电影作为典型的短周期、体验型产品，其票房收益受众多因素的共同影响，因此对其票房进行预测较为困难.本文主要构建了一种基于加权K-均值以及局部BP神经网络（BPNN）的票房预测模型对目前的票房预测模型存在的不足进行改进，从而提高票房预测的精度：（1）构建基于随机森林的影响因素影响力测量模型，并以此为依据对票房影响因素进行筛选，以此来简化后续预测模型的输入；（2）考虑到不同影响因素对票房的影响力不同的现实情况，为了解决以往研究中对影响因素权重平均分配的问题，本文构建了基于加权K-均值和局部BP神经网络的票房预测模型，以因素影响力为依据对样本数据进行加权的K-均值聚类，并基于子样本构建局部BP神经网络模型进行票房预测.实验证明，本文所构建的模型平均绝对百分比误差（MAPE）为8.49%，低于对比实验的10.39%，可以看出本文构建的基于加权K-均值以及局部BP神经网络的票房预测模型的预测结果要优于对比模型的预测结果.
2021-09-28 13:00:14
1.44MB
1
本代码用matlab语言m文件编程
拟合函数分别为y=sinx1/x1*sinx2/x2和异或逻辑
中间加了动量项
代码注释较多 比较容易看懂 且在本人的计算机上运行通过 为本人课堂作业
有不妥的地方还望大家不吝赐教
2021-09-27 16:13:22
3KB
1
针对电动汽车应用的50AH磷酸铁锂电池荷电状态(state of charge，SOC)估算不准的难题，在原有BP神经网络的基础上引入改进的PS0算法加以优化，优化了BP神经网络的权值和阈值，并把优化后的网络用于SOC预测，减小了SOC估算的误差．本文以50AH的磷酸铁锂电池为研究对象，首先在粒子群算法(particle swarm optimization，PSO)中引入了变异算子改进了PS0搜索精度较低、后期迭代效率不高等缺点，然后通过实验分析了电压、电流、温度3个主要参数与SOC的关系，利用放电实验
2021-09-27 09:41:00
128KB
1