基于Elman的CO_2离心式压缩机透平转速预测

针对目前CO2离心式压缩机透平转速预测难以实现,并且采用常规的预测方法很难达到良好的效果,提出一种基于Elman神经网络的离心式压缩机透平转速预测方法,利用MATLAB实现了Elman神经网络转速预测模型.仿真结果表明,Elman神经网络预测模型能够实现较高精度的预测.     

基于Elman神经网络的PM_(2.5)质量浓度区间预测

针对PM_(2. 5)质量浓度序列不确定性和随机性特征,提出一种基于互补集合经验模态分解和优化Elman神经网络的区间预测模型.首先,利用互补集合经验模态分解将原始PM_(2. 5)质量浓度序列进行分解,并用样本熵将其重组为复杂度差异明显的子序列.其次,针对各子序列分别用多输入单输出Elman神经网络(Elman neural network,ENN)建立PM_(2. 5)质量浓度预测模型.在各子序列预测结果基础之上,采用多输入双输出Elman神经网络实现PM_(2. 5)质量浓度区间预测.最后,为了进一步提高预测模型性能,提出一种区间预测评价指标作为目标函数,采用思维进化算法对Elman神经网络权值β和阈值b进行寻优.基于北京工业大学校园监测站点采集数据,验证了预测模型的可靠性和有效性.所提预测模型为PM_(2. 5)质量浓度预测提供了一种方法.     

一种高压开关柜温度预测的改进方法

对一种Elman神经网络进行高压开关柜温度预测的方法进行改进,融合小波包分析的方法对温度样本进行硬阈值平滑优化,与Elman神经网络松耦合组成松散型小波神经网络进行超短期温度预测。仿真结果表明,改进方法相比单一的Elman神经网络有效预测比率提高,均方根误差下降,其结果与实测温度值更加吻合,提高了预测的准确率和精确程度。     

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。     

基于PSO-Elman神经网络的汽轮机排汽焓在线预测计算

Elman神经网络作为一种动态递归网络被应用到汽轮机排汽焓在线预测计算中,以两汽轮机组末级抽汽及排汽焓值为例进行了在线计算,证明了该方法能够准确地在线预测汽轮机排汽焓值,具有训练速度快、结构简单、精度高的特点,是一种行之有效的预测方法.同时依据BP算法陷入局部极小值的缺点,提出了利用粒子群算法的全局寻优能力优化Elman网络连接权值系数的方法,仿真结果表明：利用PSO-Elman神经网络可以建立精度更高的预测模型.     

Elman神经网络在中厚板轧机宽展预测中的应用

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了一种利用Elman神经网络建立中厚板轧机宽展预报模型的方法。通过实例比较了Elman模型与BP模型的预测效果。结果表明,所建立的Elman神经网络模型收敛速度和预测精度均高于BP网络模型。     

基于ELMAN神经网络的短期风速预测

为了提高风电场风速短期预测的精确性,本文提出了基于Elman神经网络的预测。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。然后利用Elman神经网络对相空间重构后的风速时间序列进行预测,预测结果表明基于Elman神经网络的预测效果满足了精度要求。本文同时运用BP神经网络进行预测。仿真结...     

基于趋势检查法的遗传神经网络模型及工程应用

针对神经网络中模型可靠性问题,提出了趋势检查法的思路,采用评价指标中评价等级的影响趋势对模型进行检查,基本过程为不断调整模型参数、训练、趋势检查,直到获得最优模型。趋势检查法为一种通用方法,可用于任何基于先知经验方法的模型可靠性检查,为模型可靠性检查提供了一种新思路。对于神经网络学习样本贡献度不同的问题,采用样本加权的方法,对样本进行预处理,并将样本权值应用于神经网络的目标函数中,由此建立了加权神经网络目标函数。最后引入遗传算法来优化神经网络参数,建立了基于趋势检查法的遗传神经网络模型,并应用于实际工程中的围岩分类问题,结果表明该模型泛化能力强,具有较高的分类精度。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于改进Elman神经网络的变压器故障诊断方法

针对变压器故障诊断困难的问题,提出了一种基于改进Elman神经网络的变压器故障诊断方法.利用核主成分分析算法对Elman神经网络进行改进,通过引入累积贡献率计算得到改进Elman神经网络最优输入特征参数,基于数据集和测试集将改进Elman神经网络应用于变压器的常见故障诊断中,并将试验结果与其他故障诊断方法的诊断结果进行对比.结果表明,所提方法诊断准确率超过90%,与支持向量机和BP神经网络诊断方法相比,该方法的诊断准确率更高.     

基于IABC-Elman神经网络的电厂耗煤量短期预测

针对电厂耗煤量具有不确定性的特点及传统Elman神经网络利用梯度下降训练网络参数易陷于局部最优的缺点,基于人工蜂群(ABC)算法,提出了一种改进蜜源更新方式和跟随蜂选择引领蜂方式的改进ABC优化算法,结合进煤量、存煤量和发电量,建立了Elman神经网络电厂耗煤量短期预测模型(IABC-Elman)。实际算例表明,基于IABC-Elman电厂耗煤量短期预测模型结果能达到耗煤量短期预测的标准,与传统神经网络相比具有更高的预测精度。     

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的El-man动态回归神经网络预测控制算法.首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制(GPC)的反馈校正、滚动优化来完成非线性系统的预测控制.仿真结果表明:将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力.     

基于信息熵的加权基因关联网络融合方法

针对加权基因关联网络（WGAN）的融合问题,提出了基于信息熵的加权网络数据融合方法。该方法利用信息熵来刻画基因间连边的不确定程度,并由此实现对4个现有的人类加权基因关联网络的融合,从而获得一个规模更大、生物学信息更丰富的WGAN网络。融合效果的验证结果表明,新的WGAN网络包含了更多的基因连边,其边权比原始网络中的边权有更强的生物学相关性,同时在疾病基因预测中表现出更为满意的效果。     

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的Elman动态回归神经网络预测控制算法．首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制（GPC）的反馈校正、滚动优化来完成非线性系统的预测控制．仿真结果表明：将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力。     

基于小波和神经网络的供热负荷预测

目的研究供热系统热负荷预测方法,使供热量及时跟随用户需热量进行控制.方法通过分析供热负荷特性及其变化规律,用小波包变换对热负荷序列进行分解,再结合Elman神经网络分别对各序列建立模型,进行单步预测,最后重构各序列,得出热负荷预测序列.结果仿真试验表明,与未采用小波分析的BP、Elman神经网络相比,该方法预测精度较高,跟踪能力强.结论基于小波和神经网络的供热负荷预测方法能较好地跟踪预测用热量,适合于短期供热负荷预测的应用.     

基于神经网络预测节能中央空调控制策略

由于传统中央空调具有大滞后、大惯性、非线性特性,造成常规控制方法下系统供给的能量与负载所需能量不匹配,使得中央空调与使用环境能量供求不平衡,浪费了大量的电能.针对中央空调的控制特性,提出了一种基于神经网络技术的预测控制方法,将Elman神经网络预测器和神经网络控制器有机结合,通过预测未来能量需求,实时调节控制策略,使系统所需能量和空调输出能量达到匹配.采用Elman神经网络预测器和神经网络控制器有机结合的控制方法,使系统具有良好的动态性能和稳态性能,节能效果显著.采用神经网络预测型节能中央空调,可有效控制中央空调与使用环境能量供求的关系,为降低智能建筑能耗提供了可靠的保障.     

基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.     

基于铝电解过程神经网络建模的研究

目的利用神经网络铝对电解过程进行辨识建模,以解决采用常规方法难以建立模型的问题.方法分别利用递归神经网络（Elman神经网络）和延时神经网络（加入延时单元的BP神经网络）对铝电解过程进行辨识建模,并将二者的辨识结果进行了比较.结果递归Elman神经网络能更好地跟踪铝电解生产过程,并且网络结构简单误差小.结论笔者提出的递归Elman神经网络建模方案更适合于对铝电解过程进行辨识建模.