【摘要】：運用灰色關聯(lián)分析法對影響棉花價格波動的諸多因素進行分析,篩選出了4個主要的影響因素:國際市場因素、替代品因素、居民消費價格指數(shù)和棉花進口量。并以此優(yōu)化RBF神經(jīng)網(wǎng)絡模型的輸入節(jié)點,驗證了模型對棉花價格預測的精確性。采用2010年1月~2016年4月的月度數(shù)據(jù)作為網(wǎng)絡訓練集,將4個主要影響因素作為輸入向量,經(jīng)訓練后網(wǎng)絡擬合效果較好;以2016年5月~2017年4月共12期數(shù)據(jù)作為網(wǎng)絡測試集,結果表明:模型預測誤差為3.11%,預測精度較為理想,泛化能力強,模型能夠較好地把握棉花價格變化的本質(zhì)規(guī)律,為準確預測棉花市場價格提供參考。
[Abstract]:The grey relational analysis was used to analyze many factors affecting the fluctuation of cotton price, and four main influencing factors were selected: international market factor, substitute factor, consumer price index and cotton import quantity. The input nodes of the RBF neural network model are optimized to verify the accuracy of the model for cotton price prediction. The monthly data from January 2010 to April 2016 are used as the network training set, and the four main influencing factors are taken as input vectors. After training, the network fitting effect is better. Taking 12 periods of data from May 2016 to April 2017 as network test data, the results show that the prediction error of the model is 3.11, the prediction accuracy is ideal, the generalization ability is strong, and the model can better grasp the essential law of cotton price change. To provide a reference for accurate prediction of cotton market prices.
【作者單位】： 南京農(nóng)業(yè)大學工學院;
【基金】：中央高�；究蒲袠I(yè)務費南京農(nóng)業(yè)大學人文社會科學基金項目“江蘇省農(nóng)業(yè)機械化發(fā)展報告”(編號:SKZD2016003) 江蘇省農(nóng)機局委托項目“江蘇省農(nóng)機服務組織效率評價與比較研究”(編號:0602-67Q)的階段性研究成果
【分類號】：F323.7;TP183

【相似文獻】

相關期刊論文 前10條

1 張雅;向虎;郭芳瑞;張自亮;;RBF網(wǎng)絡模型參考自適應控制在溫度控制中的仿真研究[J];系統(tǒng)仿真學報;2008年02期

2 劉慧明;劉亮;董洪燦;;基于RBF網(wǎng)絡的模型參考自適應控制[J];青島科技大學學報(自然科學版);2008年01期

3 龍華;;基于免疫遺傳算法和梯度下降的RBF網(wǎng)組合訓練方法[J];計算機與現(xiàn)代化;2011年03期

4 楊胡萍;白慧;劉家學;張力;;基于改進RBF神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷預測[J];東華大學學報(自然科學版);2008年02期

5 滕利強;;基于RBF模糊神經(jīng)網(wǎng)絡控制器的設計及仿真[J];科技資訊;2011年09期

6 張曉亮;;一種改進的RBF網(wǎng)絡在電力系統(tǒng)短期負荷預測中的應用[J];煤礦機電;2008年03期

7 李強;田大林;夏迎迎;付煒;王亦飛;于遵宏;;新型兩段組合式氣化產(chǎn)氣熱值的RBF神經(jīng)網(wǎng)絡預測模型及遺傳算法優(yōu)化[J];計算機與應用化學;2008年10期

8 董輝;;基于優(yōu)化遺傳算法的灰色-RBF神經(jīng)網(wǎng)絡預測模型研究[J];新鄉(xiāng)學院學報(自然科學版);2012年03期

9 張菊香,邱陽;基于RBF網(wǎng)絡的有源噪聲控制[J];應用力學學報;2003年01期

10 周鵬;秦樹人;;基于切片譜RBF神經(jīng)網(wǎng)絡的旋轉(zhuǎn)機械故障診斷[J];中國機械工程;2008年12期

相關會議論文 前10條

1 張琳;李海森;;基于模糊聚類算法的RBF網(wǎng)絡在漏鋼預報中的應用[A];中國計量協(xié)會冶金分會2007年會論文集[C];2007年

2 宋宜斌;王培進;;一種改進的RBF神經(jīng)網(wǎng)絡預測模型[A];2005年中國智能自動化會議論文集[C];2005年

3 李亞芬;楊揚;;基于RBF網(wǎng)的CSTR內(nèi)模控制[A];第二十屆中國控制會議論文集（下）[C];2001年

4 徐中;辛志東;葉希貴;;基于RBF神經(jīng)網(wǎng)絡水處理系統(tǒng)建模與仿真[A];第六屆全國表面工程學術會議論文集[C];2006年

5 黃艷清;曹長修;孫圣軍;;基于自反饋RBF神經(jīng)網(wǎng)絡的高爐熱狀態(tài)預測模型[A];冶金企業(yè)自動化、信息化與創(chuàng)新——全國冶金自動化信息網(wǎng)建網(wǎng)30周年論文集[C];2007年

6 呂強;郝繼紅;段運波;許耀銘;;基于RBF網(wǎng)絡的非線性系統(tǒng)輸出跟蹤控制[A];1994中國控制與決策學術年會論文集[C];1994年

7 周鵬;楊鑄;;基于一種自適應非正交新型聚類算法的RBF神經(jīng)網(wǎng)絡混沌時間序列預測[A];第十七屆全國青年通信學術年會論文集[C];2012年

8 劉偉;王科俊;姚杰;;基于RBF神經(jīng)網(wǎng)絡采用混合粒子群優(yōu)化的電力負荷短期預測[A];2007年中國智能自動化會議論文集[C];2007年

9 由偉;劉亞秀;;基于血液中微量元素含量的RBF型神經(jīng)網(wǎng)絡對冠心病患者的識別[A];第十五屆全國分子光譜學術報告會論文集[C];2008年

10 孫好章;劉國棟;;機械手軌跡的模糊RBF神經(jīng)網(wǎng)絡控制[A];2007中國控制與決策學術年會論文集[C];2007年

相關碩士學位論文 前10條

1 杜盟盟;基于RBF神經(jīng)網(wǎng)絡的機械手軌跡跟蹤控制方法研究[D];河南科技大學;2015年

2 張力;基于RBF神經(jīng)網(wǎng)絡和標簽關聯(lián)的多標簽學習[D];東南大學;2016年

3 邱龍;導向鉆井穩(wěn)定平臺RBF-滑模變結構控制[D];西安石油大學;2016年

4 高彥荷;基于混合遞階遺傳算法的RBF神經(jīng)網(wǎng)絡優(yōu)化及應用[D];四川大學;2004年

5 劉亦青;類RBF人工神經(jīng)網(wǎng)絡算法研究及硬件實現(xiàn)[D];北京建筑大學;2013年

6 孟萌萌;基于RBF神經(jīng)網(wǎng)絡短期熱網(wǎng)負荷預測研究[D];哈爾濱工業(yè)大學;2013年

7 劉婧;基于BP、RBF及GAAA-RBF神經(jīng)網(wǎng)絡的工程估價方法[D];華僑大學;2013年

8 李書玲;改進型RBF神經(jīng)網(wǎng)絡的多標簽算法研究[D];華中師范大學;2014年

9 劉曉剛;群體智能算法在RBF神經(jīng)網(wǎng)絡中的應用[D];青島大學;2008年

10 李琳;基于RBF神經(jīng)網(wǎng)絡無刷直流電機控制系統(tǒng)的基礎研究[D];安徽理工大學;2015年

，

本文編號：2387257