本文關(guān)鍵詞：一種新型GRNN神經(jīng)網(wǎng)絡(luò)的制冷壓縮機(jī)銷售預(yù)測(cè)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著國(guó)內(nèi)食品冷凍行業(yè)的快速發(fā)展,制冷壓縮機(jī)的需求也隨之快速增加。如何快速有效的占領(lǐng)一個(gè)市場(chǎng)成為關(guān)鍵,但是對(duì)市場(chǎng)的占領(lǐng)不能單純的依靠個(gè)人經(jīng)驗(yàn)來(lái)預(yù)測(cè),而是要依靠科學(xué)有效的理論算法去預(yù)測(cè)。而有效的市場(chǎng)預(yù)測(cè)是建立在認(rèn)真研究各種市場(chǎng)因素的基礎(chǔ)上的。本文首先介紹了制冷壓縮機(jī)銷售預(yù)測(cè)的研究背景和研究意義,并分析了影響制冷壓縮機(jī)銷售的幾種因素。然后介紹了幾種常用的市場(chǎng)銷售預(yù)測(cè)算法,線性回歸預(yù)測(cè)算法,神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法等,并分析了各自的優(yōu)缺點(diǎn)。根據(jù)各種常見(jiàn)的預(yù)測(cè)算法的缺陷,本文提出了一種基于改進(jìn)遺傳算法優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized regression neural network,GRNN)預(yù)測(cè)算法,由于GRNN神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果只需要通過(guò)設(shè)置平滑因子來(lái)確定,因此該算法改進(jìn)遺傳優(yōu)化的方式,獲得性能最佳的GRNN神經(jīng)網(wǎng)絡(luò)。最后通過(guò)MATLAB仿真分析可知,本文所提出的算法具有較優(yōu)的精度和收斂性,通過(guò)對(duì)制冷壓縮機(jī)歷年銷售數(shù)據(jù)的訓(xùn)練,得到未來(lái)一段時(shí)間的市場(chǎng)預(yù)測(cè),整體誤差在5%以內(nèi)。
【關(guān)鍵詞】：遺傳優(yōu)化 模糊 GRNN 神經(jīng)網(wǎng)絡(luò) 銷售預(yù)測(cè)
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP183;F274;F426.6
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 緒論9-16
• 1.1 本課題研究背景和研究意義9-10
• 1.2 影響制冷壓縮機(jī)銷售狀況的因素分析10-12
• 1.3 銷售預(yù)測(cè)模型的國(guó)內(nèi)外研究現(xiàn)狀12-13
• 1.3.1 銷售預(yù)測(cè)模型國(guó)外研究12-13
• 1.3.2 銷售預(yù)測(cè)模型國(guó)內(nèi)研究13
• 1.4 制冷壓縮機(jī)的市場(chǎng)分析13-14
• 1.5 本文的主要研究工作和論文章節(jié)14-16
• 第二章 企業(yè)產(chǎn)品銷售預(yù)測(cè)相關(guān)理論16-26
• 2.1 基于時(shí)間序列的預(yù)測(cè)理論17-21
• 2.1.1 時(shí)間序列預(yù)測(cè)法的概念17
• 2.1.2 時(shí)間序列預(yù)測(cè)法的種類17-21
• 2.1.2.1 單指數(shù)平滑法17-18
• 2.1.2.2 線性指數(shù)平滑法18-19
• 2.1.2.3 季節(jié)性指數(shù)平滑法19-20
• 2.1.2.4 阻尼趨勢(shì)指數(shù)平滑法20-21
• 2.2 基于時(shí)間序列的數(shù)據(jù)挖掘預(yù)測(cè)模型21-23
• 2.3 人工神經(jīng)網(wǎng)絡(luò)23-24
• 2.4 各類預(yù)測(cè)算法的性能對(duì)比24-25
• 2.5 本章總結(jié)25-26
• 第三章 新型廣義回歸神經(jīng)網(wǎng)絡(luò)26-42
• 3.1 神經(jīng)網(wǎng)絡(luò)概述26-28
• 3.1.1 人工神經(jīng)網(wǎng)絡(luò)概述26-27
• 3.1.2 人工神經(jīng)網(wǎng)絡(luò)的基本特征27-28
• 3.2 廣義回歸神經(jīng)網(wǎng)絡(luò)28-32
• 3.2.1 廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)概述28
• 3.2.2 GRNN理論基礎(chǔ)28-30
• 3.2.3 GRNN的基本結(jié)構(gòu)30-31
• 3.2.4 GRNN存在的問(wèn)題31-32
• 3.3 一種基于改進(jìn)遺傳優(yōu)化的模糊GRNN神經(jīng)網(wǎng)絡(luò)32-41
• 3.3.1 模糊理論32-33
• 3.3.2 改進(jìn)遺傳算法33-38
• 3.3.2.1 傳統(tǒng)遺傳算法33-35
• 3.3.2.2 改進(jìn)遺傳算法35-36
• 3.3.2.3 基于改進(jìn)遺傳算法的GRNN平滑因子優(yōu)化36-38
• 3.3.3 新型GRNN神經(jīng)網(wǎng)絡(luò)38-41
• 3.4 本章總結(jié)41-42
• 第四章 基于新型GRNN網(wǎng)絡(luò)的預(yù)測(cè)模型仿真分析42-52
• 4.1 A公司制冷壓縮機(jī)銷售公司概況42-43
• 4.2 A公司制冷壓縮機(jī)銷售預(yù)測(cè)仿真和分析43-51
• 4.2.1 制冷壓縮機(jī)銷售數(shù)據(jù)樣本獲取和預(yù)處理43-45
• 4.2.2 制冷壓縮機(jī)的銷售預(yù)測(cè)45-49
• 4.2.3 改進(jìn)GRNN網(wǎng)絡(luò)和傳統(tǒng)預(yù)測(cè)算法的性能對(duì)比49-51
• 4.3 本章總結(jié)51-52
• 第五章 總結(jié)與展望52-54
• 5.1 本文總結(jié)52-53
• 5.2 未來(lái)展望53-54
• 參考文獻(xiàn)54-56
• 致謝56-57
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文57-58
• 附錄：歷年制冷壓縮機(jī)銷售數(shù)據(jù)58-59

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 王紅衛(wèi);林健良;;基于改進(jìn)的GRNN的銷量預(yù)測(cè)[J];計(jì)算機(jī)工程與科學(xué);2010年01期

2 劉遵雄;周天清;;基于奇異譜分析的GRNN模型在金融時(shí)間序列中的應(yīng)用[J];華東交通大學(xué)學(xué)報(bào);2011年02期

3 高凌琴;;基于GRNN的汽車保有量預(yù)測(cè)模型[J];山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

4 李益民;;基于GRNN的主要編組站辦理車輛數(shù)的預(yù)測(cè)[J];鐵道運(yùn)輸與經(jīng)濟(jì);2012年02期

5 丁碩;常曉恒;巫慶輝;;基于GRNN的霍爾式位移傳感器特性曲線擬合研究[J];電子測(cè)試;2014年01期

6 王琪潔;杜亞男;劉建;;Introducing atmospheric angular momentum into prediction of length of day change by generalized regression neural network model[J];Journal of Central South University;2014年04期

7 盧斌;慕亞茹;徐一秋;;基于GRNN的網(wǎng)絡(luò)出口流量預(yù)測(cè)[J];黑龍江科技信息;2008年13期

8 張坤;郁ng;李彤;;基于GRNN和混沌系統(tǒng)的數(shù)字圖像加密方法研究[J];計(jì)算機(jī)測(cè)量與控制;2010年09期

9 賀湘宇;何清華;蔣蘋(píng);何志勇;;基于動(dòng)態(tài)GRNN模型的挖掘機(jī)液壓系統(tǒng)故障檢測(cè)[J];中國(guó)工程機(jī)械學(xué)報(bào);2010年03期

10 牛東曉;劉達(dá);邢棉;;Electricity price forecasting using generalized regression neural network based on principal components analysis[J];Journal of Central South University of Technology;2008年S2期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 銀濤;俞集輝;;基于GRNN的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[A];第十屆全國(guó)電工數(shù)學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

2 Ziwen Leng;Junwei Gao;Yong Qin;Xin Liu;Jing Yin;;Short-term Forecasting Model of Traffic Flow Based on GRNN[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

3 陳其紅;闞樹(shù)林;秦臻;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的設(shè)備可靠性預(yù)測(cè)[A];2011年全國(guó)機(jī)械行業(yè)可靠性技術(shù)學(xué)術(shù)交流會(huì)暨第四屆可靠性工程分會(huì)第三次全體委員大會(huì)論文集[C];2011年

4 柴毅;凌睿;;基于參數(shù)優(yōu)化與GRNN逼近的非線性PID控制[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

5 徐中;張敬瑩;趙小波;;基于GRNN的粘彈材料阻尼性能的預(yù)測(cè)[A];第六屆中國(guó)功能材料及其應(yīng)用學(xué)術(shù)會(huì)議論文集（10）[C];2007年

6 王小輝;王琪潔;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)的日長(zhǎng)變化的高精度預(yù)報(bào)[A];中國(guó)天文學(xué)會(huì)2011年學(xué)術(shù)年會(huì)手冊(cè)[C];2011年

7 馬珊;龐永杰;張鐵棟;;基于GRNN的聲圖像特征研究[A];第十五屆中國(guó)海洋（岸）工程學(xué)術(shù)討論會(huì)論文集(上)[C];2011年

8 陳端;曹陽(yáng);梅一韜;仲云飛;吳邦彬;;GRNN神經(jīng)網(wǎng)絡(luò)在大壩滲流預(yù)測(cè)中的應(yīng)用[A];2012年中國(guó)水力發(fā)電工程學(xué)會(huì)大壩安全監(jiān)測(cè)專委會(huì)年會(huì)暨學(xué)術(shù)交流會(huì)論文集[C];2012年

9 李慧英;李曉奇;;旅游需求預(yù)測(cè)分析——對(duì)比GRNN與多元回歸分析方法的應(yīng)用[A];第四屆中國(guó)智能計(jì)算大會(huì)論文集[C];2010年

10 陳欣;肖建華;欒培賢;徐強(qiáng);王洪斌;;基于BP與GRNN神經(jīng)網(wǎng)絡(luò)的PRRS預(yù)測(cè)模型的研究[A];中國(guó)畜牧獸醫(yī)學(xué)會(huì)信息技術(shù)分會(huì)2012年學(xué)術(shù)研討會(huì)論文集[C];2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前6條

1 趙煥;輕涂紙涂布量測(cè)定方法的實(shí)驗(yàn)研究[D];天津科技大學(xué);2013年

2 董江偉;風(fēng)速相似性形態(tài)研究及其在短期風(fēng)速預(yù)測(cè)中的應(yīng)用[D];南京信息工程大學(xué);2016年

3 陳曦;基于ARCH-因子分析-GRNN組合技術(shù)的中國(guó)跨國(guó)公司匯率風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建[D];北京外國(guó)語(yǔ)大學(xué);2016年

4 張宇;一種新型GRNN神經(jīng)網(wǎng)絡(luò)的制冷壓縮機(jī)銷售預(yù)測(cè)研究[D];上海交通大學(xué);2015年

5 金帥軍;基于GRNN神經(jīng)網(wǎng)絡(luò)的農(nóng)作物蟲(chóng)害量預(yù)測(cè)系統(tǒng)設(shè)計(jì)[D];內(nèi)蒙古工業(yè)大學(xué);2013年

6 任茹香;基于GRNN的變權(quán)重組合預(yù)測(cè)模型在傳染病發(fā)病率預(yù)測(cè)中的應(yīng)用[D];浙江大學(xué);2011年

  本文關(guān)鍵詞：一種新型GRNN神經(jīng)網(wǎng)絡(luò)的制冷壓縮機(jī)銷售預(yù)測(cè)研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：427740