一种自适应数据流值预测模型

为预测随机变化的数据流值,提出一种综合复杂人工智能预测方法和时间序列预测方法的自适应数据流预测模型。该模型可以根据数据流值变化的快慢程度自适应地确定预测步长,在计算资源受限的前提下,形成最佳预测点轨迹。与已有的预测方法相比,该方法能够良好地适应数据的变化,在计算复杂度和预测精度之间平衡,显著地提高了平均预测精度。     

一种基于功率谱重心的自适应特征信息提取方法

提出一种基于功率谱重心的自适应特征信息提取方法.该方法通过对不同状态转换过程中的灵敏度分布进行分析获得特征功率谱,然后计算特征功率谱的重心频率以及自适应加权系数,对特征功率谱进行自适应加权计算获得特征信息.文中给出了将自适应特征信息提取方法应用于磨煤机噪声信号特征提取的实例,对比分析了采用不同特征信息提取方法的效果.仿真结果表明,所提出的自适应特征信息提取方法能够准确剔除无效信息,自主适应运行工况变化,具有较好的灵敏度和线性度,为提高软测量模型的预测精度和泛化性能提供了保证.     

并行自适应混沌优化方法在中长期电量预测中的应用

不同地区的电量以及电量发展规律都不尽相同,要对其进行分析和研究就必须要采用科学的探究方法。实践证明：并行自适应混沌优化方法在中长期电量的预测中发挥了重要作用,它能对初值的敏感性进行分析,快速而准确地计算出预测模型的各种参数,提高电量预测的精度。本文主要对并行自适应混沌优化方法和中长期电量预测的数学模型进行了论述,同时对并行自适应混沌优化方法在中长期电量预测中的具体应用进行了分析。     

选矿过程精矿品位自适应在线支持向量预测方法

本文提出了一种基于支持向量回归的选矿过程精矿品位自适应在线预测方法,通过使用新的混合核函数和参数在线更新机制提高了精矿品位的预测精度.在分析经典核函数特性后,构造了一种混合核函数以兼顾模型的学习能力与泛化能力,同时为了提高预测方法对选矿生产动态过程的适应性,模型依据新工况样本对现有样本集统计特性的影响,引入了模型参数自适应调整机制,并采用在线迭代学习机制更新模型,提高了模型的计算速度.使用某选矿厂生产实际数据进行实验分析,结果表明本文方法比现有方法在计算时间和预测精度上都有明显优势,适合应用于动态变化的选矿生产过程.     

BP 神经网络在基金价格预测中的应用研究

研究基金价格变化的准确预测问题.针对基金价格变化规律相当复杂,影响因素间非线性程度相当的高,传统预测方法不能很好反映非线性规律,导致基金价格预测精度不高.为了基金价格预测精度,提出一种基于 BP 神经网络的基金价格预测模型.通过 BP 神经网络优异的非线性逼近能力和自学习能力对基金价格数据进行训练和预测,同时通过自适应学习速率动态地调速 BP 神经网络学习速率,对基金价格进行预测.通过对金泰基金的仿真研究,表明了改进的 BP 神经网络比其它基金价格预测具有更高的精确度,能准确地捕捉基金价格的变化趋势,为基金价格预测提供了参考.     

自适应动态控制种群规模的自然计算方法

提出了一种种群规模自适应动态控制策略,实现了种群规模根据进化过程自适应的动态变化.该策略的实现不依赖于算法进化操作的具体步骤,因而适用于各种基于种群优化的自然计算方法.首先给出了动态控制策略的框架;然后,在此框架下,充分利用动态种群规模反馈的有用信息,提出了基于Logistic模型的增加/删除数目自适应变化的方法,设计了自适应地兼顾有效性和多样性的增加算子和基于多样性的删除算子.将该策略应用到两种不同的自然计算方法中,采用经典测试函数和新型CEC05测试函数验证其性能.实验结果均表明,结合了所提出的种群规模自适应动态控制策略的新算法,比原算法在求解精度和收敛速度上均有明显的提升.     

基于自适应遗传神经网络的银行客户分类研究

银行产品的营销行为都是针对广大客户的。若能提前分辨出哪些是优质客户,再为其定制合理的营销策略,那银行就能获得更大的竞争力。文中将遗传算法与BP神经网络结合用于对银行客户分类进而预测客户是否会购买银行产品。该方法有效地克服了BP神经网络容易陷入局部极小值和收敛速度慢的问题,并且针对其中遗传算法的计算时间和精度问题提出了一种新的自适应遗传算法。实验结果表明,基于这种自适应的遗传神经网络的方法用更短的计算时间达到了更高的预测精度,可以准确地为银行客户分类。     

Nature Computation with Self-Adaptive Dynamic Control Strategy of Population Size

提出了一种种群规模自适应动态控制策略,实现了种群规模根据进化过程自适应的动态变化.该策略的实现不依赖于算法进化操作的具体步骤,因而适用于各种基于种群优化的自然计算方法.首先给出了动态控制策略的框架;然后,在此框架下,充分利用动态种群规模反馈的有用信息,提出了基于Logistic模型的增加/删除数目自适应变化的方法,设计了自适应地兼顾有效性和多样性的增加算子和基于多样性的删除算子.将该策略应用到两种不同的自然计算方法中,采用经典测试函数和新型CEC05测试函数验证其性能,实验结果均表明,结合了所提出的种群规模自适应动态控制策略的新算法,比原算法在求解精度和收敛速度上均有明显的提升.     

基于神经网络自适应集成的短期负荷预测

针对在电力系统短期负荷预测应用中,单个神经网络存在预测精度较低、预测结果不稳定、泛化能力差的特点,本文提出一种新的基于多神经网络自适应集成的预测模型.通过对某地区的实际负荷数据进行预测分析表明,该方法以很小的运算时间代价、较小的存储空间代价显著地提高了单个网络的预测精度和泛化能力,具有良好的应用价值.     

意愿计算的股市突变点预测方法

由于传统分段线性表示方法没有考虑股市数据分布变化导致分段不合理,同时股市突变点相关特征的局部性导致突变点难以有效预测,所以在分段线性表示方法的基础上提出一种意愿计算的股市突变点预测方法(WC-WSVM)。首先,给出一种波动率分布变化的分段线性表示(V-PLR)方法,通过波动率分布变化自适应地优化PLR分段阈值;然后,提取与主力买卖股票意愿相关的股市特征并进行量化,利用逻辑回归(LR)对于所提取的特征进行融合得到意愿计算结果;最后,将意愿计算结果与PLR-WSVM算法输入特征共同代入到WSVM中,进行突变点预测。在真实数据上的实验结果表明,算法具有强适应性,预测精度得到有效提升。     

短期风速多步预测的研究

为了提高风电场短期风速预测的精确度以及预测尺度,提出了一种将小波分解法、经验模式分解法及最小二乘支持向量机相结合对风速时间序列进行短期多步预测建模的方法。该方法采用小波分解法对风速信号进行分解,使之分解成不同频带的高频和低频分量;再利用最小二乘支持向量机对各分量建立预测模型,将各预测模型的预测值叠加可得到模型的预测结果。该模型称为预测模型Ⅰ。其次,将预测模型I的预测结果设为训练样本,采用经验模式分解法把训练样本集分解成若干本征模式分量和趋势项;再利用最小二乘支持向量机对各本征模式分量和趋势项建立预测模型,同时扩大模型的预测尺度;将各预测模型的预测值叠加可得该模型的预测结果。该模型称为预测模型Ⅱ。最后,将预测模型Ⅱ、Ⅰ的预测值叠加得到最终预测结果。实验结果表明,采用该方法预测的风电场短期风速的RMSE值为0.153,验证了该方法的有效性。     

基于混沌分析的导弹惯性器件非线性故障预报

通过一定方法对陀螺仪的性能进行预测,是提高惯性器件的精度及保证整个控制系统可靠性的有效方法之一,论文在分析基于混沌分析的非线性预测方法的基础上,将陀螺仪误差系数随时间的漂移看作一个混沌过程,利用陀螺仪漂移测试数据进行相空间重构,在重构的相空间上,用基于最大Lyapunov指数的混沌预测方法对陀螺仪漂移进行预测,提出了一种新的基于混沌分析的陀螺仪漂移性能预报方法;通过基于MATLAB仿真实验证明,与经典的基于马尔可夫的预测方法相比该方法有更好的预测效果.     

基于灰参数的等时段序列模型对电网的负荷预测

利用基本灰色模型GM(1,1)法对某县1994～2005年的全社会用电量进行预测,结果显示预测精度较低,误差较大。基于此,提出一种电力系统中长期负荷预测的实用方法,即基于灰参数的等时段序列模型预测法。利用此方法预测该县2006～2010年的电力负荷,实例分析表明,该方法预测精度较高,可作为中长期电力负荷预测的实用工具之...     

基于神经网络的股票中期预测

本文给出了一种基于BP神经网络的股票市场建模、预测以及决策方法.应用神经网络进行股票中期预测,输入数据的复杂性给网络训练效率和预测精度造成了显著的负面影响.我们应用模糊曲线分析法进行了输入变量的筛选,该方法主要是用来压缩输入数据的维度,发现影响产出变量的重要因素.它通过求相关度,贡献弹性,根据样本点拟合样本曲线,最后选取出影响变量的重要因素.结果表明,经该方法处理后的数据输入神经网络不仅减少了输入数据量,使训练时间减少,运算速度提高,而且预测精度有了明显的改善.     

基于免疫原理的RBF网络Carrousel氧化沟系统预报

为提高Carrousel氧化沟系统水质模拟的精度,利用免疫算法结合RBF神经网络进行建模,并加入k-means聚类对样本进行预处理。以某污水处理中心两年生产数据进行实验,测得出水TN的预报误差0.195 6,出水TP的预报误差0.145 6,较仅用RBF网络均有很大提高,证明该方法可以应用于Carrousel氧化沟系统的在线实时预测。     

模糊规则控制的RBF短期负荷预测

影响电网负荷预测的因素很多，针对地区电网负荷易受气象因素影响的特点，把气象因素作为影响负荷的主要因素．采用模糊规则控制的径向基神经网络（RBF）算法，对某地区电网的日负荷数据进行预测．与实际负荷比较可见根据各地区实际气象变化，采用这种预测方法可以提高负荷预测的速度和精度。     

基于小波变换与MOBP的股价预测

提出了一种基于小波变换与改进动量BP神经网络（MOBP）的股价预测方法。将股票价格所构成的非平稳时间序列小波分解,建立基于优化权值的改进动量BP神经网络（MOBP）预测模型,对分解得到的近似部分与各细节部分分别进行训练,结合各部分的预测结果,可以得到原始序列的预测值。实验结果表明,这种方法预测效果较为理想,且相对于传统的BP神经网络预测的准确度有明显的提高。     

基于相关向量回归的非线性时间序列预测方法

针对非线性时间序列预测建模的复杂性和不确定性,提出一种基于相关向量回归的非线性时间序列预测方法。该方法在传统的核函数基础上,融入Bayesian推理框架,得到具有概率特性的预报结果,无须对误差/边界参数进行预估计,具有学习算法简单、易实现的特点。仿真计算表明,该方法能反映非线性时间序列的内在特性,预测结果较好。     

基于提升方法的短期负荷预测的研究

目前有很多方法可以实现电力负荷预测,但各种方法都有各自的局限性,如何充分利用各种算法,使负荷预测的精确度提高,组合预测方法便应运而生了。然而当前的组合预测方法过于重视算法,而忽略样本。文中给出了一种基于提升方法的电力负荷预测挖掘算法,该方法通过样本权值进行抽样,训练生成模型,并根据模型效率改变样本权值,再次抽样训练生成模型,如此迭代生成多个模型后进行负荷预测。实际应用结果表明该方法比其它方法具有较高的精度。     

基于应急报警事件的先重构后建模预测法的探索研究

通过大量实验证明了公安110报警事件具备可预测性。该预测模型具备适用性特点,可应用于公安机关实战指挥及政府应急管理部门的预测应用,并辅助决策支持。该创新建模预测过程称为先重构后建模预测法。