导读:本文包含了回归模型预测法论文开题报告文献综述及选题提纲参考文献，主要关键词:BP神经网络,回归,预测模型,预测效果
回归模型预测法论文文献综述
何国民[1]（2019）在《BP神经网络预测模型与回归预测模型预测效果比较研究》一文中研究指出研究目的:预测是指在掌握客观对象已知信息的基础上,依照一定的方法与规律对事物的未知信息进行估计与测算。预测时所使用的预测模型多种多样,各种预测模型的预测效果如何,是应用中选择预测模型的重要依据,BP神经网络预测模型、回归预测模型是最为常用的预测模型,本文将对两者的预测原理、实际预测效果进行比较,为预测模型选择提供依据。研究方法:文献资料法、比较分析法、逻辑分析法研究结果:1)BP神经网络预测模型与回归预测模型预测原理比较从预测原理上来看,两个预测模型的区别在于:回归预测模型需人为选择被预测变量与预测变量间的函数形式,函数形式的选择直接影响模型的预测效果。而BP神经网络预测模型则不需人为选择函数形式,它是通过网络的自学习能力,建立预测变量到被预测变量的非线性映射。从BP神经网络预测模型的原理来看,只要建模样本有足够的代表性,利用网络自身的学习功能,可以得到一个预测效果比较好的预测模型。而回归预测模型,除了建模型数据要有代表性外,还需在众多的函数形式中选择一个合适的函数形式,这是一项非常困难的工作,特别是预测变量是多个的时候,更难于确定被预测变量与预测变量间的函数形式,实际运用中,往往使用较为简单的多元线性回归模型作为预测模型,这样就使得预测效果大打折扣。因此,从两个模型的预测原理上来看,BP神经网络预测模型要优于回归预测模型。2)BP神经网络预测模型与回归预测模型预测效果的比较(1)建模型数据。测得27名成年男子的体脂率(Y)、BMI(X1)、胸围(X2)、腰围(X3)、臀围(X4)等指标数据,用其中22个样品作为建模样本,用于建立预测模型,5个样品作为验证样品,用于验证所建预测模型的预测效果。(2)建立回归预测模型。以体脂率为因变量,BMI、胸围、腰围、臀围为自变量,建立对体脂率进行预测的多元线性回归模型,回归分析要求如下:自变量选取方法:逐步回归法变量进入回归方程的标准为:相伴概率≤0.1,变量被剔除回归方程的标准为:相伴概率≥0.15得到回归方程:体脂率=-38.119+0.361×胸围+0.298×腰围(3)建立BP神经网络预测模型。设计如下BP神经网络网络层数:包含1个隐含层的叁层网络。各层神经元数:输入层神经元数为2,隐含层神经元数为12,输出层神经元数为1。传输函数:隐含层选用双曲正切S形函数(tansig),输出层选用纯线性函数(purelin)。网络训练函数:选用动量BP算法函数(traingdm)用Matlab2016a实现上述神经网络,用建模样本对建立的BP神经网络进行训练,得到满足精度要求的网络,训练时应达到的精度设为0.0001,最大迭代次数设为50000。(4)BP神经网络预测模型与回归预测模型预测效果分析。用回归分析所得到的回归方程、训练好的BP神经网络对建模型样本、验证样本的体脂率进行预测,得到各样品的预测值。称预测值与实际值之差为残差,残差的标准差、极差大小反映了预测的精度,是衡量预测模型预测效果的重要标准。用建立的回归预测模型对建模样本进行预测,残差的极差为12.356,标准差为2.858,对验证样本进行预测,残差的极差为3.432,标准差为1.462。用建立的BP神经网络预测模型对建模样本进行预测,残差的极差为3.665,标准差为0.730,对验证样本进行预测,残差的极差为3.387,标准差为1.407。不管是对建模样本的预测,还是对验证样本的预测,BP神经网络预测模型残差的极差、标准差都比回归预测模型的小,这说明BP神经网络预测模型的预测效果比回归预测模型的预测效果要好。研究结论:在预测原理方面,回归预测模型需人为选择被预测变量与预测变量间的函数形式,而BP神经网络预测模型则不需人为选择函数形式,在多变量的情况下,这是一件非常困难的工作,实践中往往使用较为简单的多元线性回归模型作为预测模型,这就使得预测效果大打折扣,因此从理论上说,BP神经网络预测模型要优于回归预测模型。在实际预测效果方面,通过一个实际预测实例,对两者的预测效果进行了对比,结果表明,不管是对建模样本的预测,还是对验证样本的预测,BP神经网络预测模型残差的极差、标准差都比回归预测模型的小,这说明BP神经网络预测模型的预测效果比回归预测模型的预测效果要好。(本文来源于《第十一届全国体育科学大会论文摘要汇编》期刊2019-11-01）
李小菊,姚昆,宋云龙,代君雨[2]（2019）在《基于Pyrosim的小半径UTLT曲率对火场能见度影响回归模型预测分析》一文中研究指出以某UTLT类小半径环道为例,着重探究环道曲率对火源附近能见度影响,并预测其回归模型;首先基于Pyrosim模拟不同曲率火场能见度变化情况,并通过SPSS软件对模拟数据进行多元回归分析,最终得出小半径UTLT环道曲率对火源附近能见度影响预测模型。通过对模拟数据及预测回归模型进行分析与检验表明,预测模型可行且曲率与小半径环道能见度呈负相关性,研究结果可为UTLT类小半径环道防排烟设计及人员快速疏散提供理论指导,同时可为类似曲线隧道通风及曲率设计提供参考。(本文来源于《工业安全与环保》期刊2019年08期）
虞瑾,王艳,曾晓莉,江一巍,张皓[3]（2019）在《采用自回归移动平均模型预测上海市学生龋患率》一文中研究指出目的研究上海市学生年龋患率的趋势性和季节性,探讨整合自回归移动平均模型(ARIMA)预测本市学生年龋患率的效果。方法收集1978年～2016年上海市学生龋患率,进行时间序列分析。数据来源于上海市学生龋患的监测数据。观察本市学生龋患率的趋势性和季节性,以1978年～2016年龋患率为训练样本,拟合ARIMA模型并进行验证,确定最优模型后,预测2017年～2022年上海市学生龋患率。结果 1978年～2016年上海市学生龋患率不平稳,序列无线性趋势,有周期性(周期长度为9年)。拟合模型ARIMA(2,0,2)(0,0,0)9为最优模型(AIC=221.06),系数项均有统计学意义。运用模型对2017年~2022年上海市学生龋患率进行预测,其预测值分别为36.54%、39.48%、41.87%、40.55%、39.48%和41.48%。结论上海市学生龋患率有着周期特征(s=9),无线性趋势。模型拟合精度较高,可以用来预测本市学生龋患率。(本文来源于《2019年中华口腔医学会口腔预防医学专业委员会第十九次全国学术年会资料汇编》期刊2019-07-24）
赵飞,施发垦,陈利[4]（2019）在《基于BP神经网络和Logistic回归分析的沥青路面平整度模型预测》一文中研究指出为了解决国际平整度指数IRI预测模型准确性不高等问题,以路面长期性能(LTPP)数据库实测数据为基础,采用机器学习中BP神经网络建模方法对提取出的数据进行预测分析,并与传统的Logistic回归分析结果做评估对比。分析结果表明,利用传统的Logistic方法和BP神经网络得出的复判定系数分别为0.731、0.876,说明采用的BP神经网络平整度预测模型具有较高效率和预测精度以及较低的复杂度,能够有效评价路面使用性能。(本文来源于《筑路机械与施工机械化》期刊2019年07期）
陈军[5]（2019）在《Eviews软件在一元线性回归模型预测中的几种应用》一文中研究指出预测是回归模型的主要用途之一,一般会以点估计和区间估计的计算公式求得线性回归模型的预测结果。由于计算量相对较大,特别是多元线性情况下,计算变得十分困难,借助Eviews软件可使预测简化便捷。以一元线性回归模型为例,介绍Eviews软件在单方程模型预测中的几种应用。同时,Eviews软件还提供了一系列预测评价指标,可以对模型的预测精度进行度量。(本文来源于《佛山科学技术学院学报(自然科学版)》期刊2019年03期）
李盛,王宇红,王金玉,冯亚莉,李普[6]（2019）在《应用自回归移动平均模型乘积季节模型预测兰州市水相关疾病发病情况》一文中研究指出目的探讨自回归移动平均模型(autoregressive integrated moving average model,ARIMA)乘积季节模型在水相关疾病发病率发病趋势预测中的应用,对兰州市水相关疾病发病情况进行预测。方法收集2006年1月—2014年12月水相关疾病发病率数据,利用R软件构建ARIMA乘积季节模型,利用2015—2017年实际发病率与模型拟合数据比较,评价模型的预测性能,并预测2015—2017年水相关疾病的发病率。结果在水相关疾病预测中建立ARIMA(2,0,1)×(2,0,0)_(12)乘积季节模型,Ljung-Box检验差异无统计学意义(Q=18.64,P=0.824),2015年—2017年兰州市常见水相关疾病实际发病率均在预测结果95%可信区间内,平均预测相对误差为5%。结论 ARIMA乘积季节模型可以较好的预测兰州市水相关疾病发病率的变化趋势,能够运用于水相关疾病发病趋势的预测及预警,为防控措施的制定提供参考。(本文来源于《环境卫生学杂志》期刊2019年02期）
陈晓文,陈曦,李函章,王世缘,王吉喆[7]（2019）在《基于罗杰斯特回归分类模型预测药物副作用》一文中研究指出目的探讨药物副作用发生相关的药物-靶蛋白子结构对。方法从DrugBank,Kinase Knowledgebase,PDSP Ki,Matador 4个药物信息数据库中获得药物-靶点互作关系对做作为参考集,利用朴素贝叶斯算法预测副作用相关的药物靶点。在Pubchem和Pfam数据库中分别获得药物的子结构fingerprint和蛋白质靶点的子结构结构域并将其两两配对,组成药物-蛋白质子结构对,将其作为特征构建二元罗杰斯特回归模型预测药物的副作用。最后,对模型进行了特征选择优化和多倍交叉验证,应用ROC曲线下面积(AUC)进行效能评价。结果罗杰斯特回归方法成功地应用于肾衰竭,其AUC值为0.80。与支持向量的方法比较,本方法获得了更高的准确率。结论基于药物和靶点的子结构可以有效地预测药物副作用,为副作用的早期预测提供了重要的参考。(本文来源于《哈尔滨医科大学学报》期刊2019年02期）
邱太春,尹柯,汝晓双,沈晶,陈影影[8]（2019）在《基于CT征象的Logistic回归模型预测纯磨玻璃样肺腺癌恶性浸润程度的临床研究》一文中研究指出目的基于CT征象利用二元Logistic回归建立预测模型来评估表现为纯磨玻璃结节肺腺癌的恶性浸润程度。方法回顾性收集2015年1月～2018年4月大连大学附属中山医院纯磨玻璃结节144例作为模型建立组,收集大连市中心医院纯磨玻璃结节106例作为模型验证组;所有病例均经手术病理证实。模型建立组中,用t检验和卡方检验分析CT征象在浸润前病变和浸润性肺腺癌两组中的差异,把P<0.05的CT征象作为二元Logistic回归的输入变量并建立Logistic回归模型,用模型验证组检验模型诊断效能。结果浸润性肺腺癌组与浸润前病变在大小(11.5+5.1 mm比7.3+1.8 mm)、平均CT值(-569+97 HU比-622+98 HU)差异有统计学意义(P=0.000,0.001),浸润性肺腺癌组多呈不规则形或多角形,边缘多不光滑,病灶内异常空气支气管征,血管Ⅲ型(P=0.001,0.010,0.009,0.000);胸膜凹陷征和空泡/空腔影在鉴别浸润前病灶和浸润性肺腺癌差异没有统计学意义(P=0.338,0.106)。ROC曲线显示大小≥9.0 mm和CT值≥-624 HU是诊断为浸润性肺腺癌的最佳临界值。在模型建立组中,Logistic回归模型的ROC曲线下的面积为0.882(95%可信区间为0.829～0.935),敏感度79.3%,特异度82.7%;在模型验证组中,ROC曲线下面积为0.868(95%可信区间为0.800～0.936),敏感度75.8%,特异度84.1%。结论基于CT征象的Logistic回归模型对于鉴别浸润前病灶、浸润性肺腺癌具有较高的价值。(本文来源于《影像诊断与介入放射学》期刊2019年01期）
高文,黄钢,韩晓莉[9]（2018）在《基于蚊密度差分自回归移动平均模型预测流行性乙型脑炎的贝叶斯判别分析研究》一文中研究指出目的利用贝叶斯(Bayes)判别分析方法探讨河北省流行性乙型脑炎(乙脑)发生与蚊密度时间序列预测模型的关系,验证差分自回归移动平均(ARIMA)模型在病媒生物监测信息管理系统中对蚊密度的预测及关联乙脑病例的预警作用。方法收集河北省2009-2016年乙脑报告病例资料和蚊密度监测资料进行统计分析,采用ARIMA模型进行建模拟合及预测分析;利用Bayes判别分析论证蚊密度预测模型与乙脑的关系。结果通过ARIMA模型对总蚊密度进行拟合得出最优模型ARIMA(0,1,1)×(0,1,1)12;2009-2016年河北省总蚊密度与乙脑呈正相关(r=0.101,P=0.043);将Bayes判别分析用于河北省总蚊密度时间序列模型预测值判别2个月后的乙脑发病情况,与实际乙脑发生情况比较符合率为0.631 6,总蚊密度监测值与ARIMA模型的预测值对密度高峰后2个月的乙脑发病状况Bayes判别结果符合率为100%。结论 Bayes判别分析可应用于河北省总蚊密度时间序列模型预测值对乙脑疫情的预警,通过建立模型对蚊密度预测,可以利用病媒生物监测信息管理系统蚊虫监测数据对蚊媒传染病的防控工作提供预警支撑。(本文来源于《中国媒介生物学及控制杂志》期刊2018年06期）
邹颖,汪平,张丽敏[10]（2019）在《公司盈余预测与资本成本估算——截面回归模型预测VS.分析师预测》一文中研究指出盈余预测数据的合理利用有助于提高资本成本估算的准确度,截面回归预测模型是近几年来盈余预测研究的热点问题。本文基于中国上市公司的数据以及分析师的盈余预测数据,对公司盈余预测质量以及与资本成本估算质量之间的关系进行了检验。结果显示,中国分析师的盈余预测质量较高,但是根据预测盈余估算的资本成本与可实现报酬率、与风险因素的关系,截面回归预测模型尤其是基于HVZ模型的盈余预测可以取得更好的资本成本估算结果。(本文来源于《数理统计与管理》期刊2019年01期）
回归模型预测法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
以某UTLT类小半径环道为例,着重探究环道曲率对火源附近能见度影响,并预测其回归模型;首先基于Pyrosim模拟不同曲率火场能见度变化情况,并通过SPSS软件对模拟数据进行多元回归分析,最终得出小半径UTLT环道曲率对火源附近能见度影响预测模型。通过对模拟数据及预测回归模型进行分析与检验表明,预测模型可行且曲率与小半径环道能见度呈负相关性,研究结果可为UTLT类小半径环道防排烟设计及人员快速疏散提供理论指导,同时可为类似曲线隧道通风及曲率设计提供参考。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
回归模型预测法论文参考文献
[1].何国民.BP神经网络预测模型与回归预测模型预测效果比较研究[C].第十一届全国体育科学大会论文摘要汇编.2019
[2].李小菊,姚昆,宋云龙,代君雨.基于Pyrosim的小半径UTLT曲率对火场能见度影响回归模型预测分析[J].工业安全与环保.2019
[3].虞瑾,王艳,曾晓莉,江一巍,张皓.采用自回归移动平均模型预测上海市学生龋患率[C].2019年中华口腔医学会口腔预防医学专业委员会第十九次全国学术年会资料汇编.2019
[4].赵飞,施发垦,陈利.基于BP神经网络和Logistic回归分析的沥青路面平整度模型预测[J].筑路机械与施工机械化.2019
[5].陈军.Eviews软件在一元线性回归模型预测中的几种应用[J].佛山科学技术学院学报(自然科学版).2019
[6].李盛,王宇红,王金玉,冯亚莉,李普.应用自回归移动平均模型乘积季节模型预测兰州市水相关疾病发病情况[J].环境卫生学杂志.2019
[7].陈晓文,陈曦,李函章,王世缘,王吉喆.基于罗杰斯特回归分类模型预测药物副作用[J].哈尔滨医科大学学报.2019
[8].邱太春,尹柯,汝晓双,沈晶,陈影影.基于CT征象的Logistic回归模型预测纯磨玻璃样肺腺癌恶性浸润程度的临床研究[J].影像诊断与介入放射学.2019
[9].高文,黄钢,韩晓莉.基于蚊密度差分自回归移动平均模型预测流行性乙型脑炎的贝叶斯判别分析研究[J].中国媒介生物学及控制杂志.2018
[10].邹颖,汪平,张丽敏.公司盈余预测与资本成本估算——截面回归模型预测VS.分析师预测[J].数理统计与管理.2019