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     

径流预测中的非线性分析方法

详细地阐述了径流预测中的非线性分析方法，包括人工神经网络，小波分析，混沌理论以及这些方法之间的相互耦合，即小波神经网络，混沌神经网络，混沌小波神经网络等。并将这些理论和方法在径流预测中的应用情况做了一个较为全面的回顾和评价。     

基于小波神经网络的深海电机系统混沌预测

针对深海机器人推进电机系统易出现混沌现象,直接危及其稳定运行这一现状,提出一种有效的预测方法对混沌现象进行分析,实现对混沌的预先控制.利用相空间重构与小波神经网络相结合的方法对深海机器人推进电机系统的混沌现象进行分析研究,与以往单纯利用小波神经网络进行预测相比,通过相空间重构可以为小波神经网络的输入提供较为准确、可靠的数据样本,使得预测结果具有较强的可靠性和实用性,同时解决了小波神经网络不能进行中长期准确预测的问题,为进一步研究混沌控制和混沌抑制提供了基础条件.     

复杂系统状态预测的小波包方法

基于小波包变换和混沌理论对复杂系统状态预测方法进行了研究.首先应用小波包变换对系统的特征参数序列进行3层分解,得到第3层从低频到高频8个频率成分的时序;然后,对8个时序作进一步分析,以确认它们都存在混沌特性,再应用混沌理论分别建立8个时序的预测模型,分别对8个时序进行预测;最后,基于小波包理论将混沌模型预测的结果予以小波包重构,实现对系统特征参数序列的预测.实例研究表明,该方法具有较高预测精度,可有效地应用于复杂系统的状态预测和故障趋势预测分析中.     

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．     

一种改进的基于混沌搜索策略的小波神经网络遗传学习算法

讨论了遗传算法的优点及存在的局限性。通过引进混沌搜索策略,对遗传算法的初始种群进行混沌搜索,筛选出优化种群。并将遗传算法作为小波神经网络的学习算法,再次运用混沌搜索策略,对学习过程进行优化。改进后的遗传学习算法结合小波神经网络应用于混沌时间序列预测,实验取得了较好的效果。     

基于ADE-WNN的水电机组振动故障诊断方法

水电机组振动特征和故障类型之间存在复杂的非线性关系,结合小波神经网络和自适应差分进化法,提出一种新型水电机组振动故障诊断方法。该算法具有进化计算和群体智能的特点,能够根据个体的状态自适应调节交叉概率因子和缩放因子;自适应差分进化算法应用于小波神经网络的参数搜索中,加快了小波神经网络的训练速度,提高了网络训练精度。实验结果表明:该方法比传统的基于BP神经网络和小波神经网络的故障诊断方法,具有更高的准确度和更快的诊断速度。     

小波神经网络的大坝变形预测研究

为了达到掌握大坝变形规律,确保大坝安全运行的目的.通过对小波神经网络和BP神经网络的对比,从隐含层激励函数的构造分析,得出两种网络本质相同,从BP算法的权值调节分析两种网络的预测性能包括收敛性能和泛化性能,并结合实践应用到具体的大坝预测问题上,验证小波神经网络在预测方面精度高,误差不超过0.1mm,同时泛化性能好的优势.     

利用支持向量机和高阶累量实现飞机类型识别

为了探讨短波语音通信的飞机类型识别问题,根据短波语音通信下的飞机舱内背景声信号的物理特性,利用小波包分解和高阶累量提取出目标声信号的特征向量,分别采用BP神经网络和支持向量机作为分类器进行飞机类型的识别分类.仿真实验结果表明,小波包分解及高阶累量与支持向量机的结合算法,能够抽取出有效的飞机舱内背景声信号特征,并且能以93%以上的识别率识别出5种类型飞机.     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

基于免疫优化的产品系统可靠性参数区间预测方法

针对当前系统可靠性预测方法的不足,提出一种基于免疫优化的区间预测方法.构建可靠性参数预测神经网络模型,由极端学习机（ELM）算法进行训练,并以修正BFGS法对网络的左侧权值和阈值进行调整.在由该网络得到的预测点值和网络权重的基础上,根据非线性回归模型构建可靠性参数的区间预测值（PI）,PI的质量取决于网络结构和权衰减调节参数.结合PI的覆盖率和平均区间比例长度提出一种新的PI综合评价指标,以此衡量PI的质量;引入免疫优化算法优化区间预测值和网络结构,以最小化综合评价指标为成本函数,寻求决策变量,即网络隐层神经元个数和权衰减调节参数的最优值.将提出的方法和理论应用于某系列数控车床的可靠性参数平均无故障时间的预测,证明了其预测性能优于传统方法.     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题; IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,而索力值是衡量索的力学状态的重要指标。目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素。为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证并生成模拟数据,然后以索长、线密度、抗弯刚度、一阶频率、二阶频率、三阶频率为输入参数,以索力值为输出参数结合振动模拟数据分别建立BP神经网络和广义回归神经网络索力预测模型,并将两种神经网络索力预测模型和已有索力计算公式应用于实际工程中进行对比验证。结果表明：BP神经网络索力预测模型的神经网络结构为6-13-13-1,输入层与隐含层1、隐含层1与隐含层2、隐含层2与输出层之间的激励函数分别为tansig、tansig、purelin,训练算法为L-M优化算法trainlm,学习速率为0.1,网络迭代次数为1000,显示间隔为100,均方误差为0.001,索力预测模型的预测效果良好,但还有进一步优化的空间;广义回归神经网络索力预测模型的最佳spread值为0.00215,索力预测模型的预测效果优于BP神经网络和已有索力计算公式,且预测误差基本控制在5%以内。利用广义回归神经网络对桥梁索力进行预测,避免了索的边界条件判别错误对索力识别结果准确性的影响,提高了索力的识别精度,具有良好的工程应用价值。     

基于ABC-BP模型的基坑地表沉降预测

目前基坑工程普遍仅关心地表沉降值是否超出监测预警值,缺乏对基坑地表沉降短期实时预测的有效方法,降低了基坑安全性。利用人工蜂群算法优化BP神经网络的组合模型可合理预测基坑地表沉降。首先,结合灰色相关度理论,对输入变量进行筛选,提高网络结构的高效性;接着,利用人工蜂群算法优化BP神经网络初始值,实现对地表沉降累计最大值及位置的预测;最后,将ABC-BP模型与其他常见神经网络预测模型对比,验证模型有效性。从预测和对比结果中可知,ABC-BP模型训练及预测结果的平均相对误差为3.27%,均方根误差为3.87,验证模型有效。     

道路交通事故神经网络预测研究

对于交通事故的预测,可以视作一个非线性随机的输入输出系统,因此保证了可将神经网络理论用于预测的可行性.为此,选用算法建立了道路交通事故神经网络预测模型.鉴于算法具有学习速度慢,目标函数存在局部极小点的缺点,采用改进的快速算法,即采用加动量项和自适应学习速率的方法来弥补这一不足,实现对交通事故的预测.     

基于改进狮群算法和BP神经网络模型的房价预测

将狮群算法(lion swarm optimization, LSO)与海鸥算法的迁徙机制和螺旋搜索机制结合,增强算法的局部搜索能力;同时增加监督机制,提高算法的全局搜索能力。与粒子群算法和狮群算法对比,在常用的测试函数上验证改进狮群算法的优越性。采用改进后的狮群算法优化BP神经网络模型,对房屋价格预测问题进行研究,通过房屋的户型、面积等相关指标有效地对青岛市的二手房价格进行预测。改进后的狮群算法对BP神经网络的权值和偏置进行优化,提高BP神经网络的收敛速度和训练精度。试验结果表明,提出的螺旋搜索狮群和BP结合算法(spiral search lion swarm optimization-BP, SLSO-BP)模型在房价预测问题上预测效果更好。     

基于GA-BP神经网络的短期负荷预测

以供热系统为研究对象,针对集中供热热负荷中由于温度因素、随机因素、以及建筑本身因素等问题导致预测精度不高。因此提出了采用BP神经网络算法来进行预测,它对具有非线性的模型有很好的控制效果,并且可以进行自我学习。但由于BP神经网络的波动较大,比较容易出现局部优化现象,因此在使用BP神经网络的基础上进行改进,将BP神经网络与遗传优化算法相结合,弥补BP神经网络的不足。最后通过仿真实验结果表明热负荷预测的误差大大减少,预测精度提高,继而实现合理供热。     

基于门控循环单元的链路质量预测

链路质量预测可以为上层路由协议选择高质量的无线链路进行通信提供依据。采用手肘法优化的K-means++算法,在此基础上自适应划分链路质量等级;选择RSSI均值、LQI均值以及SNR均值作为链路质量参数;基于Catboost评估链路质量,采用网格搜索法优化CatBoost超参数;使用滑动时间窗口得到链路质量时间序列样本集,使用 GRU提取链路质量的时序信息,将时序信息输入支持向量回归预测得到下一时刻链路质量等级。在室内、走廊以及停车场三个场景下实验表明,与基于小波神经网络、循环神经网络和随机向量函数链等方法构建的链路质量预测模型相比,本文提出的方法有更高的预测准确率。     

基于变异学习的药物构效关系模式分类法

提出一类用于预测药物活性的神经元模式分类器及其神经网络进化学习新算法－－变异基遗传法。该算法仅采用变异算子进行局部优化搜索,并利用随机初始化技术使算法在局部搜索功能提高的同时仍有可能寻找到全局最优解。该研究以有机氟农药为例,将基于变异学习的神经元模式分类方法应用于药物构效关系的识别研究,实验结果表明,该方法能有效地辨识药物构效关系模式,模式分类识别正确率优于其他神经元模式分类法。     

基于GIS的河流水体污染非线性预测系统研究

针对河流水体污染物的空间分布特点,提出综合运用GIS、BP神经网络和遗传算法,实现河流水污染的空间数据管理和污染预测的方法。该方法通过改进激励函数、为权值的修正加入动量项等方法改良BP算法;并引入遗传算法实现BP神经网络隐层节点数、最佳学习率和动量因子等参数的自动搜索,有效地解决了传统模型参数难以确定等问题。并进一步将该模型与GIS强大的空间功能结合,实现了水体污染的海量空间数据管理及评价预测结果的空间图形直观可视化表达,十分便于及时掌握河流水体污染动态、空间分布及演化趋势。并最终以GIS为二次开发平台,实现了基于遗传神经网络的河流水体污染非线性预测管理系统,并在长江重庆城区段河流污染预测应用中显示出良好的效果,预测精度达78%以上。