改进的GPC在网络控制系统时延问题中的应用

针对网络控制系统的时延具有随机、时变的特性,常会出现控制效果不理想的问题提出了动态BP网络误差修正的广义预测控制.在BP神经网络中加入误差动态反馈环节,形成动态补偿的神经网络模型,通过动态BP网络建立误差的预测模型,采用误差预测值对传统广义预测控制的输出预测值进行修正.仿真结果表明,将算法应用到时延网络控制系统当中能取得较好的控制效果.     

网络时延的混沌特性分析及预测

针对互联网的传输时延处于不确定状态的问题,从网络时延序列表现出的性质出发,将混沌理论引入对网络时延的特性分析.通过对实际网络时延数据的处理,计算验证了网络时延具有混沌特性.并提出了采用混沌一支持向量机回归模型对互联网络时延进行预测的方法,通过实例分析对该方法进行了验证.分析结果证明了混沌一支持向量机模型可以对网络时延的变化趋势进行较为准确的预测,和BP神经网络回归预测相比,混沌一支持向量机对时延的短期预测具有更高精度.     

神经网络预测远程控制系统中信息延时的研究

针对网络控制系统中前向通道和反馈通道同时存在随机延迟及延时不确定的问题,通过实例分析了随机延时对闭环控制系统影响的根源,提出了通过基于神经网络的预测控制方法解决存在网络随机延时的控制系统闭环控制的可行性。仿真结果表明该方法能够反映并预测该测量数据所代表的网络路径之间的时延特性,并能在基于Internet的闭环控制系统的设计中有效地替代实际网络进行研究;而所用的方法具有快速、准确的特点,能用于在线学习网络模型并对网络的时延值进行预测,为基于Internet的远程闭环控制提供了新的思路。     

网络时延的混沌特性分析及预测

针对互联网的传输时延处于不确定状态的问题,从网络时延序列表现出的性质出发,将混沌理论引入对网络时延的特性分析。通过对实际网络时延数据的处理,计算验证了网络时延具有混沌特性。并提出了采用混沌一支持向量机回归模型对互联网络时延进行预测的方法,通过实例分析对该方法进行了验证。分析结果证明了混沌—支持向量机模型可以对网络时延的变化趋势进行较为准确的预测,和BP神经网络回归预测相比,混沌—支持向量机对时延的短期预测具有更高精度。     

网络时延预测研究

网络时间延迟是影响网络控制系统性能的一个主要因素,提前知道网络时延对提升网络控制系统的性能有一定的重要作用,网络时延预测准确度的高低直接影响到网络控制系统性能,为了更好的预测数据在网络上传输的时间延迟,满足网络控制系统需要,该文针对互联网中网络时延的预测问题进行了分析,分别用AR模型和Elman神经网络预测网络时延,通过仿真表明,平稳时延的预测AR模型要稍好,但扰动时延的预测Elman神经网络预测准确度及自适应性优于AR模型。     

基于互联网的远程控制中网络时延测试与研究

不确定性的网络时延导致了远程控制品质降低,成为影响网络化控制系统性能的关键因素.因此,对网络时延的特性分析以及精确的预测对改善远程控制的动态性能起到重要的作用.在对互联网时延进行了大量的测试的基础上,分析了网络时延的原因以及规律,提出了一种基于误差修正的改进BP神经网络来预测互联网不确定性时延的方法.通过实验比较,证明了该预测方法的有效性.     

基于核方法的移动机器人远程控制时延预测与分析*

构建了基于Internet的移动机器人控制平台,针对该平台中网络时延的非线性特性,提出了利用线性核和RBF核方法对网络时延序列样本进行回归建模和预测。比较了核方法、BP神经网络和RBF神经网络算法预测误差,表明在移动机器人远程控制中,核方法对网络时延序列预测具有更好的函数逼近能力和较高的预测精度,从而可根据预测时延调节移动机器人控制指令和状态信息的网络传输,保证系统的可靠性,提高移动机器人的控制性能。     

机器人遥操作系统中信息延时的预测研究

分析了互联网传输时延的组成和特性后,提出了用BP神经网络和Elman神经网络预测网络传输时延,仿真结果表明BP神经网络和Elman神经网络提供了两种有前途的互联网时延预测方法,但Elman神经网络有更好的预测效果.     

基于RBF网络和AR模型的网络时延预测

分析了网络传输时延的组成和特点，提出了利用AR模型和RBF神经网络预测网络传输时1延，运用Matlab软件对其预测进行仿真．结果证明AR模型和RBF神经网络都能很好的预测网络时延，通过对比仿真结果分析，得出各自进行时延预测的适用条件。     

基于时延特性的短时动态交通流预测模型研究

针对传统预测模型存在的预测误差较大等问题,基于时延特性设计了新的短时动态交通流预测模型.采用延迟坐标状态相空间重构法重构交通流时间序列,并结合C-C算法,利用序列的关联积分组成描述非线性时间序列相关性的统计量,确定嵌入维数与时延.根据重构后的时延特性,利用相似性度量方法初步预测的目标断面流量,并建立递归神经网络模型.在递归神经网络模型的链式结构中引入长短时记忆单元,增强预测网络的记忆能力,实现短时动态交通流预测.实验结果表明,上述模型能够有效实现短时动态交通流预测,预测结果与实际之间的误差小,且预测F-measure值高、鲁棒性好,证明其具备较好的交通流量预测效果.     

神经网络广义预测控制在锅炉燃烧系统中的应用

针对锅炉燃烧系统的非线性、大延迟、时变、干扰频繁等特点,以煤粉浓度为中间被调量,将神经网络、广义预测控制、串级控制相结合,设计了基于神经网络模型的广义预测串级控制系统.该控制方法克服了单纯PID控制对大惯性大延迟对象调节品质差、抗干扰性弱的缺点,神经网络预测器有效地补偿了传统预测控制基于线性模型的局限性.将该控制算法用于燃烧系统中主汽压力对象的控制,仿真结果表明该方法具有较强的跟踪性能和抗干扰能力及良好的动静态性能指标.     

基于排错等待延迟的广义动态集成神经网络模型

软件可靠性增长模型在可靠性评估与保障中具有重要作用,针对软件测试过程中的故障检测和排错等待延迟问题,提出了一种考虑故障排错等待延迟的广义动态集成神经网络模型(RWD-SRGM)。该模型考虑软件工程的多样性,利用神经网络方法构建广义动态集成模型,并考虑排错等待延迟现象完成故障检测和预测。通过2组真实失效数据集(DS1和DS2)的实验,将所提模型与现有的软件可靠性增长模型进行了比较,结果显示考虑故障排错等待延迟的神经网络模型拟合效果最优,表现出了更好的软件可靠性评估性能和模型通用性。     

基于小波包的RBF神经网络网络流量混沌预测

为了提高网络流量预测准确率,提出了基于小波包的RBF神经网络网络流量混沌预测法(WPCRBF).充分考虑到真实网络流量的周期性和噪声的影响,提出了一种改进的时间窗口法来计算最佳嵌入维和时间延迟,并用于上述预测方法中.以真实网络流量数据为实验数据,分别用CRBF、基于小波的RBF神经网络混沌预测法(WCRBF)与提出的WPCRBF进行预测,实验结果表明,该方法能够较准确地对网络流量进行预测.     

基于神经网络的集装箱船港口作业时间预测模型

集装箱船港口作业时间是制作泊位计划的一个重要依据,而集装箱船港口作业时间获取的主要来源是预测。传统预测方法是用装卸集装箱量除以岸桥装卸效率,预测精度较低,且受多种因素的影响,具有复杂的非线性特点。而神经网络在解决复杂的非线性问题方面具有很强的建模能力,所以选取神经网络建立集装箱船港口作业时间预测模型。通过真实数据对预测模型进行训练学习,用测试数据集对模型进行验证,并且与传统预测方法相对比,结果表明了该预测模型在某集装箱港口预测应用的有效性。     

高速铁路列车连带晚点的智能预测及特征识别

列车晚点预测及分析直接服务于高速铁路调度指挥, 是列车晚点研究的重点内容. 通过对列车晚点传播结构及传播规律的分析, 提出了一种高速铁路列车连带晚点的智能预测及特征识别方法. 首先利用列车晚点自身传播及相邻线列车晚点传播的关系, 构建基于小波神经网络的列车连带晚点递阶预测模型; 然后利用列车晚点波动的线性组合方程及其结构向量, 进行列车连带晚点影响值的量化; 最后综合连带晚点的实际值、预测值和影响值, 将晚点分为严重晚点、消散晚点、潜在晚点、一般晚点四种类型. 成渝高铁的实例数据表明, 小波神经网络的预测结果具有较高精度, 连带晚点的分类结果也比较符合实际, 能够为高速铁路列车连带晚点的运行调整提供数据支撑.     

基于Adaboost算法的水质组合预测方法研究

水质预测是水环境污染防治的重要内容,针对传统水质预测方法精度低、收敛速度慢等问题,研究首先选取Symlets和Daubechies小波系作为小波函数,对原始数据进行去噪处理并对比,再结合RBF、Elman神经网络以及支持向量机各自优点,通过不同算法优化三种预测模型,提出基于Adaboost算法将优化后的RBF、Elman神经网络以及支持向量机相结合的组合预测方法。以北海为对象进行仿真实验,验证基于Adaboost的溶解氧组合预测方法的有效性,并分别与单一模型的预测结果进行对比,结果表明该方法相比于传统的单一模型预测精度得到了提高,为水质精准预测提供了一种新思路。     

基于混合算法的通信用户规模预测方法研究

准确地对通信用户规模进行预测对于通信运营商的决策具有十分重要的意义,而现有的常规预测方法存在预测误差较大、预测速率低等问题。研究一种基于RBF神经网络的通信用户规模预测模型。为了使得RBF神经网络算法预测性能更优,使用梯度下降算法与遗传算法混合对RBF神经网络进行参数优化,提高预测模型收敛效率。实例分析表明,使用本文研究的混合RBF神经网络预测模型的预测结果明显优于其他传统的预测模型。同时,在预测速度上也具有较大的优势。     

基于PCA优化的神经网络飞机燃油消耗预测方法

针对传统方法存在的不足,提出了基于主成分分析法优化的Elman神经网络飞机燃油消耗预测方法。利用主成分分析法降低神经网络输入维数。构建主成分分析与Elman神经网络模型,进行基于飞参数据的实例分析,并将几种神经网络的预测效果进行了对比;提出了基于K-S检验法预测结果冗余修正法并进行了修正。误差指标和预测图像表明与主成分分析结合后Elman神经网络对飞机燃油消耗的预测性能优于其他传统神经网络,且K S检验法能够有效实现对预测结果的修正。     

A nonlinear prediction model for Chinese speech signal based on RBF neural network

A novel method for Chinese speech time series prediction model is proposed. In order to reconstruct the phase space of Chinese speech signal, the delay time and embedding dimension are calculated by C–C method and false nearest neighbor algorithm. The maximum lyapunov exponent and correlation dimension of Chinese speech phoneme are calculated by wolf algorithm and genetic programming algorithm. The numerical results show that there exists nonlinear characteristics in Chinese speech signal. Based on the analysis method of RBF neural network and the nonlinear characteristic parameters such as the delay time and embedding dimension, a nonlinear prediction model is designed. In order to further verify the prediction performance of the designed prediction model, waveform comparison and four evaluation indexes are used. It is shown that compared with the linear prediction model and back propagation neural network nonlinear prediction model, prediction error of the RBF neural network nonlinear prediction model is significantly reduced, and the model has higher prediction accuracy and prediction performance.

     

基于小波分析与BP神经网络的人体血压预测

及时、准确预测人体血压变化从而预防人体血压不稳定导致的病情加重的情况发生显得越来越重要.对此本文提出一种基于小波分析与BP神经网络组合的人体血压预测模型,该模型利用小波分解重构法对非平稳的人体血压序列进行分解重构计算,分离出原始序列中的高频细节分量和低频趋势分量,再利用BP神经网络预测算法对各层分量建立预测模型,最后将两种模型的预测值进行叠加,得到原始血压序列的预测值.研究表明,该组合预测模型的预测精度明显高于传统BP神经网络预测模型的预测精度,为人体血压预测提供了一种有效可靠的组合预测方法.