Analysis methods of SrTiO<Subscript>3</Subscript> ceramic’s electricity performance

The effect of oxidizing-heat-treatment conditions on the electricity performance of doped SrTiO3 ceramic is analyzed by using the theory of grey neural network. Based on the number of main parameters, the model of GNNM （1,1）, GNNM （1,2）, GNNM （1,3） is used to analyze and construct the corresponding model of GNNM （2,1） gray neural network. It can reach the required precision by calculating.     

A new grey forecasting model based on BP neural network and Markov chain

A new grey forecasting model based on BP neural network and Markov chain was proposed. In order to combine the grey forecasting model with neural network, an important theorem that the grey differential equation is equivalent to the time response model, was proved by analyzing the features of grey forecasting model(GM(1,1)). Based on this, the differential equation parameters were included in the network when the BP neural network was constructed, and the neural network was trained by extracting samples from grey system’s known data. When BP network was converged, the whitened grey differential equation parameters were extracted and then the grey neural network forecasting model (GNNM(1,1)) was built. In order to reduce stochastic phenomenon in GNNM(1,1), the state transition probability between two states was defined and the Markov transition matrix was established by building the residual sequences between grey forecasting and actual value. Thus, the new grey forecasting model(MNNGM(1,1)) was proposed by combining Markov chain with GNNM(1,1). Based on the above discussion, three different approaches were put forward for forecasting China electricity demands. By comparing GM(1, 1) and GNNM(1,1) with the proposed model, the results indicate that the absolute mean error of MNNGM(1,1) is about 0.4 times of GNNM(1,1) and 0.2 times of GM(1,1), and the mean square error of MNNGM(1,1) is about 0.25 times of GNNM(1,1) and 0.1 times of GM(1,1).     

基于灰色神经网络技术的陶瓷电性能分析

运用灰色神经网络理论，研究了掺杂SrTiO3多功能陶瓷氧化热处理过程中，氧化热处理条件对介电性能和压敏性能的影响。根据各种参数的主行为因素的多少，运用GNNM(1，1)、GNNM(1，2)、GNNM(1，3)模型进行分析，并且建立了相应的GNNM(2，1)灰色神经网络模型。     

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。     

基于不同神经网络模型的冷凝器两相换热量的研究

在混合工质下利用4种神经网络模型(反馈神经网络模型(BP)、遗传神经网络模型(GA - BP)、极限学习机网络模型(ELM)和递归神经网络模型(RNN))预测了板式换热器的换热量(含相变换热).结果显示:热源温度为30、40、50 ℃时,GA - BP神经网络模型的平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)均小于其他3种神经网络模型,且与实际值接近.该结果表明,GA - BP神经网络模型比其他3种神经网络模型更适用于预测板式冷凝器的换热量(含相变换热).     

两种灰色神经网络模型及应用

给出了2种灰色神经网络模型GNNM（1，1）和GNNM（2，1），该模型具有灰色系统的少数据建模优点及神经网络的精度可控特性，并给出了相应的学习算法，然后通过示例说明模型的可行性。     

PSO-BP神经网络在MBR工艺中的膜污染预测

针对MBR膜污染因子较为复杂且各因子之间相互交叉,提出基于PSO-BP神经网络的膜污染预测方法.首先用主成分分析法实现输入变量的去维和去相关,简化网络的输入,然后应用粒子群算法优化神经网络的权值和阈值.网络训练时使用的数据是在不同操作条件下,采用孔径为0.038μm的聚醚砜超滤膜处理印染废水溶液时得到的膜通量实验数据,最后用训练好的PSO-BP神经网络对膜通量进行预测.结果表明,与传统BP算法相比,PSO-BP神经网络算法能更快实现收敛,提高运算速度以及膜通量预测的准确度.     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。     

标准神经网络模型及其应用

提出一种新的神经网络模型--标准神经网络模型(SNNM),它由线性动力学系统和有界静态非线性算子连接而成.SNNM表示为线性微分包含(LDI)形式,可以方便地利用线性矩阵不等式(LMI)方法来分析其稳定性和其他性能.利用不同的Lyapunov函数和S方法推导出基于LMI的连续SNNM和离散SNNM的稳定性定理.实例表明SNNM可应用于递归神经网络的稳定性分析以及神经网络控制系统的综合和分析.     

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EMD的短期风速预测混合模型

为了让风电电力系统在并网时能够平稳运行,降低因系统波动带来的经济损失,同时提高风电电力系统的竞争能力,找到一种稳定准确的风速预测方法有着重要且现实的意义。在机器学习的方法中,基于反向传播算法调整权值的BP神经网络是最常用也是最有效的方法之一。尽管BP神经网络拟合非线性序列的能力很强,但是在调整权值的过程中收敛速度慢,同时十分容易陷入局部最优值,为有效解决这两个可能出现的问题,将遗传算法(GA)用于优化神经网络。在此基础上,考虑到风速序列的间歇性、非平稳性以及差异性等特点,提出了一种基于经验模态分解(EMD)、遗传算法(GA)和BP神经网络的短期风速预测模型EMD?GA?BPNN,通过和其他几种模型的横向对比,验证了此模型在短期风速预测效果上的可靠性与优势。     

基于有机灰色神经网络模型的空气污染指数预测

针对灰色预测对波动较强的序列只能预测大致变化趋势的缺陷,结合灰理论中的GM(1,1)、无偏GM(1,1)、非等时距GM(1,1)、pGM(1,1)和BP神经网络的特点,提出有机灰色神经网络预测模型,将一维序列通过三个灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构．以哈尔滨市近三年内空气污染指数为例,结合其变化规律,建立哈尔滨市月平均空气污染指数的有机灰色神经网络预测模型,结果表明,该模型拟合误差小,预测精度高．     

基于AdaBoost和概率神经网络的入侵检测算法

将AdaBoost算法和概率神经网络结合,提出了一种新的概率神经网络模型ABPNN,基于此模型提出一种新的入侵检测算法.该算法对接收到的网络数据进行分析判断,实现入侵方式的自动分类,并且能对新的入侵行为进行分类和记忆.实验证明该算法在入侵检测系统的检测率和误报率方面都有优越的性能表现.     

基于GA-BP和GA-RBF网络的结构损伤识别

首先指出了当人工神经网络算法解决结构工程实践问题时,网络结构本身所面临的缺陷;然后描述了人工神经网络和遗传算法的概念,从理论和实例上说明了运用遗传算法优化和改进神经网络结构的可行性,以结合二者的长处解决工程实践问题;接着详细阐述了如何利用遗传算法优化或改进BP(B ack P ropagation)网络模型和RBF(R ad ia l B as is Function)网络模型,以及如何利用遗传优化BP网络和遗传优化RBF网络模型分析结构损伤,进而比较遗传BP网络和RBF网络在结构损伤分析方面的性能。     

Neural network modeling and control of proton exchange membrane fuel cell

A neural network model and fuzzy neural network controller was designed to control the inner impedance of a proton exchange membrane fuel cell (PEMFC) stack. A radial basis function (RBF) neural network model was trained by the input-output data of impedance. A fuzzy neural network controller was designed to control the impedance response. The RBF neural network model was used to test the fuzzy neural network controller. The results show that the RBF model output can imitate actual output well, the maximal error is not beyond 20 m-, the training time is about 1 s by using 20 neurons, and the mean squared errors is 141.9 m-2. The impedance of the PEMFC stack is controlled within the optimum range when the load changes, and the adjustive time is about 3 min.     

电动汽车锂电池SOC预测方法研究

为有效地对电动汽车锂电池荷电分布状态(SOC)进行预测,在分析与电池剩余电量相关因数,对动力电池组进行不同工况充放电试验的基础上,建立电池组的神经网络仿真模型。提出基于BP神经网络的电池剩余电量预测模型,利用模型可逼近任何多输入输出参数函数的性能,系统通过样本训练达到较好的仿真结果。与实验结果对比,仿真结果与实验基本吻合,验证了该方法的正确性.     

神经网络控制结构确定方法

为了选择合适的神经网络逼近不同的非线性函数，本文将该问题化为模型辨识问题来处理，并且给出了有效方法。为了确定样条函数、正交级数描述等神经网络阶次，本文提出了Ｕ—Ｄ分解的递阶数据矩阵法、递阶误差性能指标法等方法。     

A hybrid particle swarm optimization approach with neural network and set pair analysis for transmission network planning

Transmission network planning (TNP) is a large-scale, complex, with more non-linear discrete variables and the multi-objective constrained optimization problem. In the optimization process, the line investment, network reliability and the network loss are the main objective of transmission network planning. Combined with set pair analysis (SPA), particle swarm optimization (PSO), neural network (NN), a hybrid particle swarm optimization model was established with neural network and set pair analysis for transmission network planning (HPNS). Firstly, the contact degree of set pair analysis was introduced, the traditional goal set was converted into the collection of the three indicators including the identity degree, difference agree and contrary degree. On this bases, using shi(H), the three objective optimization problem was converted into single objective optimization problem. Secondly, using the fast and efficient search capabilities of PSO, the transmission network planning model based on set pair analysis was optimized. In the process of optimization, by improving the BP neural network constantly training so that the value of the fitness function of PSO becomes smaller in order to obtain the optimization program fitting the three objectives better. Finally, compared HPNS with PSO algorithm and the classic genetic algorithm, HPNS increased about 23% efficiency than THA, raised about 3.7% than PSO and improved about 2.96% than GA.     

基于神经网络内模控制的毛细管流变仪温控系统设计

为了提高毛细管流变仪加热腔温度控制效果，在研究以多变量、交叉耦合为特征的控制对象的基础上，给出了一种神经网络内模控制算法。以通过学习得到的动态神经网络作为内部模型，将直接逆系统学习法得到的神经网络作为控制器，构造了MIMO控制系统。介绍了毛细管流变仪温度控制系统软、硬件的开发。实际运行结果表明，该系统控制精度高，鲁棒性好，可靠性高。     

基于神经网络的永磁同步电动机模糊控制

针对永磁同步电动机矢量控制系统，提出了一种将神经网络与模糊控制相结合的控制方法.通过对神经网络进行训练来记忆模糊控制规则，不需要存储模糊控制表，不依赖被控对象的精确数学模型，而且该方法具有很强的自学习能力，在模型参数发生变化时，可通过调整控制器在线自学习达到最佳效果.仿真结果表明此控制方案是十分有效的，具有响应快、鲁棒性强、较好的动、静态特性等优点，基于神经网络的模糊控制特别适用于结构复杂、干扰大、控制精度要求高的系统.