小波神经网络预测模型的仿真实现

针对神经网络预测模型在对非线性序列进行预测时,容易陷入局部次优点,训练速度慢的缺点,在传统神经网络预测模型的基础上,引入小波作为隐含层的传递函数,构成新的预测模型:小波神经网络预测模型.介绍了小波神经网络预测模型的构建,仿真模型和仿真算法,并把小波神经网络预测模型在matlab7.0以网络流量的预测对模型进行了效果检验,得出了预测精度较高的预测结果,并且克服了容易陷入局部次优点的缺点,同时训练速度较之神经网络预测模型大大提高.     

基于径向基函数神经网络的多级离心压缩机混合模型

大型离心压缩机作为多影响因素和强非线性的复杂系统,其性能的准确预测难以实现.针对这一问题,结合径向基函数(RBF)神经网络,本文建立了多级离心压缩机性能预测的混合模型.首先基于热力学第一定律和压缩机能量损失机理建立了多级离心压缩机性能预测的机理模型.该模型无需任何实验确定的性能曲线,完全由压缩机的几何结构参数预测出压缩机在设计工况和非设计工况下的性能.然后利用RBF神经网络修正机理模型的误差,并通过对RBF神经网络的不断更新,进一步提高了模型的预测精度和适用性.将所建立的混合模型应用于实际的离心压缩机,结果表明该方法具有良好的预测性能.     

基于小波变换和QNN的TRT中透平机运行状况预测

针对TRT系统中透平机结构复杂,故障特征表现及故障产生原因普遍具有模糊性、复杂性的特点,将现场采集的数据利用小波变换的软硬阈值折中算法处理小波系数,滤除噪声。通过建立量子神经网络(QNN)预测模型中网络结构的调整、网络的训练,得到预测结果。实验仿真结果表明:利用小波变换可以有效地滤除数据中的噪声,所建立的QNN预测模型可以有效地实现对TRT系统中透平机的运行状况预测。     

基于小波神经网络的城市建设用地预测

城市建设用地的准确预测是城市土地总体规划的重要决策基础。通过对影响城市建设用地主要因素的研究,提出一种基于小波神经网络的城市建设用地预测模型,并给出相应的网络学习算法。以湖南省长沙市为例,建立了基于小波神经网络的长沙市建设用地预测模型,比较分析了小波神经网络模型与灰色BP神经网络模型和传统BP神经网络模型的预测结果。分析结果表明:小波神经网络模型比灰色BP神经网络模型和传统BP神经网络模型的收敛速度快、预测精度高,在城市建设用地预测中更具应用价值。该成果为城市建设用地预测研究提供了有益参考。     

小波神经网络在短时交通流量预测中的应用

研究在短时交通流量预测问题,短时交通流量存在随机性和非线性因素,影响预测的准确性。传统预测模型难以反映交通流量变化特点,同时传统神经网络易陷入局部极小值,泛化能力差,交通流量预测精度低。为了提高短时交通流量预测精度,提出一种小波神经网络的短时交通流量预测模型。小波神经网络可以对短时交通流量随机性、不确定性进行局部分析,并进行非线性预测,验证了模型的有效性,进行了对比试验。验证结果表明,小波神经网络提高了短时交通流量预精度,预测结果更具应用价值。     

小波神经网络在NGN流量预测中的应用

基于下一代网络NGN（Next Generation Network）的运行环境，该文提出了一个的基于小波神经网络的IP流量预测方法。在神经网络预测模型中，神经网络中的转移函数使用小波函数来替代，从而建立小波基神经网络；同时，通过使用小波多分辨率方法将原始流量信号分解成不同频率成分的分量信号，然后使用分量信号作为训练样本训练小波基神经网络。通过前述方法建立NGN流量预测模型，并根据实际流量数据预测一天的流量。实验结果表明本方法相较未采用小波的神经网络预测方法，能显著提高流量预测精度。     

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。     

基于小波神经网络的开关磁阻发电机故障预测模型研究

开关磁阻发电机因其具有发电容量大、效率高、起动和发电组合容易等优点而拥有很大的应用前景和价值;首先利用MAT-LAB软件对开关磁阻发电机的电气故障进行了仿真,相电阻0.1Ω,导通角28°,关断角55°,转速7500rad/s,负载电阻114Ω,输出电容2000μF,得出故障下的特征数据,然后,鉴于小波神经网络预测算法结合了小波变换良好的时频局域化性质及传统神经网络自学习功能,建立了开关磁阻发电机基于小波神经网络的典型故障预测模型,仿真结果证明其良好的性能。     

基于小波神经网络的电力系统短期负荷预测模型研究

实现了BP神经网络电力负荷预测模型和小波神经网络电力负荷预测模型.通过对两种神经网络的算法进行理论分析以及两种模型的预测结果比较发现,小波神经网络在神经网络节点数目相同的情况下,小波神经网络比BP神经网络具有更高的预测精度.小波神经网络是一种建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性.文中所指的小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测中得到验证.表明小波神经网络模型预测精度高,自适应性好,收敛速度也明显快.     

基于遗传算法优化小波神经网络的短期天然气负荷预测

天然气负荷预测对于燃气经营企业尤其重要,对保证天然气管网的用气量、优化管网的调度具有重要意义.传统的天然气预测模型预测精度低、模型泛化程度低.为了克服模型缺陷,提出了一种基于遗传算法优化小波神经网络的天然气负荷预测模型.通过遗传算法对小波神经网络的阈值以及网络连接权值等参数进行优化,从而建立预测效果最好的模型,通过企业提供的历史门站数据对预测模型进行验证.仿真结果表明,使用遗传算法优化网络参数的小波神经网络提高了模型的预测精度,具有一定的工程应用价值.     

小波消噪和神经网络的网络流量混沌预测

网络流量数据中含有大量噪声,对网络流量预测精度产生不利影响,为此,提出一种小波消噪和神经网络相融合的网络流量混沌预测模型。采用小波技术对网络流量数据进行消噪处理,采用关联维数确定BP神经网络输入变量个数,采用BP神经网络建立网络流量预测模型。结果表明,与消噪前比,小波消噪和神经网络模型更能准确刻画网络流量的变化趋势,有效提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

基于“松散型”小波神经网络的时间序列预测研究

分析了一种新的时间序列预测模型——“松散型”小波神经网络预测模型。在用神经网络分析时间序列预测方法的基础上,用方差分析的统计方法确定样本序列的长度,从而有效地确定神经网络输入层节点数。运用该模型对太阳黑子年平均序列进行小波分解、重构、预测和合成,得到了序列总的预测效果。同时,将新模型与传统BP神经网络模型的预测效果进行了比较,分析了两者出现差异的本质原因。整体反映了将复杂问题简单化处理、将小波多分辨分析同神经网络的非线性逼近功能相结合的思想。这种思想及方法发挥了小波变换和神经网络的各自优势,明显提高了预测精度。     

石油价格预测算法的仿真研究

研究石油价格变化趋势问题,由于价格的不确定性,石油价格变化具有非线性、突变性和随机性.传统预测方法均是基于线性建模的,无法很好描述石油价格变化规律,从而预测精度较低.为提高石油价格预测精度,提出一种小波神经网络的石油价格预测模型.根据小波分析优异的多尺变分析功能和神经网络非线性预测能力对石油价格变化趋势进行仿真预测.仿真结果表明,相对于传统石油价格预测模型,小波神经网络提高了预测精度,降低了预测误差,更好的反映了石油价格的变化规律,是一种有效、高精度的石油价格预测工具,为预测石油的价格提供了参考.     

基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

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。     

基于改进小波神经网络的网络流量预测研究

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。针对传统小波神经网络训练算法的不足,提出了自适应量子粒子优化算法——AQPSO,用于训练小波神经网络,优化网络参数,建立基于AQPSO算法优化的小波网络预测模型。实验结果表明,该模型对网络流量的短期预测是有效可行的,并具有良好的收敛性和稳定性。     

基于提升方案的冗余Haar小波变换与时间序列预测

针对小波分析存在的边界问题，提出一种基于提升方案的冗余Haar小波变换(Haar_RLWT)。使用该方法得到的系数序列，在具备时移不变性的同时，消除了右侧边界存在数据畸变的现象，使小波分析技术结合神经网络等传统预测模型的方法应用于时间序列预测任务具备可行性。同时为进一步提高预测效果，引入神经网络集成技术以改善网络泛化能力。实验表明，该综合预测模型预测效果与稳定性优于传统预测模型。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

小波神经网络在粮食产量预测中的应用

文章提出一种基于小波神经网络的粮食产量预测模型。给出具体的网络学习算法,并结合算法对我国粮食产量进行预测。为验证模型有效性,进行了对比测试。分析结果表明,小波神经网络模型比传统的BP神经网络模型具有收敛速度快,预测精度高的特点。     

基于灰色Verhulst-小波神经网络的装备故障预测研究

针对现代武器装备故障预测样本少、故障预测精度低、维修保障困难等问题,提出一种基于灰色Verhulst-小波神经网络组合模型的装备故障预测方法。该方法综合了灰色Verhulst模型所需样本少的优点和小波神经网络良好的时频局域化性质和学习能力,克服了小样本故障数据在BP神经网络训练中的缺陷。实验结果表明,与相关研究方法比较,所提出方法具有较高的预测精度,对于武器装备故障预测与维修保障具有一定的理论价值和现实意义。