基于粗糙集的模糊神经网络降水预报模型研究

为了提高模糊神经网络预测模型的预测能力,提出了基于粗集理论方法选择自变量作为模型输入的模糊神经网络预报建模方法.以短期降水预报作为研究对象,利用粗集理论的条件属性约简计算分析方法,对初选得到的预报因子矩阵进行属性约简,剔除不相关的属性,找出与预报量直接相关的预报因子,建立模糊神经网络的降水预报模型.实际的预报试验结果表明,该预报方法的预报精度明显高于由逐步回归方法选择预报因子作为模型输入的模糊神经网络预报模型及中国气象局T213数值预报模式的预报结果.     

模糊化的Modular模糊神经网络降水预报模型研究

以广西西南部前汛期5、6月25个气象站平均逐日降水量作为预报对象,采用自然正交分解方法和模糊化方法对输入因子预处理后,结合Modular模糊神经网络建立了一种新的降水预报模型,并进行了逐日业务预报应用试验.结果表明,该降水预报模型比常规Modular模糊神经网络方法及逐步回归方法有更高的预报精度,具有较好的业务应用前景.     

SRM模型在玛纳斯河流域春季洪水预警中的应用研究

在玛纳斯河流域应用SRM模型进行日径流量的预报,进一步完成对该流域春季融雪性洪水的监测和预警,为防洪、抗旱、提高水资源利用提供技术支撑。引入中国气象局T213数值产品来进行流域分带温度和降水的预报,为融雪径流预报开辟了新的数据方法。通过利用自主开发的融雪径流模拟预报软件1.0版对玛纳斯河流域肯斯瓦特水文站2004年春季融雪期进行径流量预报,从SRM模型的两个精度评价指标看来,预报结果比较满意。
     

基于动态K均值的RBF神经网络日降水预报模型

针对优化径向基函数神经网络的各参数问题,提出一种动态K均值混合优化RBF神经网络并应用于广西降水数据进行建立预报模型,该模型与传统的K均值RBF模型和同期的T213降水预报进行对比,结果表明。该模型建立的5月3个区域的逐日降水预报,预测的精确度明显高于同期的T213降水预报。     

基于K近邻非参数回归的神经网络集成降水预测模型

降水预测是减灾防灾的重要研究课题。以中国气象局的T213和日本的细网格数据资料为基础,利用Bagging技术和不同的神经网络算法生成神经网络集成个体,采用主成分分析方法提取综合信息,最后建立多元K近邻非参数回归模型集成,以此对广西前汛期5月-6月的降水量进行预报,检验结果表明该模型预报稳定性好,预报准确率较高,具有较好的应用前景。     

卫星云图的遗传神经网络集合预测模型研究

针对目前缺乏卫星云图非线性预测技术理论方法问题,采用类似于数值预报模式的集合预报方法,构建了一种遗传神经网络的卫星云图非线性滚动预测模型。通过对每间隔3小时的红外卫星云图样本序列作自然正交展开,将提取出的时间系数作为云图预报建模的预报分量。考虑降水云系的发展变化,主要是受到云团环境物理量场的影响,利用数值预报模式的物理量预报产品作为各预报分量的预报因子,并采用系统降维计算处理方法,分别建立相应的时间系数遗传神经网络集合预报模型。将预报得出的各时间系数与空间向量合成,得出未来时刻的卫星云图预报图。预报试验结果表明,这种非线性预报模型可以较好地预报未来20~30小时的强降水云团发展、移动的主要特征和变化趋势。实况云图与预测云图的平均相关系数达到0.78。     

基于LLE的优化RBF神经网络降水预报模型

利用局部线性嵌入降维方法(LLE)提取有效因子,并将这些有效因子组成的特征空间矩阵作为优化的RBF神经网络的输入矩阵,从而建立网络模型.以此对广西5月区域平均日降水量进行预报,结果表明,该模型具有较好的收敛效果和泛化能力,在预报性能上明显优于同期的T213降水预报,具有一定的普遍适用性.     

基于相似离度的模糊神经网络方法在降水预报中的应用

针对样本矩阵中的奇异样本可能会影响模型的预报能力，提出了一种基于相似离度的模糊神经网络模型，并对广西北部前汛期（5月～6月）逐日平均降水量进行了49天的业务预报试验。结果表明，基于相似离度的模糊神经网络模型计算速度快，预报结果与实际值符合的较好，具有较好的业务应用前景。     

基于非参数回归的神经网络集成降水预报模型

利用粒子群优化算法的全局搜索能力,同时进化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络,进一步用主成份分析方法提取有效因子,再采用非参数回归模型进行集成,建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型,以此对广西前汛期5,6月区域平均日降水量进行预报.结果表明,这里建立的3个区域日平均降水量神经网络预报模型,在预报性能上明显优于同期的T213降水预报.     

《对分模糊相似判别法》及其在长期天气预报中的应用

本文介绍一种新的预报值为区间的预测方法——《对分模糊相似判别法》。它采用“逐步回归”法选定的线性相关预报因子或普查的线性相关预报因子进行模糊相似判别,区间收缩,选出最优区间。使预测的平均可信度比“逐步回归”法建立预报方程预报有较大的提高。 用此方法编制的ALGOL60计算机程序应用于重庆、宜宾、达县、万县等四川中、东部地区的长期天气预报计算,取得了良好的效果,用此方法处理非线性相关问题,及极端值天气预报比较有效。     

基于结合自适应步长布谷鸟搜查算法的模糊神经网络的软件可靠性增长模型

针对现有的软件可靠性增长模型(SRGM)适用性较差、预测精度波动大的问题,使用自适应步长布谷鸟搜查(ASCS)算法对模糊神经网络（FNN）的权重和阈值进行寻优,利用得到了最优权重和阈值的FNN建立SRGM。在使用缺陷数据对FNN训练的过程中,利用ASCS来调整FNN的权重和阈值,以此提高在预测过程中的精度,同时采用多次预测结果取均值的方式来减小FNN预测的波动性,以此建立基于结合自适应步长布谷鸟搜查算法的模糊神经网络（ASCS-FNN）的软件可靠性增长模型。利用3组软件缺陷数据,以误差比均值和误差平方和作为衡量标准,对基于ASCS-FNN、结合模拟退火算法的动态模糊神经网络（SA-DFNN）、FNN、BP网络（BPN）建立的SRGM的一步向前预测能力进行比较。预测结果表明,在四组模型中,基于ASCS-FNN建立的SRGM相对于SA-DFNN、FNN、BPN建立的SRGM的平均预测精度相对提高率RI(AE)和RI(SSE)分别为-1.48%、54.8%、33.8%和14.4%、76%、35.9%,并且该模型比FNN、BPN建立的SRGM在相同缺陷数据下的预测波动性小,而且网络结构比SA-DFNN的网络结构简单。因此该模型具有预测精度较高、预测稳定和具有一定的适用性等优点。     

回采工作面瓦斯涌出量耦合预测模型研究

为准确、快速地预测回采工作面瓦斯涌出量,提出一种基于主成分分析法（PCA）和改进的果蝇算法（MFOA）优化支持向量机（SVM）的回采工作面绝对瓦斯涌出量预测模型。模型首先运用PCA方法对原始数据进行降维处理,消除数据冗余,而后采用改进的果蝇算法对SVM参数进行全局寻优,避免SVM参数的选取对模型预测结果的不利影响,最终建立基于PCA-MFOA-SVM的耦合预测模型,并以实际监测数据为例进行仿真预测。结果表明：该模型预测的平均绝对误差为0.077 5 m3/t,平均相对误差为1.323 7%,与其他模型相比,预测精度高,综合性能好,能够实现回采工作面瓦斯涌出量的动态预测。     

基于K-means和改进KNN算法的风电功率短期预测系统

为提高风电功率短期预测的准确性,针对KNN（K-Nearest Neighbor algorithm）算法在风电功率预测中的不足,提出了基于K-means和改进KNN算法的风电功率短期预测方法。利用K-means聚类方法确定风电历史样本的类别,对KNN算法中搜索相似历史样本集的方式进行了改进和优化,构建了预测模型,并采用C/S架构实现了预测系统的设计。该系统具有自修正功能,能够随着预测次数的增加,不断修正预测模型,逐渐降低预测的误差率。以吉林省某风电场历史数据为样本进行了仿真分析,结果显示该算法与其它算法相比平均绝对误差和均方根误差最大下降1.08%和0.48%,运算时间提升了5.45%,在风电功率超短期多步预测中具有推广应用价值。     

基于云模型的短时交通流预测方法研究

为了提高短时交通流预测的精确性,提出了一种基于云模型的短时交通流智能预测方法.该方法利用云模型拟合交通流,分别用历史交通流和当前交通流建立历史云和当前云,共同生成预测云,用采预测交通流.结合广州市某交叉口交通流量采集数据,进行了仿真试验,以平均绝对误差(MAE)和平均绝对百分比误差(MAPE)两个指标来衡量预测效果,结果表明了该预测方法具有较高的预测精度.该方法既考虑到交通流历史变化,又顾及交通流实时变化,同时将交通流做整体性处理,很好地避开了噪声引起的预测误差问题,兼顾了预测精度和实时性的要求.     

基于模糊神经网络的大型多辊热连轧产品质量模型

本文提出了一种新模糊神经网络及其学习算法 ．将这种神经网络用作大型多辊热连轧产品质量模型,解决了高维输入数据的建模问题．经 过9千多个实测数据建模及检验,测试结果表明,85%的样本的检测值与实测值的误差满足工 程实际要求．     

A novel dynamic progress forecasting approach for construction projects

In this paper, we propose a novel construction project progress forecasting approach which combines the grey dynamic prediction model and the residual modified model to forecast the current progress during the construction phase. Firstly, four typical S-curves simplified from various sigmoid curves are proposed and fitted to the grey dynamic prediction model. For higher prediction accuracy, three different residual modified models are taken to amend the initial prediction value which was derived from the above step. The mean absolute percentage error (MAPE) and standard deviation of the estimate of Y (SDY) are used to assess the accuracy of the composite results. The better residual modified prediction model is adopted to combine the grey dynamic prediction model to form the novel progress forecasting approach. Then, practical completed construction cases are provided for testing the prediction ability of the proposed progress forecasting approach. Results show that the forecasting approach proposed to forecast construction progress during construction phase is able to get better prediction accuracy almost within 10% whether typical S-curves or practical cases. The new approach relatively provides an accurate, simple and stable method for predicting construction progress in comparison with the previous traditional forecasting methods.     

Forecasting wind speed using empirical mode decomposition and Elman neural network

Because of the chaotic nature and intrinsic complexity of wind speed, it is difficult to describe the moving tendency of wind speed and accurately forecast it. In our study, a novel EMD–ENN approach, a hybrid of empirical mode decomposition (EMD) and Elman neural network (ENN), is proposed to forecast wind speed. First, the original wind speed datasets are decomposed into a collection of intrinsic mode functions (IMFs) and a residue by EMD, yielding relatively stationary sub-series that can be readily modeled by neural networks. Second, both IMF components and residue are applied to establish the corresponding ENN models. Then, each sub-series is predicted using the corresponding ENN. Finally, the prediction values of the original wind speed datasets are calculated by the sum of the forecasting values of every sub-series. Moreover, in the ENN modeling process, the neuron number of the input layer is determined by a partial autocorrelation function. Four prediction cases of wind speed are used to test the performance of the proposed hybrid approach. Compared with the persistent model, back-propagation neural network, and ENN, the simulation results show that the proposed EMD–ENN model consistently has the minimum statistical error of the mean absolute error, mean square error, and mean absolute percentage error. Thus, it is concluded that the proposed approach is suitable for wind speed prediction.     

基于T-S模糊神经网络模型的编码器故障软闭环容错控制方法

针对舞台吊杆调速系统中速度反馈元件增量式编码器可能产生的丢码、断码等问题,为防止故障影响的传播,结合数据驱动技术提出了一种基于T-S模糊神经网络(T-S FNN)模型的编码器故障检测与软闭环容错控制方法。首先,利用系统正常运行时的历史数据建立系统较为精确的T-S FNN预测模型,并用实际编码器测量值与模型预测值相减获得残差信息;其次,将其残差实时数据通过改进的序贯概率比检验(SPRT)算法进行故障检测,以克服检测延迟确保故障检测的可靠性,当检测出故障时,再用T-S FNN模型的预测输出替代故障编码器的输出,实现软闭环方式下的容错运行;最后,针对编码器丢码、断码等故障,采用上述方法进行了软闭环容错控制的有效性仿真验证。仿真结果表明,该方法能够快速可靠地检测到编码器故障,并用预测的重构信息通过容错切换机制,及时、安全地以软闭环方式实现了对故障编码器的容错控制,提高了舞台吊杆调速系统运行的安全可靠性。     

基于多视图注意力机制的多维度价格预测模型研究

传统的股票价格预测模型只针对单一维度价格进行预测,忽略了多维度价格之间的复杂关系。因此,为了更好地对股票价格进行准确预测和为决策者提供前瞻性信息,提出了一种新的基于多视图注意力机制的多维度价格预测模型。通过多视图的深度可分离卷积网络学习多维度股票价格潜在的复杂的输入—输出关系,更好地提取股票价格的时空特征,实现时空数据的智能关联,并使用注意力机制进一步提升模型的预测性能,进而通过时空多维度的股价历史数据来预测单和多时间步长股票价格。该模型与其他四种模型在中国银行股价数据集上进行实验和比较,发现所提模型在不同预测时长下相比于表现最好的模型,平均绝对误差分别降低了0.4%、0.5%、4.2%、3.9%,均方误差分别降低了0.8%、2%、1.9%、1.9%,平均百分比误差分别降低了0.15%、0.21%、1.24%和1.34%。因此所提模型预测精度最高,预测性能最好,并且在对其他维度的股票价格预测上具有普适性。