基于神经网络的大柔性灵巧手指弯曲角度预测

介绍了一种新型大柔性灵巧手指,该手指弯曲性能好、易于控制但数学建模复杂.基于BP神经网络基本理论,建立预测该手指弯曲角度的BP神经网络模型.通过大柔性灵巧手指弯曲特性实验获得样本数据,借助于MATLAB仿真软件中的神经网络工具箱作为开发平台,将实验样本数据用于BP网络训练.利用训练好的BP网络模型对手指弯曲角度进行预测,预测误差范围控制在3%以内.研究结果表明:这种神经网络模型能够准确预测手指的弯曲角度.     

应用广义回归神经网络预测油井含水率

提出一种广义回归神经网络模型(GRNN)预测油井含水率模型,该模型利用不同阶段油井累计注水量和累计产油量,模型简单且具有实用性.相对于拟合模型,应用GRNN模型预测结果精度更高,且可避免新增样本数据后需要重新预测的问题.而相比于BP神经网络,GRNN模型预测结果更加快捷和准确.     

基于灰色神经网络理论的东江水库入库径流量预测

针对目前径流预测模型精度偏低的现状,提出了灰色神经网络预测模型,充分发挥了灰色理论的少量数据建模和神经网络能够逼近任意复杂函数的优点,并将该模型应用于东江水库年径流预测.结果证明,该模型预测精度更高,实用性更强.     

GNNM(1,1)模型在城市用水量预测中的应用

我国城市年用水量数据较少并与诸多因素息息相关,是一个典型的灰色系统。本文利用灰色系统的少数据建模优点和神经网络的精度可控性优点,建立了城市年用水量的灰色神经网络GNNM(1,1)模型。利用该模型对S市城市用水量进行了实际预测研究,实例证明了该方法的正确性和科学性。     

基于遗传算法的BP神经网络模型在道路交通事故宏观预测中的应用

采用遗传算法优化BP神经网络来建立一个道路交通事故宏观预测的模型.该模型结合遗传算法和神经网络两者的优点,具有更好的运算性能、更快的收敛速度和更高的精度.模型以交通事故死亡人数为输出变量,以机动车保有量、公路里程、人均GDP为输入变量,利用1978年至2006年的道路交通事故数据进行训练及检验.实例计算表明,建立的基于遗传算法的BP神经网络模型可以很好的适用于道路交通事故宏观预测,为制定交通安全对策提供理论依据.     

基于GANO算法的电力系统中长期负荷预测研究

进行负荷预测时,由于中长期负荷历史数据较少而制约因素较多,因此预测难度较大。在分析了灰色预测和神经网络预测优缺点的基础上,提出了多因素灰色神经网络组合预测模型(GANO)。该模型首先采用灰色GM(1,n)模型处理多因素的影响,进而利用BP神经网络训练电力历史负荷数据,最后利用统计方差的倒数建立较为理想的优化组合预测模型。该优化模型结合了各模型优点且综合考虑了电力负荷的多种制约因素。经算例验证,优于单一历史负荷预测模型,有效地提高了中长期负荷预测精度。     

GNNM(1,1)模型在城市用水量预测中的应用

我国城市年用水量数据较少并与诸多因素息息相关，是一个典型的灰色系统。本文利用灰色系统的少数据建模优点和神经网络的精度可控性优点，建立了城市年用水量的灰色神经网络GNNM（1，1）模型。利用该模型对S市城市用水量进行了实际预测研究，实例证明了该方法的正确性和科学性。     

基于神经网络的空调负荷实时预测模型

针对暖通空调系统优化和预测控制,研究了利用神经网络进行空调负荷预测的方法.首先对影响空调负荷的因素进行了分析,并讨论了对空调负荷起主要影响作用的气象参数的预测,在此基础上建立了神经网络负荷预测模型.根据神经网络的泛化性能要求,采用最优停止法训练神经网络.将所研究的负荷预测模型用来实时预测北京市某建筑物的空调负荷,仿真结果表明,该模型能对任意气候条件下的空调负荷进行准确预测,可用于暖通空调系统的实时控制.     

相空间重构神经网络模型在我国人口增长预测中的应用

人口系统是一个非常复杂的非线性系统,人口增长是十分重要的人口变化因子,对人口增长的准确预测能为社会经济可持续发展计划的制定提供重要依据.借鉴相空间重构和神经网络,建立了预测我国人口增长的相空间重构神经网络模型.模型运用相空间重构,可挖掘人口增长时间序列更为丰富的信息,利用神经网络建模可较好地解决非线性问题,使预测更符合实际.以我国1950—2002年人口增长数据为例,验证了该模型具有较高的拟和和预报精度,为我国人口增长预测问题提供一种新的解决办法.     

长江河道崩岸预测模型的研究与应用

以来水来沙、水流主流位置变化及河道边界条件为输入向量,在对水沙作用强度和护岸工程对河道崩岸的作用进行定量化处理的同时,以河道崩岸为输出向量,研究建立了基于BP神经网络的河道崩岸预测模型.利用此模型对荆江石首弯道1965～2003年的崩岸情况进行了模拟和预测.计算结果表明,该模型能较准确地模拟和预测河道崩岸变化.该模型的建立为河道崩岸的预测预报提供了一个新途径.     

居民出行产生量BP神经网络预测方法

居民出行产生量预测是交通需求分析的重要内容之一,预测结果是确定各类城市交通设施发展规模及布局规划的重要依据.通过分析人工神经网络的作用机理和居民出行产生量的影响因素,建立了居民出行产生量预测的四层BP神经网络模型,以土地利用作为输入神经元,以交通区居民出行产生量作为输出单元,以赣州市城市综合交通规划交通调查数据对模型进行了标定与检验,并与出行次数法和回归分析法进行了比较,结果表明BP神经网络模型具有较高的预测精度.     

基于混沌小波网络的交通流预测算法研究

实时准确的交通流量预测是实现智能交通诱导及控制的前提与关键,也是智能化交通管理的客观需要.结合交通流预测的特点,提出了一种基于小波网络的路段交通流预测方法,把混沌优化算法引入小波网络的拓扑构造,结合提出的相似时段的预测思想,给出了一种基于混沌优化算法的小波网络交通流量预测模型.实验结果表明,引入相似时段的预测思想可以有效提高交通流的预测精度,基于混沌优化算法的小波网络在交通流预测的精度和收敛速度方面明显优于常规BP网络     

三种交通流量预测模型的建立及其比较

针对城市交通“智能运输系统”和交通流的特性,采用先进的支持向量机算法和由它改进的BP神经网络方法来建立交通流量预测模型,并将它们及多元线性回归模型分别用于实际流量模拟.实验验证了由支持向量机算法和改进的BP神经网络建立的预测模型具有更高的预测效果和模拟精度.     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于神经网络的高速公路交通流预测模型及其应用

以宏观动态交通流模型为基础,分析了模型中各个参数之间的函数关系,给出了基于BP 神经网络理论的高速公路交通流预测模型建立的方法,对高速公路进行建模,该模型可以通过对高速公路交通流信息的实时采集对参数进行动态的修正,达到交通流信息预测的准确性要求.     

应用最小二乘法进行公路网规划中社会经济及运输量预测

公路建设事业与社会经济发展趋势密切相关,对社会经济的准确预测,可以指导交通量的预测,从而进一步协助公路网规划工作;反过来,公路建设事业的蓬勃发展亦可以促进社会经济的发展.应用数学计算方法中的最小二乘拟合曲(直)线法,试图通过建立各种数学模型,对社会经济的各项发展指标和运输量进行预测,从而对公路网的规划工作起到参考作用.     

基于主成分分析和支持向量机的道路网短时交通流量预测

将主成分分析和支持向量机回归相结合,进行道路网多断面的短时交通流量预测研究。首先,整理分析路网中多个断面交通流量数据进行主成分分析,得到主成分数据序列;其次,根据主成分数据序列建立训练集训练支持向量机,并利用遗传算法优化参数;最后,输入支持向量机所需数据,得到主成分预测结果,转化为断面交通流量数据,从而预测道路网短时交通流量。采用城市快速路多断面数据进行实例分析,结果表明,该模型比单一断面预测方法的效果更好。     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于交叉口相关性的交通量预测算法

针对交通控制中各种实际交通量预测问题 ,提出了一种基于交叉口相关性的交通量预测算法。该算法利用城市路网中各个检测器之间的相关性和一元线性回归方程 ,实现了对路网中的缺席检测器 (或故障检测器 )的交通量的有效预测。     

基于RBF神经网络的交通生成预测模型

针对交通生成预测中传统集计预测模型缺少行为基础这一重要数据源,以及普通离散模型建立对数学推导依赖性高和预测中存在多个预测值,导致预测结果精度不理想的问题,建立了基于RBF神经网络的交通生成预测模型,该模型将以行为基础为前提的离散数据作为数据源,模型的建立不需要进行数学推导,利用输入和输出数据自动建立,再结合RBF神经网络收敛速度快和具有唯一最佳逼近点的特点,对交通生成进行预测。通过实例进行仿真和分析,结果表明,该模型最终获得的交通生成预测结果与实际值误差在允许范围内,RBF神经网络交通生成预测效果好,能在实际中应用。