基于改进的小波神经网络的深基坑围护桩水平位移预测研究

结合某深基坑工程,以现场实测数据为依据建立了改进的小波神经网络预测模型,并用其预测围护桩水平位移.结果表明,改进的小波神经网络模型预测值与实测值相差在4%以内,而BP神经网络和小波神经网络模型的预测值与实测值相差最高分别达到了21.92%和18.58%.可以看出,改进的小波神经网络模型预测结果更接近于实际监测值,从而验证了改进的小波神经网络用于围护桩水平位移预测的可行性.     

基于附加动量的小波神经网络风电功率短期预测

以风电功率预测为背景,将小波理论与神经网络结合,在BP神经网络模型的结构基础上构造了小波神经网络,并提出了基于附加动量法改进的小波神经网络。利用附加动量的小波神经网络建立天气预报数据与发电功率的映射模型,并进行实际预测。利用MATLAB进行仿真,验证了设计预测模型的实际可行性,并且预测精度满足相关要求。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

基于改进粒子群小波神经网络的智能变电站网络流量预测

智能变电站过程层网络流量一旦发生异常,将直接影响继电保护动作的可靠性、快速性和灵敏性,然而目前缺乏针对智能变电站网络流量异常预警的方法.基于此,提出一种基于改进粒子群小波神经网络的网络流量预测模型,为智能变电站网络性能分析预测、网络故障和病毒入侵预警提供决策依据.分析智能变电站网络流量的特点,对流量数据进行归一化处理,建立小波神经网络预测模型,利用粒子群优化算法对传统的小波神经网络模型的网络结构和参数进行优化.在实际智能变电站运行环境中的实验表明,所提模型预测精度高,收敛速度快,提高了智能变电站网络流量预测的准确性和快速性,保障电网安全运行.     

基于时间序列的小波神经网络蔬菜价格预测模型

为准确预测蔬菜价格变化规律,现以合肥市周谷堆农产品批发市场2005年~2014年白菜月度市场价格及相关影响因素数据为样本,通过主成分分析,利用小波神经网络智能分析方法,构建基于小波神经网络的价格预测模型,并与BP神经网络模型比较。结果表明,小波神经网络预测模型的预测精度比BP神经网络更高,且更加的稳定。该模型的构建对蔬菜价格的稳定、农业管理部门的决策支持具有重要的理论研究意义和实际价值。     

基于支持向量机-小波神经网络的边坡位移时序预测模型

针对岩体边坡位移预测难度大的问题,结合支持向量机-小波神经网络,提出了一种新的岩体边坡位移时序预测模型——支持向量机-小波神经网络预测模型.通过对实测位移值的学习,并借助遗传算法参数寻优的支持向量机对位移时间序列的宏观发展趋势进行滚动预测;在此基础上利用小波基函数变换分析序列的局部特征,通过2维情况下的序列局部走势方向的选择、实测值与支持向量机拟合值的相对误差与绝对误差等指标的分析,达到对预测值优化改进的目的.将该模型应用到某工程面板堆石坝坝肩强卸荷岩体边坡位移的时序预测中,结果表明,该模型具有可靠度和精度高的优点,可应用于岩体边坡位移预测分析.     

基于小波神经网络的水文时间序列预测

复杂时间序列预测是时间序列分析的主要研究内容之一,已成为一个具有重要理论和实际应用价值的热点研究领域。基于小波和神经网络组合模型,提出一种多因子小波预测模型以提高水文时间序列的预测精度。并根据不同小波函数对水文时间序列数据的适应性,提出了一种基于加权相关系数的小波函数选择准则。以国家重要水文站淮河王家坝站汛期的日流量时间序列预测为例,对各种常用小波函数进行了实验。结果发现选择得到的Haar小波和B3 spline小波函数预测精度较高,从而验证了小波函数选取准则的有效性;通过和传统单序列小波神经网络模型比较,发现提出的多因子小波神经网络模型的预测合格率在不同预见期均提高了10％以上,并且对洪水高流量方向预测合格率提高了15％。     

基于小波神经网络的简支梁桥损伤识别

针对小波神经网络对一维信号逼近能力强的特点,利用灰色理论中的关联分析法,对结构损伤特征参数和损伤指标进行灰关联分析,将所获得的参数间关联度作为把结构动态特征参数整合为一维输入量的权值,进而提出了基于灰色关联分析的小波神经网络模型。为提高网络的收敛能力和逼近效果,应用局部学习策略改进了小波神经网络的学习算法。仿真结果表明,利用上述方法进行结构损伤识别,识别结果明显优于传统的神经网络模型。     

基于人工智能方法的岩爆预测系统

通过理论分析预测法和现场实测法,建立了一套长期预测和短期预测相结合的岩爆预测系统.长期预测模型是基于神经网络思想,运用国内外相关工程的岩爆资料作为训练样本,建立了小波神经网络预测模型,对工程范围内岩爆发生趋势进行了预测.短期预测模型首先针对监测到的声发射建立小波神经网络模型,对声发射时间序列进行拟合预测;再运用突变理论对预测的声发射建立了岩爆突变预测模型,进而对监测点附近岩爆发生情况进行准确的预测.两种预测模型都运用到了目前人工智能方法中比较新颖的小波神经网络理论,提高了收敛速度,容错能力,保证了预测的效果.通过工程实际运用,建立的岩爆预测系统预测精度高,预测结果与现场情况一致.两套预测模型可以适用于不同的工程阶段,互相验证,具有很好的工程实用性.     

改进人工鱼群算法优化小波神经网络的变压器故障诊断

针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型。基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度。结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高。     

运动成绩预测系统及实现技术

小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络,它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题,大大简化了训练,具有较强的函数学习能力和推广能力及广阔的应用前景.根据这一预测模型,运用混合编程技术所开发的分布式运动成绩预测系统在应用中取得了良好的效果.     

基于时间序列和神经网络法的风电功率预测

为克服风速与风电功率之间的非线性关系对预测精度的影响,建立了基于时间序列法和神经网络法的改进预测模型。用时间序列法建立风速预测模型;利用神经网络法建立风速-风电功率模型,并以风速预测数据为输入量预测风电功率。以某风电场为例,比较分析了该改进模型与传统预测模型的平均绝对误差和相关系数,结果表明该改进预测模型可有效提高预测精度。     

粒子群优化小波神经网络在火灾预测中的应用研究

针对城市建筑火灾预测的高度非线性和不确定性,采用粒子群算法(PSO)优化小波神经网络(WNN)后建立火灾事故时间序列预测模型.将改进后的模型进行实验仿真训练并应用于某城市建筑火灾发生次数预测中,仿真应用结果表明,网络输出值和期望值很好吻合,收敛速度和泛化能力有所提高.所以该模型能够对火灾发生情况进行分析预测,为消防安全管理部门消防警力、设施投入及城市综合防灾减灾提供科学依据和决策指导.     

小波消噪和优化支持向量机的网络流量预测

为了提高对网络流量的预测精度,提出了一种小波消噪和改进黏菌算法优化支持向量机的网络流量预测模型。 首先应用小波消噪对网络流量进行消噪处理,采用支持向量机作为预测模型。 由于支持向量机预测结果受模型参数影响较大,采用带有随机惯性权重机制的改进黏菌算法来优化支持向量机模型中惩罚因子以及核函数参数。 对所提模型使用最佳参数进行仿真实验,并利用实际采集的网络流量数据进行验证。 实验结果表明,所提模型在评估指标上均优于对比模型。     

基于遗传算法优化小波神经网络的短期光伏功率预测研究

针对西北地区对光伏功率预测准确性考核要求的提升,提出了一种基于遗传算法优化小波神经网络的短期光伏功率预测模型,利用遗传算法优化小波神经网络,提高模型的预测精度。首先,对原始数据做数据预处理,得到比较理想的数据源;其次,利用遗传算法对小波神经网络进行最佳适应优化赋值,从而避免神经网络陷入局部最小值的问题;最后,对模型进行仿真,并与传统的小波神经网络、BP神经网络的预测结果进行对比。结果表明,优化后的小波神经网络,具有适应度好、预测精度高、鲁棒性能强的能力,且能满足西北能源局实行的新细则要求。     

基于改进PSO的神经网络短期电力负荷预测模型

针对短期电力负荷预测问题,提出了一种基于改进粒子群算法(PSO)的BP神经网络预测模型.选取与电力负荷大小密切相关的季节、天气情况、当天最高温度、当天最低温度、日期性质、上年同期历史数据为神经网络的输入变量,电力负荷大小为输出变量,建立基于BP神经网络的电力负荷预测模型,同时利用改进的粒子群算法对神经网络进行训练.该训练算法具有较高的精度,能够建立较精确的短期电力负荷测量模型.仿真结果表明,基于改进粒子群算法的BP神经网络电力负荷预测模型预测精度较高,具有一定的应用价值.     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

AGO-BP神经网络预测建模及工程应用研究

针对BP神经网络及各类改进的神经网络模型进行预测易出现收敛陷入局部极小点、网络震荡大、预测值可信度不高等问题,本文提出建立AGO-BP神经网络预测模型观点,并建立了实际应用模型。通过两个实例及多次反复验证,结果显示该模型具有较高的预测精度,且可以比较有效地避免上述问题,该模型具有一定的工程应用价值。     

基于灰狼算法与小波神经网络的目标威胁评估

为了提高目标威胁度评估的精确度,建立反向学习灰狼算法（OGWO）优化小波神经网络的目标威胁评估模型（OGWO-WNN）,提出基于该模型的算法.该模型使用反向学习策略（OBL）优化灰狼算法（GWO）,通过改进后的灰狼算法优化小波神经网络的各权值和小波基函数的平移因子与伸缩因子,使优化后的小波神经网络能够对威胁度测试样本集作更好的预测.实验结果显示,采用反向学习灰狼算法能够更好地优化小波神经网络的权值与平移、伸缩因子,使建立的小波神经网络目标威胁评估模型具有更高的预测精度和更强的泛化能力,能够精准、有效地实现目标威胁评估.     

基于小波神经网络的松江区PM_(2.5)浓度预测

鉴于细颗粒物(PM2.5)浓度(质量浓度ρ,全文同)影响因素的复杂性,以及传统预测方法中存在的困难和不足,基于小波神经网络,利用松江区环保局PM2.5的浓度数据,建立了短时PM2.5浓度预测模型.通过与灰色理论预测模型、BP神经网络预测模型的对比试验分析,发现基于小波神经网络预测模型的预测值与实际值之间的误差最小,更能准确地反映样本数据之间的映射关系,预测精度明显高于其他两种预测模型.