專家與決策支持系統(tǒng)__第二章-資料下載頁
2025-02-26 16:46本頁面
【正文】 x x4分別為：良種面積、汗?jié)潮Ｊ彰娣e、化肥施用量、農藥用量。 預測 2023年總產量為 。 （ 2）生長曲線預測模型 預測 2023年總產量為 。多模型輔助決策支持 （ 3）時間趨勢預測模型 預測 2023年總產量為 。 （ 4）多元回歸預測模型 其中 x x x x t、 x6分別為：化肥、種子、水、種糧面積、時間、政策因素。 預測 2023年總產量為 。多模型輔助決策支持 （ 5）三次平滑預測模型 預測 2023年總產量 。 歸納各模型預測結果在如下范圍，即： 2023年糧食總產量： 14～ 。多模型輔助決策支持決策者分析影響糧食產量的主要因素（投入水平、科技水平、生產條件，并集體討論，共同決策該縣在 2023年預測值： 2023年糧食總產量為 15億斤。 多模型輔助決策支持 模型串行組合方案的決策支持書上實例（略）模型串并組合多模型輔助決策支持－神經網絡組合預測模型? 灰色預測模型：① 傳統(tǒng) GM(1,1)模型：適合對按等比遞增規(guī)律變化的序列進行建模；② 無偏 GM(1,1)模型：適合對指數序列進行建模；③ 改進的 GM(1,1)模型：多用在噪聲多、且精度要求較高的序列預測場合，但其計算代價要大得多。? 改進的 GM(1,1)模型的主要改進：① 選用 GaussLegendre求積公式和相鄰最近插值法求背景值；② 選用折扣最小一乘法和蟻群優(yōu)化算法來擬合參數。? 神經網絡預測模型：① MBP：計算代價小、無動態(tài)特性；② 標準 Elman：計算代價大、有動態(tài)特性；③ 改進 Elman ：計算代價小、有動態(tài)特性。? 改進 Elman的主要改進：① 在隱含層和輸出層單元的凈輸入中增加 增益因子，以便改變作用函數的陡度，在學習過程中，增益因子同權值或閾值一樣調整，從而實現算法收斂速度和精度的提高；② 采用 自適應學習率調整方案 ，提升網絡學習速度。：原始數據月份 費 用（千元） 月份費 用（千元） 月份費 用（千元）1 5 9 2 6 10 3 7 11 4 8 12 加大裝飾條檢測數量的費用：灰色預測模型預測結果效果指 標 GM1 GM2 GM3后 驗 差比 值 C 小 誤 差概率 P 模型精度等級 良差 優(yōu)相對殘差圖 ：神經網絡預測模型預測結果效果指 標 NN1NN2 NN3SSE 48216.17581MAE 234MAPE 711擬合效果圖 ：組合預測模型預測結果擬合效果圖 效果指 標 SSE MAE MAPE 不等系數 U 有效度 SGM3 NN3 CP0 演講完畢，謝謝觀看！
環(huán)評公示相關推薦
鄂ICP備17016276號-1