针对木门锁孔槽数控加工精度要求,从影响木门锁孔槽加工精度误差来源进行分析,热变形误差是影响机床加工精度的重要因素,利用热变形误差补偿来提高数控机床加工精度已成为现代高档数控机床必备的智能模块。采用BP神经网络算法对木门锁孔槽数控加工机床进行热误差建模的基本原理和方法研究,优化热误差补偿热关键点。研究表明BP神经网络算法建立的误差模型可获得热误差的最优解,能够满足木门锁孔槽加工机床的热误差补偿。

文章根据ARIMA时间序列模型和BP神经网络模型分别在处理线性空间预测问题和非线性空间预过测对问北题京中市的居优民势消,费建价立格了指一数种(C基PI于)B序P列神的经实网证络分误析差证校明正了的该差组分合自预回测归模移型动相平对均(于A单RI一MA预)测组模合型预在测C模PI型预,通测中的有效性,并利用该模型预测了未来一段时间北京市CPI的走势。

【目的】提出以传统猪瘟发病率为对象的组合预测模型。【方法】利用ARIMA模型以及灰色模型GM(1,1)进行数据初始化处理,将初步处理结果作为优化后的BP神经网络输入构建组合模型。【结果】利用组合模型对2000年到2009年的月度发病数据进行实例分析,结果表明预测数据精度达到97.379%,较ARIMA模型,灰色模型、BP神经网络模型分别提高了5.469%、3.499%、1.188%,模型平稳性增强,预测结果良好。【结论】本研究为动物疫情测报提供了有效的分析手段,验证了组合模型在动物疫情研究中的可行性,并可为其它动物疫病提供借鉴和参考。

文章介绍了模糊认知图的基本原理、推理机制及非线性赫布学习算法,然后综合考虑BP神经网络与基于非线性赫布学习算法的模糊认知图,提出了一个新的建模方案,并以股市股价预测问题为例对其进行了检验。研究结果表明:模糊认知图与BP神经网络方法的结合,不仅弥补了传统神经网络模型不具有解释性的缺陷,而且提高了模型的学习效率。

文章运用消除趋势波动分析方法(DFA),计算了全国GDP年度数据的标度指数。计算结果表明GDP时间序列具有持久性的长程相关,用已知的GDP值来预测未来一段时间内的GDP变化趋势是可行的,在此基础上,鉴于GDP预测的非线性、时变性和不确定性,利用人工神经网络自学习、自适应和非线性的特点,将经济变量数据归一化处理,建立BP神经网络预测模型。

文章应用GMDH方法来确定BP神经网络的输入指标,对传统的BP算法进行了改进,使得输入指标的选择能自动实现,减少了人为因素的干预。用改进后的BP神经网络对四川省的工业经济状况进行了评价,计算结果表明,训练后的神经网络模型能准确对经济状况进行评价分类,从而实现对经济的预警。

为了提高降水量预测的精度,采用BP神经网络与灰色模型相结合干旱预测的理论方法,研究数据的灰色建模与预测,再对模拟值与真值残差进行BP网络建模,利用残差模拟值修正总体降水量预测值,并对朝阳地区降水量进行预测。研究结果表明:BP神经网络与灰色模型预测相结合降水量平均预测误差为0.0799,比单纯用灰色模型预测误差降低0.1311,说明BP神经网络与灰色模型相结合的预测方法适合朝阳地区降水量的预测。

1.非线性经济建模基本思想 非线性建模与线性建模相比较,无论在思想上还是在方法上都有本质区别。非线性经济建模基本思想可概括为两个方面。一方面是研究非线性经济系统的动态演化行为,基于经济理论来设定某类模型(如生产函数、需求函数、多元线性模型、对数线性模型等),并假定模型正确,误差服从某类分布。建模时大量的精力

利用基于遗传算法的BP神经网络建立了一种供应商评价模型,实现了供应链中的供应商多指标评价,提高了供应商评价过程的客观性,同时克服了BP神经网络具有泛化能力较弱、较多的依赖初始值等缺点,该模型为供应商的评价研究提供了模型和方法的支撑。实证结果表明,该模型具有较强的自组织、自学习和自适应能力,模型评估结果比较客观合理。

通过审计意见预测模型的研究,可以帮助利益相关者根据上市公司、事务所、审计环境等相关数据推定注册会计师应当出具的审计意见类型,这对于优化证券市场资源配置和维护市场经济秩序具有重要意义。本文以我国2015～2017年间信息传输、软件和信息技术服务业A股上市公司为研究样本,从审计三方关系人的视角分析了审计意见的影响因素,并提出研究假设;随后建立了审计意见预测变量体系,运用因子分析法进行预测变量降维,并进行了Z-score数据标准化处理、SMOTE数据非平衡处理、审计意见数据的独热码转换;最后基于BP神经网络方法构建了多类别审计意见预测模型并进行检验。结果显示模型总体的平均预测准确率达到了90.7%,显示出了较为满意的预测效果。

为了研究BP神经网络改进学习算法的适用情况,通过对实际的4个应用运用BP神经网络的多种改进的学习算法进行训练,比较得到各学习算法的适用范围,并能根据所研究问题类型、网络大小和要求精度等来选择合适的学习算法。结果表明:LM算法逼近效果好,但不适合大规模网络,RPROP算法应用于模式识别收敛速度最快,但不太适合函数逼近,SCG算法对较大网络规模的性能很好,且逼近效果好。

文章提出一种量子BP网络模型及学习算法,模型基于量子学中一位相移门和两位受控非门的通用性,构造出一种量子神经元,由量子神经元构造出三层量子BP网络模型,基于梯度下降法构造了该模型学习算法。模拟油藏测井解释中测井曲线与水淹级别之间的映射关系计算时采用该模型及算法,实现了油藏测井解释中水淹层自动识别,实验结果表明该方法对解决水淹层识别问题具有良好的适应性和实用性。

文章参考相关研究成果,构建了SCM环境下供应商质量评价指标体系,在此基础上,利用BP神经网络对供应商质量空间进行实证研究,评价结果跟实际结论完全相符。

理论与实际相结合,应用神经网络技术,构建了一个基于BP神经网络技术的信用风险评价模型,对我国传统的信用风险分析方法进行改进,克服了以往我国信用风险度量中存在主观随意性的特点,为我国信用风险度量模型的建设拓宽了思路,丰富了我国信用风险体系建设中的度量方法。

目的】建立苹果原料制干适宜性评价模型,实现基于苹果原料指标预测干制品品质的目标,为苹果制干专用化原料的筛选提供方法依据,为明确苹果干制品品质形成的基础物质提供数据支持。【方法】以来自7个不同主产区的21个主栽品种,共34份苹果鲜果样本为研究对象,运用多种数据处理方法建立苹果脆片品质综合评价模型与苹果原料制干适宜性评价模型。(1)利用压差闪蒸干燥方法制备34份苹果鲜果的脆片样本,测定苹果脆片17项品质指标,采用因子分析进行降维并筛选得到苹果脆片品质评价核心指标,运用层次分析法得到脆片核心指标权重值,构建脆片品质综合评价模型并计算得到脆片综合评价得分。(2)测定34份苹果鲜果样本22项品质指标,与脆片核心指标进行相关性分析并筛选出与脆片品质相关的果实特征指标。选用29个样本以果实特征指标为输入,对应脆片综合评价得分为输出,利用误差反向传播(Error Back Propagation,BP)神经网络算法构建学习模型;其余5个样本为验证样本,评价学习模型的预测准确性。变换3组学习样本构建3个学习模型,对比3个模型的预测准确性,验证建模方法的合理性与稳定性。【结果】苹果脆片L*值、脆度、膨化度、可滴定酸含量、可溶性糖含量和粗蛋白含量被确定为不同样本脆片品质综合评价的核心指标,构建的苹果脆片品质综合评价模型为Y_(综合得分)=L*值×0.3724+脆度×0.2665+膨化度×0.1583+可滴定酸含量×0.0890+可溶性糖含量×0.0569+粗蛋白含量×0.0569。34个苹果鲜果样本制得的脆片综合得分范围为0.2069—0.7933,存在较大差异,得分排名前3的苹果样本为‘辽宁华红’‘辽宁华金’和‘山东烟富6号’,排名最后的苹果样本为‘陕西秦冠’。基于脆片核心指标与苹果果实品质指标相关性分析结果,筛选出苹果果实的果形指数、果肉a*值、pH、可滴定酸含量、Vc含量、果核比例、粗蛋白含量、果肉b*值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标作为果实制干适宜性评价的特征指标。以果实特征指标值为输入层,对应苹果脆片综合评分为输出层,建立BP神经网络学习模型,可实现苹果原料制干适宜性的定量预测。该方法建立的学习模型有较高的预测准确性与稳定性,变换学习样本得到的3个学习模型的预测值与实际值相对误差均不超过10%,实际值与模型预测值线性拟合后决定系数R~2均大于0.95。【结论】苹果制干适宜性可由果实的果形指数、果肉a*值、pH、可滴定酸含量、Vc含量、果核比例、粗蛋白含量、果肉b*值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标进行评价,建立的适宜性评价模型可实现基于苹果原料指标定量预测其制干适宜性。