简介：

简介：

简介：港口吞吐量预测是港口决策和规划的基础。为了合理预测港口吞吐量,本文利用外贸进出口总量、第一产业总产值和第三产业总产值作为BP神经网络的输入变量,港口吞吐量为输出变量,建立了港口吞吐量预测的BP神经网络预测模型。然后根据2000年-2010年广西北部湾港口吞吐量、外贸进出口总量、第一产业总产值和第三产业总产值,利用Matlab6.5软件的神经网络工具箱,通过对BP神经网络模型的反复训练,发现当隐含层节点数为6,学习率为0.05,训练次数为500次,训练精度为0.001,动力因子为0.9时得到的效果最好。并对BP神经网络模型与多元回归模型的预测结果进行比较分析,认为BP神经网络模型预测的总体效果更优。最后利用所确定的BP神经网络模型,对2011年和2012年两年的港口吞吐量进行了预测。

简介：摘要利用2008年1月1日至2012年12月31日逐日NCEP再分析资料（1×10）和大同地区地面常规观测资料，选取相邻两天的气象因子差值作为预报因子，相邻两天的日最高/最低气温的差值作为目标因子，分站点分月构建三层结构的日最高/最低BP神经网络模型，并应用独立样本进行模型检验，结果表明，该模型输出结果与实况拟合较好，且其对明显的升降温过程能够准确预报。在对ECMWF数值预报产品释用基础上，针对大同站2012年1月最高气温进行了24h、48h和72h模拟预测，结果显示，该BP神经网络预报模型各时效预报准确率TS评分均高于中央气象台MOS预报。

简介：为更好地预测城轨列车故障率,提出基于粒子群算法优化的BP神经网络（PSO-BP）的故障率预测模型,对城轨列车转向架轮对轴箱进行故障率预测。采用Matlab中的Newff函数,运用误差反向传播神经网络（BP）和粒子群算法优化的BP神经网络（PSO-BP）分别对城轨列车故障率预测、建模和仿真。结果表明PSO改进的BP神经网络故障率预测模型的效果明显优于传统BP神经网络预测模型。