神经网络建立预测模型,数学建模神经网络应用

关于数学建模预测类型的模型或者方法有哪些

预测未来油价改用什么数学建模模型

建议用BP神经网络，并且结合主成分分析法常见的神经网络结构。一些常用的方法，比如多元回归和时间序列方法构建价格预测模型，是一种典型的线性预测模型，能够预测价格变化的线性关系，对中长期预测具有一定的局限性。

神经网络是一种智能预测方法，需要对对象建立准确的数学模型，能够准确描述对象的特征，具有学习能力强、并行处理等特点，在复杂系统等领域的建模中得到了广泛的应用，也为石油价格预测提供了思路。

但是由于影响石油价格的因子比较多，且数据中含有噪声，直接采用神经网络学习收敛速度慢，且预测精度低，因此需要对石油价格影响因子预处理。

针对石油价格变化的特点，提出一种基于主成分分析和BP神经网络的石油价格预测模型。

该模型采用定性分析选择出影响因子，再利用主成分分析方法对石油价格影响因子进行筛选，选取最主要的几个影响因素，最后通过神经网络能够逼近非线性连续函数的能力对石油价格进行预测，从而实现了石油价格的准确预测。

价格的预测过程BP神经网络的预测过程如下：1、收集石油价格以及影响因子，并获取相关数据。2、对石油价格影响因子进行主成分分析，并筛选出贡献率大的主成分。3、将石油价格数据分为训练样本和预测样本。

4、采用BP神经网络对训练样本进行训练，并找出模型的最优参数。5、利用最有参数建立BP神经网络预测模型，对预测样本进行预测。

数学建模的方法有哪些？

。

预测模块：灰色预测、时间序列预测、神经网络预测、曲线拟合（线性回归）；归类判别：欧氏距离判别、fisher判别等；图论：最短路径求法 ；最优化：列方程组 用lindo或lingo软件解；其他方法：层次分析法马尔可夫链主成分析法等。

建模常用算法，仅供参考：蒙特卡罗算法（该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时间=可以通过模拟可以来检验自己模型的正确性，是比赛时必用的方法）。

数据拟合、参数估计、插值等数据处理算法（比赛中通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用Matlab作为工具）。

线性规划、整数规划、多元规划、二次规划等规划类问题（建模竞赛大多数问题属于最优化问题，很多时候这些问题可以用数学规划算法来描述，通常使用Lindo、Lingo软件实现）。

图论算法（这类算法可以分为很多种，包括最短路、网络流、二分图等算法，涉及到图论的问题可以用这些方法解决，需要认真准备）。

动态规划、回溯搜索、分治算法、分支定界等计算机算法（这些算法是算法设计中比较常用的方法，很多场合可以用到竞赛中）。

最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法（这些问题是用来解决一些较困难的最优化问题的算法，对于有些问题非常有帮助，但是算法的实现比较困难，需慎重使用）。

网格算法和穷举法（网格算法和穷举法都是暴力搜索最优点的算法，在很多竞赛题中有应用，当重点讨论模型本身而轻视算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具）。

一些连续离散化方法（很多问题都是实际来的，数据可以是连续的，而计算机只认的是离散的数据，因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的）。

数值分析算法（如果在比赛中采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用）。

图象处理算法（赛题中有一类问题与图形有关，即使与图形无关，论文中也应该要不乏图片的，这些图形如何展示以及如何处理就是需要解决的问题，通常使用Matlab进行处理）。

数学建模 有一种学派 叫神经网络派 无论什么问题

一种神经网络建模方法。属于智能信息处理技术领域。

基于结构风险最小化原则，结合合作协作进化算法，同时进行神经网络的网络结构和连接权值学习，最终得到网络结构和连接权值之间最优折衷，方法具体包括数据处理、网络学习和网络估计预测三个基本步骤。

同时进行网络结构和连接权值的学习，较好地解决了传统神经网络学习中存在的结果与初始值相关、收敛速度慢、易陷于局部最小值、误差函数必须可导、过学习等实际问题，提高了网络的学习能力和泛化能力。

可应用于心脏病智能诊断、工业领域中的故障诊断、软测量等，经济领域的股票价格预测、商品价格预测等。

数学建模里面有什么参赛人数预测模型？

这种问题一般都是用微分方程或差分方程来预测的。比如传染病模型，经济增长模型，人口模型等。

推荐你去看姜启源的《数学模型》如果有历年参赛人数的数据也可用时间序列分析，灰色理论和神经网络来预测未来的参赛人数。模型的检验一般用计算机仿真。

数学建模里面有什么参赛人数预测模型

并没有完完全全的参赛人数预测模型。但是有很多预测模型可以用于参赛人数的预测。现在比较常用的约车模型有：时间序列分析、灰色预测、马尔科夫预测以及用于预测的经典算法神经网络。

这些都有可能用于参赛人数的预测，主要需要看你的侧重点，选择适当的模型。

怎样学好数学建模

数学建模知识应该具备的数学基础有高等数学、线性代数、概率论与数理统计，在此基础上重点看一下运筹学的书籍。

当然，数学建模不仅仅是要求数学知识扎实，还需要参赛者广泛涉猎知识（包括物理、生物、心理学等），因为许多数学建模题目要求背景知识比较深，比如说12年MCMA题要求画出一棵树，这就需要参赛队员了解某类植物树叶生长具备的特点，涉及生物学知识；第二届MATHORCUP全球数学建模挑战赛A题也涉及到空气动力学知识。

因此，数学建模是以数学为基础，综合各门学科（涵盖自然科学和社会科学）的一项赛事。

具备上述基础知识以后，就着重看一些建模方面的书籍，如：赵静和但琦的《数学建模与数学实验》、姜启源和谢金星的《数学模型》、《运筹学》、肖华勇的《实用数学建模与软件应用》。

每一本书都有自己的特色，也没必要仔仔细细地把整本书都看完，甚至你可以只知道模型的大致步骤，真正用到的时候再翻书详细了解这个模型。

因为数学建模本身就是一个学习的过程，在短短3天时间里，将陌生的知识转化成自己的知识是具有挑战的，更何况还要对模型进行改进，但是正是这样，我们才能不断接触新知识，不断培养自己的学习能力。

熟悉模型之后，基本能够看懂大部分的优秀论文了。个人认为看一些“高教杯”特等奖论文及美赛Outstanding对自己思路、知识、写作能力提升非常快，这些论文一般逻辑性很强，层次感出众。

在欣赏优秀论文的过程中，还要注意模型的适用范围，举个例子来说，对于预测类的题目，比较常用的预测模型有时间序列模型、灰色预测模型、贝叶斯预测模型、神经网络预测模型等，这些模型并不是对所有的数据都是适的，有些模型需要先对数据进行剔除、平均等处理，这些细节需要特别注意，一旦不注意就会影响整篇论文的量。

上述三步进行之后，接下来就是实战演练了。参加完后主动找组委会要评语（因为那些评语里记录着你的不足，便于今后改正）。