OIHF Elman网络在燃气日负荷预测中的应用

提出了一种新的基于改进Elman网络的燃气日负荷预测模型,不仅考虑了隐层节点的反馈,还考虑了输出层节点的两个反馈。模型中综合考虑了天气、温度、日期类型等因素,并与实际数据及其它网络预测结果进行对比。结果表明：该网络预测具有较好的精度。     

基于神经网络的燃气小时负荷预测

燃气小时负荷预测对于保证管网的用气量以及管网的运行调度和优化配置具有重要作用。通过对小时负荷特性及其影响因素的分析,采用三层BP前馈神经网络,利用VC 6.0++编制的运算程序对燃气小时负荷进行预测。预测结果表明:该模型具有较好的精度,可以满足负荷预测的需要,具有较好的应用前景。     

改进Elman网络在锂离子电池容量预测中的应用

为了准确估算锂离子电池的荷电状态（SOC）,在分析影响锂离子电池剩余容量时变特性的基础上,综合国内外几种常用的预测锂离子电池方法,将改进Elman网络应用到锂离子电池的容量预测和模型建立中。实验结果表明：该网络不仅局部泛化能力好,而且有较好的动态性能和逼近能力,能够满足电池容量预测的误差要求。     

城市燃气小时负荷预测模型的研究

城市燃气小时负荷的预测对于保证管网用气量，进行管网的优化调度，设备维修具有极其重要的意义。应用人工神经网络理论和灰色预测理论中的等维新息建模思想，建立了既反映燃气负荷周期性增长趋势，又包括天气，气温等非线性影响因素在内的燃气小时负荷预测模型。通过改进BP算法，对哈尔滨市燃气管网系统的小时用气量进行了预测，所建立的模型收敛速度快，精度高。     

基于GA-BP神经网络的短期负荷预测

以供热系统为研究对象,针对集中供热热负荷中由于温度因素、随机因素以及建筑本身因素等导致预测精度不高的问题．提出了采用BP神经网络算法来进行预测,它对具有非线性的模型有很好的控制效果,并且可以进行自我学习．但由于BP神经网络的波动较大,比较容易出现局部优化现象,因此在使用BP神经网络的基础上进行改进,将BP神经网络与遗传优化算法相结合,弥补BP神经网络的不足．最后通过仿真实验,结果表明热负荷预测的误差大大减少,预测精度提高,继而实现合理供热．     

基于BP神经网络的电力负荷预测仿真研究

人工神经网络应用于电力负荷预测是目前广泛研究的一个课题。本文首先介绍了人工神经网络在负荷预测中的应用概况,进而分析了BP神经网络原理、模型及算法,建立了负荷预测模型,并配置了网络的相关参数。进而对某地区一天的整点负荷进行预测,根据负荷预测得到的数据．经过Matlab仿真得到了负荷预测值与实际值的曲线,验证了BP神经网络应用于短期负荷预测满足一般精度的要求。     

城市燃气负荷预测方法及其分析

负荷预测在燃气系统规划和运行调度方面发挥的重要作用,具有明显的经济效益.系统地介绍和分析了各种负荷预测的方法及特点,并指出做好负荷预测已成为实现燃气系统管理现代化的重要手段.     

基于模糊C-均值聚类分析与BP网络的短期负荷预测

提出了一种基于模糊C-均值聚类分析与BP（Back-propagation）网络的短期负荷预测方法，通过模糊C-均值聚类分析将历史负荷数据分成若干类，建立相应的BP网络模型，用LM（Levenberg-Marquardt）优化法进行训练，找出与预测日相符的BP网络，预测一天中96点的负荷，实际负荷预测结果表明，该方法具有较好的训练速度和较高的预测精度。     

基于改进BP网络的电力系统超短期负荷预测

超短期电力负荷预测是电力系统运行管理的重要工作之一。本文提出了一种基于改进BP网络的超短期负荷预测方法。考虑了训练样本中坏数据的剔除,建立了变结构的BP网络模型,然后采用变学习步长的方法对BP网络模型进行训练。对某地区实际负荷的预测结果表明该方法有较高的预测精度,能取得令人满意的结果。     

Elman网络在地下洞室变形预测中的应用

地下洞室开挖后，洞室将产生一定的变形，若变形速率过大，将影响洞室的稳定性，洞室施工期稳定性通常以隧洞变形总位移量表示的相对位移值为判据，受各种施工因素的影响，监测点并不能完全紧跟掌子面布设，致使洞室开挖后部分重要的前期位移释放值丢失。采用遗传进化算法搜索最优的Elman神经网络结构，大大提高了网络学习和预测能力；并利用Elman映射动态和适应时变特性的能力，以现场实测期数据作为训练和检测样本，建立仿真预测模型，用该模型前推丢失位移值；以前推位移值修正实测值，得到实际位移值，并应用于评价围岩的稳定性。实践表明，该方法不仅简单而且是可行的。     

城市燃气管网日负荷预测的灰色神经网络模型

将灰色预测理论和人工神经网络理论结合起来,利用灰色静态预测模型来弱化数据的随机性并建立规律的累加数据,再利用神经网络模型来解决数据的非线性,建立了既反映其时间序列的周期性变化趋势,又包括天气、气温等影响因素的燃气日负荷预测灰色神经网络模型。对哈尔滨市燃气管网系统的日燃气用量进行了预测,表明模型不仅有较高的收敛速度和精度,同时也具有较强的适应性和灵活性。     

居民出行产生量BP神经网络预测方法

居民出行产生量预测是交通需求分析的重要内容之一,预测结果是确定各类城市交通设施发展规模及布局规划的重要依据.通过分析人工神经网络的作用机理和居民出行产生量的影响因素,建立了居民出行产生量预测的四层BP神经网络模型,以土地利用作为输入神经元,以交通区居民出行产生量作为输出单元,以赣州市城市综合交通规划交通调查数据对模型进行了标定与检验,并与出行次数法和回归分析法进行了比较,结果表明BP神经网络模型具有较高的预测精度.     

基于级联神经网络的年降雨量预测

降雨量是农业生产的一个重要影响因素,如何准确预测降雨量成为指导农业、水利等一项重要的科技指标。从信息利用角度来看,单一预测模型仅能利用降雨量数据部分有效信息,而组合模型将单一模型的优势互补,可获得更佳的预测效果。基于神经网络理论的快速发展及级联神经网络预测模型被广泛应用于各个方面并取得了很好的结果,针对降雨量曲线的特点,深入分析BP神经网络及RBF神经网络发现,BP神经网络可很好的拟合对降雨量有很大影响的气候信息和其它因素,输出同一类型的降雨量影响信息; RBF 网络的特点就是可很好地提取同一类信息特征,二者的组合可很大程度的提高降雨量预测精度。鉴于此,将BP-RBF级联神经网络引入降雨量预测研究中,实例计算表明,该方法高于单一神经网络预测精度,证明该方法应用于降雨量预测是合理有效的。     

基于小波神经网络的房地产价格指数预测研究

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型。应用BP神经网络来对房地产价格指数进行预测,精度和收敛的速度都不是很理想,这主要是因为BP神经网络本身存在着缺陷。为了克服BP神经网络的缺陷,本文将小波变换和BP神经网络结合起来,运用小波神经网络来对房地产价格指数进行预测,并与BP网络的预测结果进行了比较,最后发现用小波神经网络进行经济预测可以达到很好的效果。     

基于BP神经网络的松花江四方台水质预测

为实现松花江四方台CODMn的预测,应用人工神经网络技术(ANN),在预测模型中采用LM(Levenberg-Marquardt)算法提高网络的收敛速度,并采用提前停止法提高网络的推广能力.ANN样本集数据来源于1997～1999年3年的四方台监测站日检测水质数据.采用拉依达准则法剔除样本集异常数据.为更有效地评估预测模型的准确性,将松花江分为丰雨期、封冻期和其他月份来分别考察预测效果.并对1999年以后近期与远期的水质预测效果进行对比.结果表明:丰雨期预测效果最差,封冻期最好,其他月份介于之间,模型对近期水质的预测效果要明显好于对远期的预测效果.整体预测效果不错,可用于指导实际的水质管理.     

Predication of plasma concentration of remifentanil based on Elman neural network

Due to the nature of ultra-short-acting opioid remifentanil of high time-varying, complex compartment model and low-accuracy of plasma concentration prediction, the traditional estimation method of population pharmacokinetics parameters, nonlinear mixed effects model （NONMEM）, has the abuses of tedious work and plenty of man-made jamming factors. The Elman feedback neural network was built. The relationships between the patients＇ plasma concentration of remifentanil and time, patient＇ age, gender, lean body mass, height, body surface area, sampling time, total dose, and injection rate through network training were obtained to predict the plasma concentration of remifentanil, and after that, it was compared with the results of NONMEM algorithm. In conclusion, the average error of Elman network is -6.34%, while that of NONMEM is 18.99%. The absolute average error of Elman network is 27.07%, while that of NONMEM is 38.09%. The experimental results indicate that Elman neural network could predict the plasma concentration of remifentanil rapidly and stably, with high accuracy and low error. For the characteristics of simple principle and fast computing speed, this method is suitable to data analysis of short-acting anesthesia drug population pharmacokinetic and pharmacodynamics.     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于改进Elman神经网络的石膏纤维板厚度控制建模

针对石膏纤维板厚度控制系统的非线性、时变性及不确定性,采用改进的Elman神经网络对其建立动态模型,介绍了改进Elman网络的结构及学习算法;分析了影响石膏纤维板厚度控制精度的主要因素,并根据实际情况确定了输入层和中间隐层的维数,从而确定了模型的结构.由于改进的Elman网络具有适应时变特性的能力,而且学习精度高、学习速度快,与传统的BP网络相比,收敛速度有明显提高.通过对现场采集的数据进行仿真,得到了令人满意的结果.     

基于递阶对角神经网络的大坝变形预报模型

针对大坝工作条件复杂,影响因素繁多,致使现有监控模型预报精度偏差过大问题,基于递阶对角神经网络能够逼近任意非线性函数的特点,使用串并联模型辨识器,采用动态BP学习算法,以水压、温度和时效因子为输入量,坝体位移为输出量,结合工程实例提出了大坝变形监测的递阶对角神经网络模型,并将该模型用于坝体变形数据的拟合分析及其预测预报.研究表明,该网络不仅收敛速度快,提高了算法的效率,而且对实测数据具有较好的拟合效果,提高了预报精度,在大坝安全预测分析中具有有效性和优越性.