小波神经网络模型的确定性预测及应用

针对神经网络模型预测结果的随机性,构建了一种紧致性小波神经网络工具箱。该方法将小波函数移植到BP网络隐层,并采用一种随机确定状态命令获得确定的预测结果。与编程实现的小波神经网络和BP网络比较,该方法适合于大批量数据训练,对数据样本的适应能力和鲁棒性强,尤其对高频随机时间序列有更好的适应能力,具有预测结果确定及实用性强等特点,可显著提高模型的训练速度、预测精度和预测效率。基于小波包变换和小波神经网络的瓦斯涌出量预测实验证明了所提方法的有效性。     

基于“松散型”小波神经网络的时间序列预测研究

分析了一种新的时间序列预测模型——“松散型”小波神经网络预测模型。在用神经网络分析时间序列预测方法的基础上,用方差分析的统计方法确定样本序列的长度,从而有效地确定神经网络输入层节点数。运用该模型对太阳黑子年平均序列进行小波分解、重构、预测和合成,得到了序列总的预测效果。同时,将新模型与传统BP神经网络模型的预测效果进行了比较,分析了两者出现差异的本质原因。整体反映了将复杂问题简单化处理、将小波多分辨分析同神经网络的非线性逼近功能相结合的思想。这种思想及方法发挥了小波变换和神经网络的各自优势,明显提高了预测精度。     

基于优化遗传小波网络的混沌时间序列预测

研究利用小波神经网络(WNN)预测混沌时间序列。提出了一种改进的小波神经网络训练算法,该方法融合了遗传算法和梯度下降算法两种方法,在遗传算法中嵌入梯度下降算法以解决遗传算法不具有的细节搜索能力,对遗传算法训练后的小波网络再次利用梯度下降算法寻找最优点。对Henon映射混沌时间序列的预测证明了该方法的有效性,实验结果表明该算法能确保小波网络收敛和具有较高的预测精度。     

基于改进小波神经网络的网络流量预测研究

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对传统小波神经网络训练算法的不足,提出了自适应量子粒子优化算法——AQPSO,用于训练小波神经网络,优化网络参数,建立基于AQPSO算法优化的小波网络预测模型。实验结果表明,该模型对网络流量的短期预测是有效可行的,并具有良好的收敛性和稳定性。     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

基于数据挖掘的网络论坛话题热度趋势预报

利用小波分析和神经网络相结合的方法进行网络论坛话题热度趋势的预报。该方法主要是对由帖子的点击数（或回复数）所形成的原始时间序列进行小波多尺度分析,产生一系列子序列并进行评价,并通过BP神经网络进行类别训练,找出使得类内距离最小、类间距离最大的若干系数作为特征系数。对于未知类别的时间序列,把其特征系数送入神经网络进行预测。实验结果表明,将该方法用于网络论坛话题的热度趋势预测,可得出良好的预测精度。     

基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

基于小波降噪和改进免疫优化的BP模型网络流量预测

为了实现大规模复杂网络的流量预测,并改善传统BP网络预测模型存在的收敛速度慢和容易陷入局部最优的缺陷,提出了一种基于小波降噪和改进人工免疫优化BP神经网络的网络流量模型;首先,描述了网络流量预测的基本原理;然后,采用小波包降噪法对网络流量原始采样序列进行降噪处理,在此基础上定义了采用BP网络进行网络流量预测的算法,在确定了神经网络的结构后,采用训练数据和改进的人工免疫优化算法对BP网络中的参数即权值和阀值进行优化,从而得到最终的BP网络流量预测模型;最后,采用1 800组样本中的1 200组训练数据对网络进行训练后得到最终的BP网络模型,再采用剩余的600组测试数据进行流量预测;实验结果证明结合人工免疫算法和BP网络的网络流量预测模型能实现大规模复杂网络的流量预测,且较传统方法相比,具有收敛速度快、训练时间短和预测精度高的优点。     

基于小波神经网络的数据中心KPI预测

时间序列预测是数据中心关键性能指标异常检测的重要环节。针对时间序列,利用小波基函数作为隐含层节点传递函数来构造小波神经网络进行预测;同时选取动量梯度下降法提高神经网络学习效率;再根据粒子群算法训练得到最优解作为神经网络参数初始值;最后使用MATLAB进行仿真,以较高准确性对关键性能指标时间序列进行了预测。     

属性构造原则与时序计数算子的研究

包括计数算子在内的属性构造技术往往能够提高数据挖掘模型的预测精度,但不加条件地使用会导致属性关系不一致问题.为解决此问题,在提出了属性关系一致等3个属性构造原则后,给出了在时序相关模型下避免属性关系不一致问题的新算法——时序计数算子.时序增量计数算子在满足其假设条件下,可以较小的代价显著地降低时序计数算子的高计算成本.实验结果验证了上述结论.     

基于循环神经网络的电信行业容量数据预测方法

在电信运维的容量预测过程中,存在容量指标和部署业务种类繁多的问题。现有研究未考虑指标数据类型的差异,对所有类型的数据使用同种预测方法,使得预测效果参差不齐。为了提升指标预测效率,提出一种指标数据类型分类方法,利用该方法将数据类型分为趋势型、周期型和不规则型。针对其中的周期型数据预测,提出基于双向循环神经网络（BiRNN）的周期型容量指标预测模型,记作BiRNN-BiLSTM-BI。首先,为分析容量数据的周期特征,提出一种忙闲分布分析算法;其次,搭建循环神经网络（RNN）模型,该模型包含一层BiRNN和一层双向长短时记忆网络（BiLSTM）;最后,充分利用系统忙闲分布信息,对BiRNN输出的结果进行优化。与传统的三次指数平滑、差分自回归移动平均（ARIMA）模型和反向传播（BP）神经网络模型进行比较的实验结果表明,在统一日志数据集和分布式缓存数据集上,提出的BiRNN-BiLSTM-BI模型的均方误差（MSE）分别比对比模型中表现最优的模型降低了15.16%和45.67%,可见预测准确率得到了很大程度的提升。     

Productivity of stream definitions

We give an algorithm for deciding productivity of a large and natural class of recursive stream definitions. A stream definition is called ‘productive’ if it can be evaluated continually in such a way that a uniquely determined stream in constructor normal form is obtained as the limit. Whereas productivity is undecidable for stream definitions in general, we show that it can be decided for ‘pure’ stream definitions. For every pure stream definition the process of its evaluation can be modelled by the dataflow of abstract stream elements, called ‘pebbles’, in a finite ‘pebbleflow net(work)’. And the production of a pebbleflow net associated with a pure stream definition, that is, the amount of pebbles the net is able to produce at its output port, can be calculated by reducing nets to trivial nets.     

基于神经网络的配电网负荷预测方法

配电网接入高渗透率分布式光伏在一定程度上削减了配电网负荷。由于配电网负荷、光伏出力与气象因素耦合特性存在差异,且均具有较强随机性,致使配电网净负荷预测难度大、随机性高。为实现波动性配电网短时预测净负荷,基于长短期记忆（LSTM）,构建神经网络短期预测模型。通过LSTM构建光伏出力短期预测模型及小时前配电网负荷预测模型,并采用交叉验证,对各LSTM预测器结构超参数进行优化。将两者预测结果进行比较,得到配电网净负荷。由实验结果分析可知,LSTM方法可自适应挖掘光伏出力特征、历史负荷预测对象之间的相关性,较支持向量回归（SVR）方法,该方法预测精度高、过程简单。     

Performance Evaluation of Petri nets Centralized Implementation. The Execution Time Controller

The reaction time of a controller is a fundamental matter in discrete event control systems. Petri nets are extensively used in this field. The controller reads the inputs, executes the control Petri net and writes the output in a cyclic manner. The reaction time of this controller depends on the Petri net structure, on the events sequence and on the algorithm that executes the net. In this paper we present a performance evaluation of interpreted and centralized implementation techniques for ordinary Petri nets. Four techniques have been analyzed: brute force, enabled transitions, static representing places and dynamic representing places. The analysis has been carried out over a Petri net library composed of well know models which can be scaled using a parameter. The analysis of the results shows that the performance of the algorithms depends on the Petri net behavior (concurrency vs. effective conflicts).With the objective of minimizing the reaction time, we decided to design a Supervisor controller, which we have called execution time controller (ETC). The aim of the ETC is to determine in real time which algorithm executes the Petri net fastest and to change the execution algorithm when necessary. One possible application of the technique is the minimization of execution time of the programmable logic controllers programs developed in sequential function chart (SFC).     

Dynamic process monitoring based on a time-serial multi-block modeling approach

A time-serial multi-block modeling (TSMBM) algorithm is proposed for dynamic process monitoring, which considers a unified framework of multi-block modeling and auto-correlation extraction. The proposed TSMBM-based method first constructs time-serial multi-blocks according to the sampling time nodes, the correlation between different blocks then serves as a good representation for the auto-correlated characteristic in the given data. With the utilization of multi-block projecting bases, three categories of auto-correlated variations can be captured in different block models. Furthermore, the Kalman filter is employed to generate dynamic noise and measurement noise inheriting little auto-correlation for online monitoring purposes. Finally, the effectiveness and superiority of the proposed method are validated through comparisons with other state-of-art dynamic process monitoring approaches.     

离散事件系统的协调反馈控制

本文探讨以Ｐｅｔｒｉ网为模型的离散事件系统（ＤＥＳ）的某种禁止状态避免问题，提出了以Ｐｅｔｒｉ网Ｎ为基网，设计具有外部输入位置Ｐｅｔｒｉ网（ＰＮＩＰ），对Ｎ进行协调反馈控制的方法。由Ｎ现行状态反馈决定的ＰＮＩＰ的控制状态，既保证Ｎ避免禁止状态，又使Ｎ具有最大自由度。     

模糊Petri网在非结构化决策支持中的应用研究

提出了一种建立非结构化决策支持的模糊Petri网模型（简称XFPN).CXFPN结合了模糊集合理论和Petri网理论的基本特点,是对基本模糊Petri网的进一步扩充。文中以促销决策支持为例,描述了非结构化决策问题到CXFPN模型建立,以及决策支持推导的相关问题。应用这种模型,对一类基于规则的决策系统的设计、分析和维护等变得容易了。     

基于DPCA-IM的动态过程监测方法

动态主成分分析(DPCA)通过增广矩阵或向量的方式来挖掘采样数据间的时序自相关性。然而,DPCA对自相关的特征成分与残差直接实施监测是不合理的,故其故障检测效果较差。为了剔除采样数据的自相关性以提高故障检测效果,提出一种基于估计误差的动态过程监测方法。首先,通过逐个假设各个过程变量的测量数据缺失,并在已建立的DPCA模型中引入迭代方法(IM)计算得到相应变量缺失数据的估计值。由于该估计值在仅缺失一个变量数据的条件下能较大程度地逼近原测量数据,两者之差(即估计误差)不再存在显著的自相关性,而且该估计误差的变化可直接反映出采样数据变化情况的异常,所以可利用估计误差监测动态过程。最后,通过两个动态过程实例,即动态数值仿真过程与田纳西—伊斯曼(TE)标准测试平台的仿真结果表明,该方法能剔除采样数据间的自相关性,并能有效地提高故障检测效果,验证了该方法不仅可行,而且具有良好的优越性。