神经网络组合模型在我国税收征管中的应用现状与问题

随着人工智能技术的迅猛发展,神经网络组合模型在税收征管领域的应用日益广泛,为税务管理提供了革新性的解决方案。文章介绍了神经网络的基本原理及其在税收征管中的具体应用情况,深入分析了神经网络组合模型在我国税收征管中的应用现状,并探讨了在实际应用过程中遇到的关键问题和挑战。针对这些问题,文章提出了一系列综合性的优化策略和解决方案,旨在为我国税收征管领域的技术发展和管理创新提供理论支持。

基于SVM-BP神经网络组合模型的高速公路出口流量预测

为了给高速公路交通流精准预测提供更准确的方法,本文利用济南西高速公路出口早晚高峰流量数据,采用SVM-BP神经网络组合模型进行短时交通流预测,并对单一的SVM(支持向量机)模型、BP神经网络模型和组合模型的预测精度进行比较和实证分析。当样本数量小于或等于120时,结果表明:①误差对比:当样本数量大于22时,由于预测集与训练集数据分布本身存在差异且SVM模型训练完成后过于复杂导致三种模型的误差逐渐变大。②预测精度:组合模型>BP神经网络>SVM,组合模型的平均绝对误差(MAE)提高了6.85%,远高于其他单一模型,验证了组合模型的有效性。

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型。组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性。本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测。仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模。

灰色神经网络组合模型(GNN)在涝灾预测中的应用

洪涝是对人类及社会危害较大的一种自然灾害,洪涝严重影响农业生产和生态平衡,涝灾预测已成为防灾减灾的重要内容。应用BP神经网络模型对灰色模型预测精度较低的问题进行了改进,该方法是将灰色模型的预测值作为神经网络的输入,以实际值作为输出而构成灰色神经网络组合模型(GNN)。以辽阳地区50年的年降水量作为历史数据,建立GNN涝灾预测模型。预测结果表明:该方法与传统的灰色预测方法相比提高了预测精度,这种新的信息处理和预测方法是有效可行的。

灰色神经网络组合模型在庆安县年降雨量预测中的应用

采用灰色神经网络对黑龙江省庆安县年降雨量进行预测建模,利用灰色GM(1.1)模型"贫信息"和神经网络非线性函数映射能力优秀的特性,避免了灰色GM(1.1)模型对预测拟合精度低的问题。结果表明灰色神经网络组合模型的平均相对误差为0.012 2,高于灰色GM(1.1)模型的平均相对误差0.153 7,预测精度较高,并且算法简便,拓宽了灰色预测模型的应用范围。

我国鲜活农产品运输的VC-BP神经网络组合模型

鲜活农产品因其易腐烂、难保存的特点导致运输过程中损耗严重,成本重复,因此对运输有较高要求。通过层次分析法确定农产品运输通道评价指标权重,将变尺度混沌优化与BP人工神经网络有机结合,可构建变尺度混沌-BP神经网络组合优化模型。该模型通过变尺度混沌优化方法对网络权值分布进行优化,采用梯度下降法最终搜索确定全局最优权值。该模型可实现对农产品运输通道模式的评价和选择,避免了各种运输方式成本的重复利用,可快速有效提高农产品运输的运输质量。该模型可做到全局优化,避免了以往算法局部最优化的缺陷。通过实例仿真,该模型具有较好的应用性和动态适应性。

基于灰色BP神经网络组合模型的深基坑周围地表沉降预测研究

在深基坑工程施工过程中,基坑周围地表的沉降对周围建筑物、地下管线和支护体系的安全都会造成很大的影响,如何利用对影响基坑周围地表沉降的关联因素的研究并结合基坑周围地表沉降的监测数据来分析得到基坑周围地表沉降量的走势,已成为城市建设中的一个重要的安全课题.以天津市某换乘车站为例,分析影响该基坑周围地表沉降的关联因素,建立灰色预测和BP神经网络组合模型,在"小样本、贫信息"的情况下,得到的预测结果与实际监测值吻合度较高.利用该预测模型可对一些在开挖过程中监测天数相对较少的深基坑工程进行可靠而准确的预测.

基于灰色-BP神经网络组合模型的赣南脐橙产量预测分析

赣南脐橙产量变动的随机性、波动性和复杂性,给脐橙产量的预测带来了很大的困扰。将灰色-BP神经网络加以组合,采用2004年至2013年赣州市赣南脐橙产量数据,对赣南脐橙未来产量进行预测。通过MATLAB计算,结果表明:灰色-BP网络组合预测模型精度高于传统灰色预测模型,且2014年至2016年赣州市赣南脐橙产量预达到171.34万t,190.81万t,212.49万t。

BP神经网络组合模型在次洪量预测中的应用

[目的]探讨BP神经网络组合模型在次洪量预测中的应用,为黄土高原淤地坝群的安全度汛提供决策依据。[方法]构建基于多元线性回归模型(MLR)和去趋势互相关分析法(DCCA)的BP神经网络组合模型;选择均方差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)以及确定性系数(DC)作为评价指标,与单一模型(多元线性回归模型、BP神经网络模型以及去趋势互相关分析法)进行比较。[结果]BP神经网络组合模型的4项指标MSE,MAE,MAPE和DC分别为2.144,5.453,0.074和0.988,均优于单一模型;模型预测效果从优到劣分别为BP神经网络组合模型、BP神经网络模型、多元线性回归模型和去趋势互相关分析法。[结论]BP神经网络组合模型较单一模型平稳性增强,提高了预测效果,可用于淤地坝群的次暴雨洪量预测。

基于T-S模糊神经网络组合模型的CPI预测

首先对我国CPI和PPI序列建立了VAR模型和加外生变量的半参数自回归模型,得到CPI的拟合值和预测值;然后在这两种单模型的基础上,结合模糊数学和神经网络知识,建立了T-S模糊神经网络组合预测模型;最后对三种模型进行比较.结果显示,T-S模糊神经网络组合模型提高了预测结果的可靠性和准确性.

灰色BP神经网络组合模型在大坝沉降监测中的应用

大坝沉降是一个非线性的过程。为了能准确预测大坝沉降,将GM(1,1)模型和BP神经网络模型结合,以某大坝沉降量为实例,研究灰色BP神经网络在大坝沉降监测中的应用。通过GM(1,1)获得一组拟合数据,将拟合数据和原始值作差得到拟合值的误差序列,再利用BP神经网络模型对拟合数据和拟合数据的误差序列进行训练,最后再以拟合数据作为输入值,利用训练完成的BP神经网络得到误差序列,进而得到预测值。经过实验分析,得出组合模型的预测精度高于单一模型的预测精度。

多神经网络组合模型在入侵检测中的应用

入侵检测技术作为提高网络安全的有效手段日益受到重视,利用多神经网络组合模型解决入侵检测问题,针对入侵检测研究的通用审计数据集,首先将其所有字符串行式的元素转换为数值形式;其次为了提高神经网络的逼近性能和运算速度,去除对输出无影响的输入项,并且将剩余输入项的可能取值转换到合理的范围内;最后在MATLAB平台下进行仿真实验,并与单层BP网络进行比较.仿真结果表明,多神经网络组合模型在入侵检测中体现出良好的特性.

基于灰色神经网络组合模型的河北省税收预测

地方税收收入变化发展趋势,对当地财政收支计划、合理安排预算、保证经济社会平稳有序发展等具有重要意义。采用1998-2018年度数据,利用Adaptive-Lasso变量选择法选取河北省税收收入的影响因素。采用灰色神经网络的组合模型对河北省税收收入进行预测。结果表明:河北地区总的生产总值、第三产业、人均可支配收入和人均消费支出对税收收入有显著影响;对河北省2019年和2020年的税收收入增长趋势进行了预测,为政府经济管理提供了依据。

基于改进型灰色神经网络组合模型的空气质量预测

基于空气质量数据不足及波动较大的情况,将灰色GM(1,1)模型与人工神经网络模型组合并改进,建立改进型灰色神经网络组合模型。利用天津市2001—2008年PM10、SO2和NO2年均值作为原始数据预测2009—2010年PM10、SO2和NO2的浓度以进行模型精度检验,最后利用该模型预测2011—2015年天津市空气质量状况。结果表明,与灰色GM(1,1)模型、传统灰色神经网络组合模型相比,所建立的改进型灰色神经网络组合模型相对模拟误差小,预测结果更为可靠,可以用于空气质量预测。

考虑时间影响的神经网络组合模型对心墙堆石坝变形的预测研究

大坝变形通常是由于多种复杂耦合因素而致,并且是具有高度的灰色性和模糊性的不确定性系统。由于多因素影响下的大坝变形问题没有确定性数学物理关系公式解决,而组合模型能够充分利用各子模型的有用信息,较单一模型更能够反映大坝变形的复杂性和不确定性,是更为科学预测分析大坝变形的方法。目前国内外学者缺乏对于大坝变形的组合预测模型的研究并且没有考虑时间因素对组合模型权重影响;针对此问题,本文以灰色模糊模型(ANFIS-GM模型)和遗传神经网络模型(GA-BP模型)作为子模型,采用考虑时间影响的神经网络模型作为组合模型权重的求解方法,对大坝变形进行预测。通过西南某心墙堆石坝的实例分析表明:该模型能综合其子模型的优势,获得更高的精度,同时也比未考虑时间影响的最小误差平方和组合模型具有更高的精度,它比最小预测误差平方和组合模型精度平均高10.50 mm。

基于组合神经网络的软件命名实体识别仿真

当前软件命名实体识别方法忽略了对命名实体标签的预测,存在精度等级(P@N)、F1值和KS值均偏低问题。提出基于组合神经网络的软件命名实体识别方法。将识别命名实体问题转化成“SBEIO”标签预测问题,在组合神经网络模型的基础上提取字、词特征,并将两者结合得到词向量特征,以此预测出最优标签序列。构建支持向量机分类器,将标签序列进行分类,根据超平面分割出分类结果,利用决策函数确定出最优分类命名实体,实现软件命名实体识别。实验结果表明,所提方法具有较高的精度等级(P@N)、F1值以及KS值。

采用灰色-广义回归神经网络组合模型预测我国尘肺病发病人数的方法探讨

[目的]探讨灰色-广义回归神经网络组合模型[GM(1,1)-GRNN]在我国尘肺病发病人数预测中的应用,并比较其与灰色模型(GM)和反向传播网络(BPNN)模型的预测效果。[方法]收集2003—2012年我国尘肺病发病资料,用SAS9.3建立GM(1,1)模型,用Matlab 8.0建立BPNN模型和GM(1,1)-GRNN组合模型,并用2013年的数据评价模型的预测效果。[结果]GM(1,1)模型拟合及预测的平均相对误差(MRE),平均误差率(MER),均方误差(MSE)和平均绝对误差(MAE)分别为12.041%,0.122,4 999 319.100,1 781.100和20.033%,0.200,2 151 104.000,4 638.000;BPNN模型拟合及预测的MRE,MER,MSE和MAE分别为9.891%,0.124,3 615 099.600,1 802.000和6.932%,0.069,2 576 025.000,1 605.000;GM(1,1)-GRNN组合模型拟合及预测的MRD,MER,MSE和MAE分别为6.490%,0.069,1 900 198.400,1 001.200和3.939%,0.039,831 744.000,912.000。GM(1,1)-GRNN组合模型预测的2014—2015年我国尘肺病的发病人数分别为23 768和23 434。[结论]GM(1,1)-GRNN组合模型的拟合及预测效果优于GM(1,1)模型和BPNN模型。

二重趋势性季节型电力负荷预测组合灰色神经网络模型

对于具有增长和波动二重趋势性的季节型电力负荷 ,首次提出了季节型负荷预测的组合优化灰色神经网络模型 ,研究了同时考虑两种 (非线性 )趋势的复杂季节型负荷预测问题 ,说明了此优化模型分别优于两种单一发展趋势负荷预测模型 ,给出了电力负荷预测的应用实例 ,为季节型电力负荷预测提供了一种新的。

涡流检测中的组合神经网络模型

针对使用单一神经网络在缺陷识别中存在的输入矢量维数高 ,结构复杂及训练时间长等问题 ,本文提出了组合神经网络模型 ,这一模型采用逐级判别的方法 ,每级判断均采用独立的神经网络子模块 ,各模块采用随机学习算法分别进行训练 .裂缝识别的计算实例表明 ,这一组合模型使神经网络输入变量的维数从N2 降低到N ,网络结构大为简化 ,训练速度很快 ,同时具有较高的缺陷识别率 。

一种新的组合灰色神经网络预测模型

对GM(1,1)灰色和几种灰色组合模型进行了讨论,针对多个相关序列预测的问题,提出了组合灰色GM(1,1)神经网络预测模型.此方法采用灰色模型对各序列进行预测,然后利用神经网络对预测值进行校正,得到最终预测值.实例表明此种模型在实际应用中的确能够提高预测精度.