正常状态和拥堵状态进行分类,通过交通流参数数据的输入预测出路段交通拥堵状况．最后,给出算例进行网络训练和测试,训练结果表明,运用该算法进行交通拥堵预测取得了良好的效果,具有一定的现实意义．     

基于神经网络的公交车辆行程时间预测模型研究

城市公交丰辆行程时间预测是公共交通信息服务和运营调度的重要内容,要求较高的实时性和准确性。本文以智能交通运输系统为背景,通过分析公交车辆的行驶特性,基于改进的神经网络模型,建立了公交车辆动态行程时间预测模型,并对比了三种不同输入变量方案的神经网络预测模型,表明该模型具有良好的适用性。此外,将该方法与卡尔曼滤波法的行程时间预测模型进行比较,结果表明,基于神经网络的动态行程时间预测模型精确度较高。     

基于灰色神经网络的点速度预测模型

为了克服交通流时空不稳定性导致的检测数据误差,提高预测点速度的精度,在比较传统灰色预测模型和反向(BP)神经网络预测模型优缺点的基础上,建立了灰色神经网络点速度预测模型.该模型综合了灰色预测模型所需数据少及神经网络具有的自学习和自适应能力的特点.以实测值作为输出数据,构建不同的灰色预测模型,将各灰色预测模型的预测结果作为BP神经网络训练的输入数据,得到最佳的预测模型.实例分析表明:与传统灰色理论及BP神经网络预测模型相比较,在20、40和60s采样间隔条件下,本文模型预测结果与实测值的相对误差平均减少了32％,为交通运行状态评价和行程时间预测提供了依据.     

Wavelet Neural Network Based Traffic Prediction for Next Generation Network

By using netflow traffic collecting technology, some traffic data for analysis are collected from a next generation network （NGN） operator. To build a wavelet basis neural network （NN）, the Sigmoid function is replaced with the wavelet in NN. Then the wavelet multiresolution analysis method is used to decompose the traffic signal, and the decomposed component sequences are employed to train the NN. By using the methods, an NGN traffic prediction model is built to predict one day＇s traffic. The experimental results show that the traffic prediction method of wavelet NN is more accurate than that without using wavelet in the NGN traffic forecasting.     

基于神经网络技术的石灰稳定土强度预估模型研究

土的成分与稳定土强度之间存在复杂的非线性关系,目前尚无数学模型来描述。在最佳石灰剂量和湿气养生条件下,建立了基于人工神经网络技术的土的成分－石灰稳定土强度模型,并以此模型进行了强度预估。     

基于神经网络的引线键合质量预测模型研究

针对引线键合质量与其影响参数之间存在非线性、强耦合关系的特点,提出一种基于弹性BP算法的BP神经网络引线键合质量预测模型.通过引线键合工艺过程的分析,提取了影响引线键合质量的工艺参数,采用BP神经网络结构,建立了引线键合质量预测模型.不同算法下的网络训练结果表明,弹性BP算法具有较快的收敛速度和较高的训练精度.仿真结果表明所建模型具有较高的预测精度,能够准确地反映键合质量综合指标的变化趋势.