煤炭需求量预测的支持向量机模型

根据选择的嵌入维数，建立了基于支持向量回归的中国煤炭需求量预测模型．用1980-2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量；经过与线性核函数及Sigmoid核函数的对比，选用基于径向基函数（RBF）作为校函数，在分析预测误差和模型参数关系的基础上，选择了合适的参数；建立了多输入、单输出的支持向量机（SVM）预测模型．用检验样本与基于RBF神经网络模型的预测进行了比较，结果表明支持向量机模型在训练样本较少的情况下，仍有较高的预测精度和较强的泛化能力，证明了该模型时近期的预测是可靠的．最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量．     

GRNN神经网络在铁路客运量的预测研究

当前国内铁路运输行业发展迅速,需要对客运量进行准确的预测以达到合理地调度。本文以青岛市为例,根据2005年～2017年的资料,建立GRNN广义回归神经网络预测模型,将预测模型计算结果与实际对比,分析相对误差率。研究表明:GRNN神经网络预测模型误差较低,具有良好的预测效果,有利于铁路客运量的预测分析。     

基于Holt-Winters与最小二乘支持向量机的混合预测模型

为了提高地下水埋深时间序列的预测精度,本文应用Holt-Winters三参数指数平滑法作为预测模型,使用最小二乘支持向量机对残差序列进行预测。由于核参数和惩罚因子在很大程度上直接影响了最小二乘支持向量机的预测性能,本文选用果蝇优化算法对其参数进行优化选取,该方法不仅能够建立最优的混合预测模型,而且能够很好地捕获地下水埋深序列的非线性特征。选用甘肃民勤县大坝乡城西八社地下水监测站点的数据来验证所建模型的预测性能,实验结果表明与传统的单一预测方法相比,本文所建混合预测模型提高了预测精度。     

基于WA-GRNN模型的年径流预测

针对传统的中长期水文预测方法由于缺乏对水文要素本身内部结构和变化特性的描述,往往导致建模过程中确定模型结构、参数等存在盲目性,而以往常用预测模型收敛速度较慢、模型结构及参数优化复杂等问题。本文将小波分析（WA）和GRNN神经网络联合使用,建立了中长期水文预测模型：即先应用WA揭示水文序列内部结构及变化特性,从而将原序列分为确定性成分和随机成分两部分,然后利用GRNN神经网络对确定性成分和随机成分分别进行模拟预测,最后将两部分结果叠加作为最终预测值。将该模型用于沱江中上游三皇庙水文站年径流的预测,并与传统方法进行对比。结果显示该模型预测效果较传统方法更好,能有效地揭示序列的时频结构和变化特性,对于生产应用具有较强的实际意义。     

时变参数灰色沉降预测模型及其应用

目前大部分沉降预测模型均假定模型的参数在沉降发展过程中是不变的，这与实际情况不符，从而影响了模型的预测精度，当预测模型的参数也是时间的函数时，系统响应预测可分为两部分：一是预测模型参数的预测；二是根据参数预测值的系统响应预测，在灰色GM（1，1）模型的基础上，建立了时变参数灰色GM（1，1）模型，其模型中的参数用多项式逼近，并采用最小二乘法确定多项式中的待定系数，最后将此模型应用于建筑（构筑）物的沉降预测，实例计算表明，时变参数预测模型有望提高模型的预测精度。     

BP人工神经网络在估计织物热湿阻方面的应用

利用人工神经网络方法，经过网络训练，建立了由织物种类、面密度、厚度、透气性和回潮率5个结构参数作为输入层神经元，织物热阻和湿阻作为输出层神经元的BP神经网络预测模型．预测实验表明，热阻和湿阻的平均估计误差分别为0．38和0．18，为研究织物的热阻和湿阻性能提供了一种方便、有效的预测方法．     

神经网络预测器在铝电解过程控制中的应用

目的采用神经网络预测控制方法来解决铝电解过程中存在的时变和大时滞问题，提高其控制性能．方法提出了一种基于铝电解过程的神经网络预测控制算法，建立了神经网络预测模型，将神经网络和预测控制算法相结合，结果实现了铝电解过程的最优控制．神经网络预测模型的输出能够很好地跟踪铝电解生产过程，预测效果好．结论笔者提出的控制方案能够使铝电解过程很快进入稳态，超调量较小，提高了铝电解过程的动态和稳态性能．     

基于正则贯序极端学习机的换热设备污垢预测

对换热设备积聚的污垢快速、准确的预测,可以为换热设备污垢的监测和解决对策提供指导和依据,进而避免污垢对换热设备安全经济运行带来的不利影响。通过在线贯序极端学习机理论建立换热设备污垢预测模型,利用初始样本建立初始模型,随着工况变化,不断加入新的样本集,更新预测模型,实现换热设备污垢的在线预测。并通过引入正则参数权衡经验风险和结构风险,提高模型的泛化性能和预测精度。与传统神经网络建立的预测模型相比,基于在线贯序极端学习机的换热设备污垢预测模型训练速度更快,精度更高,泛化能力更好。为此,进一步基于MATLAB和LABVIEW混合编程设计了正则贯序极端学习机污垢预测系统,结果表明,该污垢预测系统可以实现换热设备污垢的在线实时预测,并且预测精度较高,预测效果较好。     

通用回归神经网络及其用于渣油裂解建模

为建立准确的渣油裂解装置经验模型,采用了一种特殊的径向基函数网络--通用回归神经网络(general regression neural network, GRNN).GRNN具有明确的概率意义,结构和连接权均完全确定,克服了一般径向基网(RBFN)设计和训练上的困难.在分析了平滑因子对GRNN性能的影响后,设计了改进的进化规划算法(MEP)以优选平滑因子,并建立MEP-GRNN模型.该模型用于渣油裂解建模时,其预报精度和稳定性比RBF-PLS等方法均有所提高,表现了MEP-GRNN为非线性过程建模的优势.     

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．     

联合鲸鱼算法和遗传算法优化GRNN预测斜拉索覆冰厚度

为了预测冬季易结冰区斜拉索覆冰的增长,运用灰色关联分析方法分析斜拉索倾角、温度、湿度、风速、降雨量及气压对斜拉索覆冰厚度的关联影响,明确各影响因素的相关性大小,剔除弱相关性因素;联合遗传算法（GA）和鲸鱼算法（WOA）选择最优光滑因子,提出一种WOA-GA算法优化广义回归神经网络（GRNN）的斜拉索覆冰厚度预测方法。其特点是：以输出值与实际值均方差作为适应度函数,计算每个粒子的适应度值;将GA算法的交叉和变异算子引入WOA算法,同时借助权重更新策略,提升全局寻优的能力,避免WOA算法陷入局部最优解;最后,经过迭代寻优,输出最小适应度值对应的光滑因子,构建GRNN预测模型。结果表明：环境温度相关性最高,其次是倾角、降水量、风速、相对湿度,气压关联度最小,呈弱相关性;相比于传统的GRNN、WOA-GRNN、PSO-GA-GRNN模型,联合鲸鱼算法和遗传算法优化的GRNN覆冰预测模型精度较高,其平均绝对误差百分比仅为3.58%,均方根误差为0.58 mm;采用敏感性分析法评价影响因素对模型精度的影响,发现温度对模型影响程度最大,其次是拉索倾角。     

麦草中性亚钠蒸煮条件与结果定量关系的研究

本文对麦草中性亚钠蒸煮过程中纸浆得率和木素含量随蒸煮亚钠用量、蒸煮温度和时间及蒸煮液亚钠浓度变化的定量关系,用计算机作了辅助研究,得到7个数学模型。研究表明,对这一过程影响最大的是蒸煮液亚钠浓度变化,其次是蒸煮温度和初始亚钠用量,延长蒸煮时间的作用较小。数学模型亦定量描述了这些因素的协同影响作用。     

基于GA-GRNN数据挖掘的SCR脱硝系统建模优化研究

火电厂选择性催化还原法(SCR)烟气脱硝系统是处理燃煤机组烟气排放NOx污染的主要途径,但该系统具有多输入变量、环境影响复杂、时变非线性等特征,因此建立准确的系统模型是SCR优化控制的基础。提出了一种融合遗传算法(GA)主元分析和广义回归神经网络(GRNN)数据挖掘的SCR系统建模方法。首先使用GA对运行数据进行变量选择优化计算;然后将最优变量作为GRNN的输入量,利用数据挖掘技术建立SCR系统数据模型。基于某电厂机组运行数据的实例分析表明,该方法建立的模型具有复杂度低、精度高、泛化能力强等优点。     

基于ANSYS优化模块的大体积混凝土热学参数识别

确定大体积混凝土水化热温度场分析中的混凝土材料热学参数是准确模拟混凝土温度场的关键因素．本文提出了一种识别混凝土材料热学参数的新思路,通过测定混凝土结构内几个点的温度时程变化数据,以实测温度与有限元理论计算温度间的误差极小为目标,以待识别的混凝土材料热学参数为设计变量,建立数学优化模型,并应用ANSYS的优化模块进行建模并求解,得到的最优设计变量即为识别出的混凝土热学参数．工程实例表明此方法可行．     

基于正交设计的气液混输泵增压单元优化设计

以自主研制的第三代YQH-100气液混输泵增压单元为优化对象,以混输泵相对扬程及效率为优化目标,采用正交实验设计方法设计优化方案,利用FLUENT软件对部分实验方案进行数值计算,预测混输泵的相对扬程和效率.针对数值模拟计算量大等问题,分别采用BP神经网络及GRNN网络建立目标函数与优化变量间的复杂响应关系.预测结果表明...     

空间网壳结构的形状优化

采用二级优化算法对空间网壳进行形状优化分析,建立了以结构自重小为目标函数的空间网形状优化的数学模型。详细分析了二级优化算法的实施步骤,以及一种有效的离散变量优化方法－相对差商法。     

Smoothing methods based on coordinate transformation in a linear space and application in airfoil aerodynamic design optimization

In detailed aerodynamic design optimization,a large number of design variables in geometry parameterization are required to provide sufficient flexibility and obtain the potential optimum shape.However,with the increasing number of design variables,it becomes difficult to maintain the smoothness on the surface which consequently makes the optimization process progressively complex.In this paper,smoothing methods based on B-spline functions are studied to improve the smoothness and design efficiency.The wavelet smoothing method and the least square smoothing method are developed through coordinate transformation in a linear space constructed by B-spline basis functions.In these two methods,smoothing is achieved by a mapping from the linear space to itself such that the design space remains unchanged.A design example is presented where aerodynamic optimization of a supercritical airfoil is conducted with smoothing methods included in the optimization loop.Affirmative results from the design example confirm that these two smoothing methods can greatly improve quality and efficiency compared with the existing conventional non-smoothing method.     

广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.     

基于改进果蝇算法优化PNN的变压器故障诊断研究

为了提高电力变压器故障诊断准确率,通过分析变压器油中溶解气体数据,提出了一种定向变步长的果蝇算法(DVSFOA)与概率神经网络(PNN)相结合的变压器故障诊断模型。由于PNN的参数平滑因子对输出结果影响较大,对果蝇算法位置公式进行更新调整,对平滑因子进行参数寻优,将优化结果赋值给PNN模型进行网络训练,得到了用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法具有较高的诊断精度,收敛速度快,整体性能高。