基于EMD与Elman神经网络的太阳黑子活动预测

针对太阳黑子时间序列非平稳、混沌及难以预测等特性,建立一种基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的组合预测模型。将太阳黑子时间序列通过经验模态分解方法分解为一些不同时间尺度的本征模函数分量和剩余分量,分别对其构建样本,输入到Elman神经网络进行训练和预测,得到各个分量的预测值,并对这些预测值进行求和,得到最终预测结果。对比仿真结果表明,该模型预测精度较高。     

基于ARMA-BP神经网络模型的风电功率预测研究

结合ARMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对风电功率预测问题进行研究。采用构造性神经网络模型得出的类别值对统计时间序列模型的预测值进行修正,提高了风电预测的精度和效率。     

基于EMD和神经网络的时间序列预测

提出了一种新的时间序列预测方法:利用EMD分解法和神经网络进行信号预测。EMD分解法是一种自适应的信号处理方法,适用于分析非线性、非平稳过程。这一方法分三个基本步骤:首先对待预测的时间序列进行EMD分解,产生多个基本模式分量IMF(Intrinsic Mode Function),接着对各个分量分别用神经网络进行预测,然后重构各分量的预测值,得到最终预测结果。仿真结果表明该方法较之以往的参数模型法以及直接用单一的神经网络进行预测更加准确有效。     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

基于改进SARIMA-LSTM的海上风速预测方法

为了提高海上风速预测的精度,提出了一种基于局部加权回归的周期趋势分解(STL)改进的季节性差分自回归移动平均模型(SARIMA)和长短时记忆(LSTM)神经网络的海上风速预测方法.首先通过STL分解原始风速时间序列,提高SARIMA模型季节性差分步长的准确性,再使用SARIMA模型对观测的风速序列数据进行预测,得到预测值以及预测值与观测值之间的残差;然后用残差样本集训练长短时记忆神经网络并对残差进行预测;最后将两部分得到的预测值求和得到风速序列的预测值.选定3个不同地点分别进行仿真实验并与改进前方法进行比较,结果表明改进后模型的预测精度更高,误差更小.     

基于混沌时间序列及神经网络的大同电网负荷短期预测研究

精确的负荷预测对电力定价、实时负荷调整起着十分重要的作用.提出利用径向基函数神经网络模型,通过采用混沌时间序列的方法,对大同地区的全网用电负荷数据进行了短期预测验证.通过数据预处理产生混沌序列,进而通过相空间参数完成了相空间重构.最后通过RBF网络预测得到了相应的预测值,并与实际值进行了对比.结果表明:得到的预测结果与实际结果几乎重合,证明了该方法的高度预测能力与适应能力.     

基于支持向量机-小波神经网络的边坡位移时序预测模型

针对岩体边坡位移预测难度大的问题,结合支持向量机-小波神经网络,提出了一种新的岩体边坡位移时序预测模型——支持向量机-小波神经网络预测模型.通过对实测位移值的学习,并借助遗传算法参数寻优的支持向量机对位移时间序列的宏观发展趋势进行滚动预测;在此基础上利用小波基函数变换分析序列的局部特征,通过2维情况下的序列局部走势方向的选择、实测值与支持向量机拟合值的相对误差与绝对误差等指标的分析,达到对预测值优化改进的目的.将该模型应用到某工程面板堆石坝坝肩强卸荷岩体边坡位移的时序预测中,结果表明,该模型具有可靠度和精度高的优点,可应用于岩体边坡位移预测分析.     

基于自适应抽头延迟神经网络的股指预测

提出一种自适应神经网络模型对股指这一非线性时间序列进行高精度的预测.首先采用基于递归最小方差的自适应学习算法对抽头延迟神经网络模型进行训练,然后再利用删剪算法对训练好的神经网络结构进行自适应删剪,去掉隐藏层中冗余的神经元,从而获得最佳的网络拓扑结构.最后利用优化好的神经网络对股指进行预测.抽取上证指数2000年1月至2004年4月期间的1 000个日数据作为样本,仿真实验表明,该方法能够快速地实现高精度的股指预测,预测精度达到4.8994×10-5.     

基于小波变换和BP神经网络的短期风电功率预测

风电功率预测的准确性对风电大规模接入的电力系统安全稳定运行具有重要意义。提出一种基于小波变换和BP神经网络的风电功率预测模型,通过小波变换将风电功率序列在不同频率上进行分解,对分解后的单支序列分别采用相匹配的BP神经网络进行建模和预测,最后,叠加各序列的预测结果得到完整的预测值。基于该模型的内蒙古某风电场输出功率预测算例结果表明:该模型可以有效提高预测精度。     

抚宁县电力负荷的中期预测

根据秦皇岛市抚宁县 1992～ 2 0 0 1年 10a的实际用电量数据 ,采用灰色GM(1,1)模型对未来 10a的用电量进行预测 .因未通过关联度校验和后验差检验 ,故提出了灰色指数平滑预测方法 ,先对原始数据序列进行一次指数平滑 ,然后再建立灰色模型 .经检验模型合格 ,同时提高了预测精度     

基于特征合成的周期性备件需求预测方法Symbol`@@

针对工程机械备件需求预测准确性低的问题,提出一种新的基于特征合成的周期性维修备件需求预测方法. 定义等间隔备件需求样本集的相似度模型,采用优化算法确定最优备件需求周期长度,并利用回归模型建立各周期内的备件需求模型;提出基于特征合成的模型综合方法,借鉴物理力学中的矢量合成方法,将多个历史备件周期需求模型特征矢量合成新的特征矢量,利用新特征矢量还原获得最优的周期预测模型,该模型综合考虑了各个历史备件周期预测模型,使获得的备件周期预测模型具有更好的鲁棒性和泛化性. 采用人工数据和矿用圆环链的实际需求数据对该预测模型进行验证,实验结果表明,该模型具有良好的稳定性和准确性.     

预测城市用水量的人工神经网络模型研究

为了提高多层前馈神经网络权的学习效率,引入变尺度方法来训练神经网络的权值,并根据训练误差自适应调整学习系数和动量因子.将该方法应用于城市用水量预测中,建立了非线性人工神经网络预测模型.该模型考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响,具备系统决策功能.杭州市预测实例表明,建立的模型及其相应计算方法具有较高的预测精度和准确度.     

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。     

一种雷达群组网系统战时备件需求预测方法

针对战时备件需求预测的复杂性,充分考虑影响战斗损伤和非战斗损伤的基本因素,建立指标体系,基于模糊综合评判法给出预测模型,进行评估．实例分析结果表明,该方法能够为雷达群组网系统战时备件需求预测提供合理、实用的理论依据．     

Optimizing neural network forecast by immune algorithm

1 INTRODUCTIONThe forecast of complicated nonlinear relation-ships among multi-factor ti me series can be ex-pressed as a multivariate ti me series analysis ,which si multaneously observes the dynamic processof a group of (multi-di mension) correlative randomvariables as a whole , while traditional linear fore-casting methods such as multiple regression mod-el[1], GM(1 ,N) model[2]seemto have many bar-riers on solvingthis complex nonlinearissue amongthese multi-factor ti me series .Artifi…     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

Minitab统计软件在电量需求预测中的应用

利用Minitab软件中的时间序列预测方法,对西北电网电量需求进行外推预测,并与灰色预测结果进行比较,结果表明利用Minitab进行电量需求预测,预测精度较高.     

基于改进的Chebyshev神经网络的用水量预测

针对目前Chebyshev神经网络存在的不足,从算法和网络结构方面进行了综合改进。改进后的Chebyshev神经网络不仅符合生物神经网络的基本特征,算法简单,收敛速度快,而且网络输入可以是任意值,是一种多输入的多层前向神经网络模型,因而扩大了网络辨识模型的能力与学习适应性,并有逼近任意线性和非线性映射的优异特性。用改进的Chebyshev神经网络对城市的家庭用水需求量进行建模和预测。仿真结果表明,改进的Chebyshev神经网络为预测家庭用水需求量提供了一种有效的方法,它不仅具有优良的预测能力,而且在相同精度的前提下,其收敛速度也优于一般的BP网络。     

基于PCA-RBF神经网络模型的航空备件预测方法

提出了基于PCA—RBF神经网络模型的备件预测方法．首先利用主成分分析去除原始输入层数据的相关性,以解决RBF神经网络模拟备件需求时输入变量过多、网络规模过大导致效率下降的问题,最后选择合适的径向基函数密度训练神经网络．通过结合实例进行分析,取得了较好的效果．     

基于IOWGA算子的组合预测方法及其应用

针对汽车配件需求量的预测进行了预测模型的建立、选择并优化．特别是将灰色预测和神经网络预测与IOWGA算子相结合,提出了以对数误差平方和为准则的基于IOWGA算子的组合预测方法,从而提高了预测的精度。将该方法用于汽车配件需求预测取得了较好的效果,说明了算法的有效性．