改进飞蛾捕焰算法在网络流量预测中的应用

传统BP神经网络对网络流量时间序列预测精度低和泛化能力弱。为此,提出一种新的优化BP神经网络的方法。通过小波包分解对网络流量进行多频段序列分解,并采用飞蛾纵横交叉混沌捕焰算法优化的神经网络,对各分解后的子序列进行预测,叠加各子序列的预测值,重构获取实际预测结果。仿真结果表明,与传统BP神经网络预测方法相比,该方法能捕获网络流量的变化规律,具有较好的预测精度、稳定性和泛化能力。     

基于像素层标识点的双边滤波快速实现

为实现船舶缆绳载荷短期高精度预测,提出一种将小波多尺度分解重构法与BP神经网络组合建模的预测算法。该组合算法利用小波多尺度分解重构法对非平稳的船舶缆绳载荷序列进行分解重构计算,将非平稳的原始缆绳载荷序列转化为多层较平稳缆绳载荷序列分量,再利用BP神经网络预测算法对各层分量建立预测模型,以实现短期预测计算。仿真结果表明:该组合算法实现了缆绳载荷的短期高精度预测,具有较强的细分与自学习能力,能够满足工程中对缆绳载荷预测精度的需要。     

基于SNMP的天基网络流量的在线遥测与预测*

针对星上路由器的业务流量速率为遥测目标,使用SNMP报文来实时收集网络流量统计信息,并使用多分辨率分析与神经网络结合的方法,对测量的流量数据序列进行冗余小波变换,将分解后不同尺度的系数用于BP神经网络的输入来进行流量的在线短时预测.     

网络流量预测的建模与仿真研究

研究网络流量准确预测问题,网络流量变化是一种具有时变性、多尺度和突发性的非线性系统,由于传统时间序列预测方法很难揭示内在变化规律,导致网络流量的预测精度比较低.为了提高网络流量的预测精度,提出一种小波分析BP神经网络的网络流量预测模型.模型首先通过小波分析对网络流量进行分解,得到网络流量信号的近似和细节部分,然后进行重构提取多尺度特征,最后将重构的网络流量数据输入到BP神经网络,利用BP神经网络的非线性能力对网络流量进行训练、建模并预测.仿真结果表明,小波神经网络方法提高了网络流量预测精度,是一种有效实用的网络流量预测方法.     

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。     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

基于强化学习的网络流量非线性多步预测方法

网络流量具有分形特性,用线性方法来预测非线性的网络流量,预测精度不高.为了提高测性能,提出了网络流量的非线性多步预测同题,利用一种结合分形神经网络、强化学习的非线性多步预测方法,用多重分形性质将网络流量序列分解为短相关序列,设计了一种强化学习神经网络(MRLA)流量预测模型,利用强化学习的Q算法训练BP神经网络,预测尺度系数、计算权值,最后构建MRLA网络进行仿真,预测网络流量.实验分析显示,相对MMLP网络,新预测方法具较好的多步预测性能.     

基于时间序列的瓦斯浓度动态预测

现有瓦斯浓度预测方法只能实现瓦斯浓度的静态预测,不能随着瓦斯数据的累积而及时更新,从而导致预测结果不具有及时性。针对该问题,提出了一种基于时间序列的瓦斯浓度动态预测方法。利用小波分解技术的多分辨率特性,将瓦斯浓度时间序列分解到不同尺度上,使时间序列平稳化;通过实时动态构建的自回归滑动平均(ARMA)模型,利用过去瓦斯浓度变化趋势预测未来一段时间的矿井瓦斯浓度值,得到时间序列预测结果;为提高瓦斯浓度预测精度,将ARMA模型的预测结果与矿井环境参数输入到训练好的BP神经网络模型中,通过BP神经网络模型对预测结果进行修正,从而获得最终的瓦斯浓度预测值。测试结果表明,该方法可对矿井瓦斯浓度进行准确预测,瓦斯体积分数预测平均相对误差从8%降低到了5%。     

BP-LCD方法及其在滚动轴承故障诊断中的应用

针对局部特征尺度分解（Local Characteristic-scale Decomposition,LCD）方法中严重的端点效应,将BP神经网络应用到信号的延拓中,提出了一种提出基于BP神经网络延拓局部特征尺度分解（BP neural network endpoint extension Local Characteristic-scale Decomposition,BP-LCD）方法。该方法首先利用BP神经网络将待分解信号进行两端预测延拓,然后对延拓后的曲线进行LCD分解。通过仿真信号的分析,验证了该方法可以有效地抑制LCD方法中的端点效应;将该方法应用到实际滚动轴承的故障诊断中,结果表明了该方法的有效性。     

基于Huang变换和BP神经网络的时间序列预测方法

Huang变换是近几年发展起来处理非平稳信号的新方法。时间序列同信号一样具有非平稳的特性,研究了Huang变换在时间序列预测中的应用。首先将时间序列通过Huang变换分解为有限个固有模态函数和一个残余函数之和,每一个的固有模态函数反映了时间序列在各个尺度的特征,而残余函数则很好地反映了时间序列的总体趋势,然后应用BP神经网络对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,就得到原始时间序列的预测值。实例证明,基于Huang变换和BP神经网络的时间序列的预测方法,优于小波变换和神经网络相结合的预测方法,提高了预测精度。     

基于COBP模型的城市短期需水量预测研究

针对城市需水量预测中时间序列的非线性特性及传统BP网络预测收敛速度慢易陷入局部极小值等问题,将Chaos理论和BP神经网络理论相结合,提出了一种基于Chaos-BP理论的城市短期需水量COBP(ChaosBackPropagtion)预测模型。利用重构相空间的嵌入维数确定COBP网络的结构,通过混沌优化搜索,找到BP神经网络权值的全局最优值,并对其输出的“尖点”预测值进行混沌参数控制,实现城市短期需水量的预测。仿真分析表明,与传统预测模型相比,COBP预测模型所需训练数据样本少,收敛速度快、易达到全局最小值,预测结果整体误差的指标良好,呈现良好的综合预测性能。     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于递归神经网络的风暴潮增水预测

风暴潮增水的准确预测能极大地减少人员伤害和经济损失,具有重要的实用价值。传统的风暴潮预报方法主要包括经验和数值预报,很难建立起相对准确的模型。现有的基于机器学习风暴潮预报方法大都只提取出静态数据间的关系,并没有充分挖掘出风暴潮数据背后的时序关联特性。文中提出了一种基于递归神经网络的风暴潮增水预测方法。本文对风暴潮时序数据进行特定的处理,并设计合适结构的递归神经网络,从而完成时序数据的预测。相较于传统的BP神经网络,递归神经网络能更好地应对时序数据的预测问题。将该方法用于潍坊水站的增水预测中,结果表明,相对于BP神经网络,递归神经网络能得到更好的预测结果,误差更小。     

Support vector machine with adaptive parameters in financial time series forecasting

A novel type of learning machine called support vector machine (SVM) has been receiving increasing interest in areas ranging from its original application in pattern recognition to other applications such as regression estimation due to its remarkable generalization performance. This paper deals with the application of SVM in financial time series forecasting. The feasibility of applying SVM in financial forecasting is first examined by comparing it with the multilayer back-propagation (BP) neural network and the regularized radial basis function (RBF) neural network. The variability in performance of SVM with respect to the free parameters is investigated experimentally. Adaptive parameters are then proposed by incorporating the nonstationarity of financial time series into SVM. Five real futures contracts collated from the Chicago Mercantile Market are used as the data sets. The simulation shows that among the three methods, SVM outperforms the BP neural network in financial forecasting, and there are comparable generalization performance between SVM and the regularized RBF neural network. Furthermore, the free parameters of SVM have a great effect on the generalization performance. SVM with adaptive parameters can both achieve higher generalization performance and use fewer support vectors than the standard SVM in financial forecasting.     

基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。     

A novel axle temperature forecasting method based on decomposition,reinforcement learning optimization and neural network

Axle temperature forecasting technology is important for monitoring the status of the train bogie and preventing the hot axle and other dangerous accidents. In order to achieve high-precision forecasting of axle temperature, a hybrid axle temperature time series forecasting model based on decomposition preprocessing method, parameter optimization method, and the Back Propagation (BP) neural network is proposed in this study. The modeling process consists of three phases. In stage I, the empirical wavelet transform (EWT) method is used to preprocess the original axle temperature series by decomposing them into several subseries. In stage II, the Q-learning algorithm is used to optimize the initial weights and thresholds of the BP neural network. In stage III, the Q-BPNN network is used to build the forecasting model and complete predicting all subseries. And the final forecasting results are generated by combining all prediction results of subseries. By comparing all results over three case predictions, it can be concluded that: (a) the proposed Q-learning based parameter optimization method is effective in improving the accuracy of the BP neural network and works better than the traditional population-based optimization methods; (b) the proposed hybrid axle temperature forecasting model can get accurate prediction results in all cases and provides the best accuracy among eight general models.     

基于小波神经网络法的短期风电功率预测方法研究

基于小波与BP神经网络,提出一种小波与BP神经网络结合的方法对短期风电负荷进行预测。运用小波能够精确地提取时间序列的细微特性和BP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了小波神经网络预测模型,经实际数据证明该方法提高了预测的精确性。     

基于改进遗传算法优化BP神经网络的销售预测模型

随着经济的快速发展,众多企业步入科学化管理的时代.销售预测是企业经营活动中必不可少的一个环节,预测的准确性直接关系到销售经营的成败.因此提出基于传统BP神经网络与时间序列预测模型为一体的改良BP神经网络预测模型,通过该模型的预测,可以更可靠地预测企业在未来单位时间内的销售额.改良神经网络参考了同步时间序列的预测做出了自我校准,并利用遗传算法达到通过校准得到自我优化的目的,简化网络结构,提高预测的准确度.     

Daily Urban Water Demand Forecasting Based on Chaotic Theory and Continuous Deep Belief Neural Network

The prediction of daily water demands is a crucial part of the effective functioning of the water supply system. This work proposed that a continuous deep belief neural network (CDBNN) model based on the chaotic theory should be implemented to predict the daily water demand time series in Zhuzhou, China. CDBNN should initially be used to predict the urban water demand time series. First, the power spectrum and the largest Lyapunov exponent is used to determine the chaotic characteristic of the daily water demand time series. Second, C–C method is utilized to reconstruct the water demand time series’ phase space. Lastly, the forecasting model should be produced with the continuous deep belief network and neural network algorithms implemented for feature learning and regression, respectively, and the CDBNN input established by the best embedding dimension of the reconstructed phase space. The proposed method is contrasted with the support vector regression, generalized regression neural networks and feed forward neural networks, and they are accepted with the identical dataset. The predictive performance of the models is examined using normalized root-mean-square error (NRMSE), correlation coefficient (COR), and mean absolute percentage error (MAPE). The results suggest that the hybrid model has the smallest NRMSE and MAPE values, and the largest COR.