基于灰色BP神经网络的实验材料供应预测

发布时间：2021-08-04 16:41

　　针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明:灰色BP网络模型将原有6-10-1的BP网络结构简化为3-6-1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。 

【文章来源】：国外电子测量技术. 2016,35(12)

【文章页数】：5 页

【文章目录】：
1 引言
2 实验器材需求量影响因子的灰关联分析
    2.1 灰关联系数的计算
    2.2 灰关联度的计算
    2.3 灰关联度排序
3 基于灰关联BP网络的实验材料需求预测模型的建立
    3.1 网络的拓补结构
    3.2 网络的训练结果与分析
4 仿真实验
5 结论


【参考文献】：
期刊论文
[1]主成分分析与BP网络结合的教学质量评价[J]. 胡帅,顾艳,曲巍巍.  自动化技术与应用. 2016(04)
[2]集成BP神经网络预测模型的研究与应用[J]. 赵会敏,雒江涛,杨军超,徐正,雷晓,罗林.  电信科学. 2016(02)
[3]基于PCA-BPNN的学生写作成绩预测模型研究[J]. 胡帅,顾艳,姜华,曲巍巍.  国外电子测量技术. 2015(12)
[4]基于灰色神经网络的战场态势分析及预测[J]. 王劲松,李宗育,隋雷.  电光与控制. 2015(12)
[5]遗传算法和神经网络结合的PSD非线性校正[J]. 刘春,马颖.  电子测量与仪器学报. 2015(08)
[6]基于预测模型的BPAdaboost算法改进[J]. 韩韬,陈晓辉.  桂林理工大学学报. 2014(03)
[7]基于BP神经网络的微量药品动态称重系统非线性补偿[J]. 庄育锋,胡晓瑾,翟宇.  仪器仪表学报. 2014(08)
[8]基于神经网络技术的实验器材保障应用研究[J]. 黄启来,汲万峰,赵明.  实验技术与管理. 2014(07)
[9]Data-driven Prognostics and Remaining Useful Life Estimation for Lithium-ion Battery: A Review[J]. LIU Datong,ZHOU Jianbao,PENG Yu.  Instrumentation. 2014(01)
[10]DGA与GRNN的联合变压器故障诊断研究[J]. 丁硕,常晓恒,巫庆辉,杨友林.  电子测量技术. 2014(05)



本文编号：3322046