人工神经网络 matlab,Matlab关于人工神经网络在预测中的应用的论文（二）

四、灰色人工神经网络人口总量预测模型及应用

摘要：针对单一指标进行人口总量预测精度不高的问题，基于灰色系统理论和人工神经网络理论，用1990年至2004年中国人口总量序列建立并训练一个多指标的灰色人工神经网络人口总量预测模型。对2005年至2007年的人口总量进行检验性预测，结果表明灰色人工神经网络模型大大提高了预测精度。

关键词：人口总量；灰色系统；BP人工神经网络；灰色人工神经网络模型

引言：

本文从影响人口增长的诸多因素中筛选出6个主要因素，结合灰色系统思想与神经网络的优点建立了一个灰色人工神经网络(Grey Artificial Neural Network，GANN)预测模型，对每一个指标分别用GM(1，1)模型选择最佳的维数进行预测，再利用神经网络非线性映射的特性把这6个指标进行非线性组合得到人口总量的预测结果。该模型充分利用灰色系统弱化数据的随机性及其动态性和神经网络非线性映射的特性，发挥两者的优势，从而进一步提高预测精度。

中间内容省略~

结语：

由于传统遗传算法聚类算法本身的优点：在解决聚类问题上速度快、准确率高，加上免疫网络分类算法可以进行非监督学习，确定聚类数及聚类点，在实际聚类应用中有更广阔的适用性；在这种独特的聚类算法的基础上，结合粗糙集理论构建了一种图像分割算法；同时，通过实验证明该方法不但比传统的FCM算法聚类速度快，分割效果好，而且比文献[2]的分割准确度还要高。由于该方法有在聚类上的无教师监督的独特优点，并且通过对人脑MR图聚类和分割的两个实验，证明了该分割算法比以往分割算法在具体应用上都有一定的提高。

五、人工神经网络模型在研究生招生数量预测中的应用

摘要：研究生招生数量的确定涉国家政策、社会就业、人才需求、专业分布与需求等诸多因素，这些影响因素往往无法量化，而且各个影响因素之间关系错综复杂，简单的线性模型预测未来招生数量往往难以实现。尝试采用人工神经网络(BP2ANN)模型，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，通过对黑龙江省历年(1981—2004)研究生招生数量进行系统分析，建立了人工神经网络预测模型，并对未来3年的招生数量进行了预测，预测结果较好，为该方面研究提供了新的研究思路与研究方法。

关键词:黑龙江省;研究生招生;预测;人工神经网络模型

引言：

关于研究生招生数量的确定，涉及诸多因素，例如国家政策、社会就业、人才需求、专业分布与需求等等。这些影响因素往往无法量化，很难找出定量化的因素来进行分析，而这些因素又确确实实在很大程度上影响着研究生招生的数量及其分布。以往分析预测方法主要是确定性数学模型和随机统计方法，例如有限单元法、有限差分法、灰色理论建模、回归分析、谐波分析、时间序列分析、概率统计法等。这些方法多以线性理论为基础，考虑问题偏于简单化，导致预测精度不高。

本论文结合黑龙江省1981年—2004年的研究生招生规模，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，探讨应用一种改进的BP网络模型对未来3年黑龙江省研究生招生规模进行预测，为该方面研究提供新的研究思路与研究模式，并渴望为用人单位、科研院校提供制定长远发展与建设规划提供参考。

中间内容省略~

结语：

采用人工神经网络模型(BP2ANN)可以有效的处理黑龙江省研究生(硕士、博士)数量中涉及的人为、政策等随机因素、难以量化等因素的干扰，拟合精度非常高，预测精度也相对较高，为未来研究生招生规模提供科学理论依据，为该方面研究提供新的研究方法与研究思路。

六、基于RBF人工神经网络模型预测棉花耗水量

摘要：利用MATLAB工具箱，以平均气温、日照时数、平均风速为输入变量，建立了新疆石河子地区棉花耗水量的RBF人工神经网络预测系统，通过2008年实测数据的检验表明，此预测系统网络模型的绝对误差最大为0.0967mm/d、最小为0.0025mm/d、平均为0.0419mm/d，相对误差最大为2.6491%、最小为0.0341%、平均为0.8780%。可见，网络模型预测的准确度较高，较以往的线性模型更合理，并且此网络训练花费的时间仅需0.0780s，具有一定的实用价值。

关键词：预测；人工神经网络；径向基函数；棉花耗水量

引言：

计算机人工神经网络是20世纪80年代兴起的非线性科学，其在人工智能、自动控制和模式识别等领域取得了令人瞩目的成果。将神经网络应用于非线性系统的建模和预测，可以有效地描述问题本身具有的不确定.多输入等复杂非线性特性[5]。笔者以新疆石河子棉区为例，建立了基于RBF人工神经网络的作物耗水量预测模型，并通过田间实测资料对模型进行了检验。

中间内容省略~

结语：

(1)神经网络模型是用一系列的线性模型组合来逼近某一非线性关系，因此较以往的线性模型更合理。(2)此网络模型参数是在一定自然条件和农田管理水平下试验获得的，所以有一定的适用范围。神经网络模型中的参数没有具体的物理意义，不能反映出任何物理关系，这是此类模型的主要局限性。

[本帖最后由 kekywhlg 于 2009-7-30 20:41 编辑]