旋转机械故障可视化方法的研究

将高维的各种故障样本数据经降维和聚类后，在二维的平面上显示出来，使每种类别的故障占据平面的不同区域，从而达到故障可视的目的。据此能很好地对新的样本进行故障识别，还可以对故障的发展趋势进行预测。采用Ko—honen的自组织神经网络方法可以对故障样本数据进行降维和聚类。实例说明了该方法的正确性。     

基于动态基函数的强回归小波神经网络

针对小波神经网络(wavelet neural network,WNN)难以选取合适小波基函数和确定隐含层节点数等问题,提出使用集成学习改进小波神经网络的方法,提高小波神经网络容错能力和自学习能力.本方法首先通过降维、归一化预处理样本数据并确定测试数据分布权值;然后通过随机选取不同的小波基函数构造出异构小波神经网络序列并反复训练样本数据;最后使用AdaBoost算法集成学习生成强回归小波预测器.对UCI数据库中数据集进行仿真验证,实验结果表明:本方法比传统小波神经网络预测平均误差减少30%以上,有效地提高了小波神经网络的预测精度和泛化能力.     

非线性模型对不同信息准则的适用性研究 ——以港币月度实际有效汇率数据为例

利用各种不同的信息准则对港币月度实际有效汇率1964-01～2009-02间大样本数据和2004-05～2009-02间小样本数据分别进行非线性模型估计和选择,并使用Bootstrap方法对估计出的模型向前多步预测,计算相对误差(RE)和均方根误差(RSME)值,通过Wilcoxon Signed-Rank检验来比较模型的预测精度,进而评价各个模型的拟合效果,最后得出各个信息准则在大样本和小样本数据下适用性的结论.     

层次匹配范例推理在短期负荷预测中的应用

提出了一个改进的范例推理系统来解决电力系统短期负荷预测问题,该系统将范例推理、自组织映射以及模糊粗糙集方法进行了有效的结合.使用模糊粗糙集方法确定了范例的表示、组织方法，并通过自组织映射对历史范例进行聚类.将新问题所对应的范例与各个聚类中心进行匹配，得到最相似聚类，再在该聚类中进行二次匹配，对得到的最相似范例集进行重用、修正，从而得到最终预测结果.使用模糊粗糙集方法可以进行范例属性和匹配权重的合理选择，同时使用自组织映射对历史范例进行聚类，可以减少范例匹配次数和匹配时间.使用该方法不仅可以合理利用历史范例，而且可以通过属性选取、聚类来获取附加知识.实例验证和比较结果表明该负荷预测方法是有效可行的.     

河南省经济增长模式的实证分析

选择1989-2008年的样本数据,通过建立GDP、投资、消费和出口的向量自回归模型(VAR),运用Granger检验、脉冲响应函数和预测方差分解等方法对河南经济系统中消费、投资、出口与经济增长的关系进行尝试性的实证分析.结果表明:河南省的经济增长模式属于投资主导型,出口对经济增长的影响较大,并有继续加大的真势;消费没...     

基于可变基函数和GentleAdaBoost的小波神经网络研究

针对传统小波神经网络(wavelet neural network, WNN)受隐含层节点数影响大、网络误差易陷入局部极小、预测结果不稳定的问题,提出使用GentleAdaBoost和小波神经网络相结合的方法,提高网络预测精度和泛化能力。该方法首先对样本数据进行预处理并初始化测试数据分布权值;然后通过选取不同的隐含层节点数、小波基函数构造出不同类型的小波神经网络弱预测器序列并对样本数据进行反复训练;最后使用GentleAdaBoost算法将得到的多个小波神经网络弱预测器组成新的强预测器并进行回归预测。对UCI数据库中数据集进行仿真实验,结果表明,本方法比传统小波神经网络预测平均误差减少40％以上,有效地提高了神经网络预测精度,为小波神经网络应用提供借鉴。     

土壤属性空间预测的广义回归神经网络方法研究

土壤属性的空间变异性是农业和环保决策的重要依据,研究如何利用有限的样本数据来获得更为详尽的土壤属性空间分布信息对于科学决策具有重要意义。提出了一种基于广义回归神经网络模型(GRNN)的土壤属性空间预测方法,并将其与Kriging方法进行了比较。结果表明,GRNN方法能较好地刻画土壤属性的空间分布特征,其计算方法简单,预测精度较高;在给定的样本数据条件下,GRNN方法的预测精度总体上要优于Kriging方法,表明GRNN方法在土壤属性空间预测中的应用是有效可行的。     

神经网络模糊聚类方法在故障诊断中的应用

在旋转机械故障诊断研究中,对大量样本的有效分类至关重要。传统的贴近度法计算繁锁,分辨率低,且领带于大量实验测试和经验案例的总结。根据故障诊断中样本数据无须精确要求的特点,可以对样本数据作模糊化处理,进一步采用自组织竞争神经网络对样本进行自动聚类,速度快,准确性好,具有较高的智能特性。实际应用表明,这种模糊神经网络完全满足使用要求。     

一种短期负荷预测的自适应神经网络方法

提出了自适应BP神经网络模型预测短期负荷的方法。依据负荷的日相关性把历史负荷分成24组样本数据,再用BP网络来映射样本数据。采用初始化样本数据,增大节点作用函数陡度,变换隐层节点作用函数形式,自适应调整学习参数等方法提高了BP网络的学习速度,得到了较为满意的预报结果．     

成都市居民未来生活用水量预测模型的选择

以成都市居民生活用水量为背景,采用不同的预测方法进行了实例计算,分析比较了多个模型的预测精度,并在此基础上确定了适合成都市居民生活用水量变化特征的新的预测模型－自组织模型。研究结果表明,自组织方法（GMDH）是强有力的建模方法,是一种有效的预测手段。     

自组织特征映射神经网络在岩性识别中的应用

传统的岩性识别技术主要基于统计学理论,如贝叶斯方法、回归方法等,近年来人工神经网络方法如反向传播算法（ Ｂａｃｋ － Ｐｒｏｐａｇａｔｉｏｎ , Ｂ－ Ｐ） 也应用于岩性识别,取得了一定的效果。用 Ｋｏｈｏｎｅｎ 提出的自组织特征映射神经网络对测井数据进行岩性识别,该方法具有较强的自组织性、自适应性,有较高的容错能力。与 Ｂ－ Ｐ 算法相比较,计算量小,收效速度快,且不需要已知的先验信息而自动确定分类类别。结果表明与统计方法、岩性录井分析结果一致。     

水文预报的神经网络模式分类预报方法

基于时间序列的相空间扩维思想,利用神经网络的感知器分类原理,提出一种水文预报方法.直接从水文单因素时间序列滑动生成多维空间的一个相型分布中寻求水文现象变化的规律.并利用湖北省宜昌市沮漳河洪水资料对该方法做了初步验证.     

地区电网用电特性分析及年用电量预测

利用灰色预测原理简单、建模数据少和运算方便的优点,结合神经网络非线性函数逼近能力强的特性,在此基础上提出了灰色-神经网络预测方法,并对哈尔滨市用电量进行了的仿真预测。     

径流中长期预报的灰色系统方法研究

探讨径流中长期预报的灰色系统方法，提出了全因果序列扩维的灰关联模式识别与预测方法、灰参数线性模型的预测方法以及ＧＭＲ（１．１）模型．分别用于年月径流预测和灾变预测．通过海河流域潘家口水库资料验证，表明计算方法是可行的．     

客户分析中的数据挖掘算法比较研究

对回归预测、决策树、神经网络、聚类和邻点预测、规则导引等5种数据挖掘预测算法分别进行介绍,并结合实例对各种方法适用情况进行了比较,以便有针对性地对客户行为采用有效的预测方法.其中:回归预测根据历史记录分析得出总体趋势;决策树方法是一种“二分制”数据分析和预测方法,主要用于对数据进行归类分割和预测,来解决定性分析的问题;神经网络方法主要对客户行为进行分析和预测,从定量的角度进行分析.     

基于协议分析和SVM多分类的入侵检测系统研究

入侵检测实质上可以被描述为对数据样本进行尽可能正确的分类,关键问题是特征选择和模式识别方法的选择.采用SVM分类器组合的方法对数据样本进行分类,结合协议分析技术,提出了基于协议分析和SVM多分类的入侵检测系统模型,并利用KDD CUP 99数据集对系统模型进行测试.测试结果表明,所提出的方法有效提高了入侵检测的效率,降低了漏报率和误报率.     

无监督域适应的表示学习算法

在传统模式识别的训练方法中,拥有大量标签的有监督学习方法在识别准确率上取得了很好的效果.然而在实际生活中样本常常缺失标签,或现存有标签的样本与目标样本具有较大分布差异而不能直接使用.为了解决这些问题,无监督域自适应算法应运而生,借助源域有标签但不同分布的样本去识别无标签的目的域样本.针对目标识别样本与训练样本分布不一致...     

面板数据马尔可夫预测沥青路面性能衰变方法

针对辽宁中北部地区公路沥青路面使用性能的检测数据，将路面结构、交通等级相同的归为同一子集，根据面板数据原理，用E-View软件计算某子集衰变函数的截距与系数，用MATLAB计算路面性能衰变的马尔可夫状态转移矩阵，进而对某路段所处路况的概率进行预测。结果表明：同一子内集的各路段样本路面性能衰变规律具有相似性。利用同一子集内数据的样本数量(本文以34组为例)的增多，可以弥补数据历时年份少(本文以3为例)的不足。为检验预测精确度，将测试样本的2014年预测数据与2014年实测数据相比较，误差均在±5之内，可实现在数据累积年份不足时沥青路面使用性能的预测。     

求取压裂气井无阻流量的BP神经网络法

与现在流行的求取压裂气井无阻流量的方法相比,BP 人工神经网络方法具有极大的优越性和适用性,它勿需考虑压裂后气井的复杂渗流规律,也不需数值模拟.BP人工神经网络方法在训练时只需知道目标井的压后评估数据和区块内部分试井数据,为提高经济效益、快速、高效开发低渗气藏提供了新的技术手段.     

基于EUNITE竞赛数据的中期电力负荷预测

应用自组织模糊神经网络(SOFNN)算法,基于欧洲智能技术网络(EUNITE)竞赛数据进行了中期电力负荷预测的应用研究。算法能够自动决定神经模型的结构并得出模型的参数,具有很好的实用价值。研究了训练数据选取和输入特征向量编码等实际应用问题,结果表明负荷预测精度高,优于竞赛的优胜者,之后提出了结合周平均负荷预测修正日负荷预测的方法,精度得到进一步地提高。