基于迟滞神经网络的风速时间序列预测

为了改善风速时间序列的预测性能,提出了一种基于迟滞神经网络的预测方法.通过改变神经元激励函数的方式将迟滞特性引入神经网络中,以增强历史输入对当前响应的影响,从而提高有用信息的利用率,提高风速时间序列的预测性能;借助于相空间重构理论构造风速预测训练样本,采用梯度下降法对网络权值进行训练,利用遗传算法对迟滞参数进行优化.仿真结果表明:与传统神经网络及ARMA模型等方法相比,迟滞神经网络能够有效减小风速时间序列的预测误差,提高预测性能.     

改进Elman网络的逼近性质研究

提出了能够用于非线性系统建模的一种新型回归网络,该网络是Elman网络的改进,由输入层、隐层和输出层构成.输入层由外部输入和内部状态层组成,隐层到状态层的连接是任意的,因此在逼近系统时,改进的Elman网络比Elman网络有更多记忆空间.同时证明了改进的Elman网络能够逼近一定时间内的非线性系统的输出轨线,提出了利用动态反向传播算法训练神经网络的前向和反向权值,仿真结果验证了该方案的有效性.     

遗传混沌算子网络的风速序列预测研究

为提高风速序列的预测性能,提出一种改进的遗传混沌算子网络预测方法.混沌算子网络由输入层、中间层和输出层3层组成,网络的输入层与中间层的连接权值采用线性衰减的方式设计,中间层混沌算子单元的激励函数为混沌映射函数,采用遗传算法优化网络的权值和混沌算子控制参数.利用差分方法对被预测序列进行平稳化预处理,结合相空间重构理论利用平稳化后的数据构造网络的训练样本.仿真实验结果表明:该方法能够实现风速序列的多步预测分析,其预测性能优于传统预测方法,尤其随着预测步长的增加,该方法具有相对稳定的预测性能.     

改进的Elman模型在紫坪铺月径流预测中的应用

Elman递归神经网络具有上下层,将隐藏层前一时刻的输出反馈到当前时刻的输入,这种反馈连接使Elman网络能够检测随时间变化的序列信息; 对Elman进行改进,使之对时间变化序列信息更敏感;利用岷江紫坪铺水文站数十年的天然月径流时间序列,采用改进的Elman递归神经网络对岷江紫坪铺站的天然月径流进行预测分析,并用误差检验和F方差对结果进行检验,表明该模型应用在紫坪铺水文站的月径流预测中是合理、可行的。     

基于迟滞神经网络的商品零售价格指数预测

将传统神经元的激励函数改为迟滞激励函数,将迟滞特性引入神经网络中,构造迟滞神经网络.利用迟滞特性增强神经元对原状态保持的惯性,从而减少了神经元状态的错误变化,提高了神经网络的存储和记忆能力.利用迟滞分支响应的跳变特性以抑制网络训练过程中假饱和现象的发生.借助于前向网络的结构和学习算法,构造应用于时间序列预测分析的迟滞神经网络模型,并将其应用于社会商品零售价格指数的预测分析中.预测结果表明,该网络具有良好的泛化能力,预测效果优于传统神经网络.     

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...     

基于神经网络的换热器翅片参数灵敏度分析

为了探索将人工神经网络技术应用于翅片参数对换热器(HX)性能影响研究的可行性,建立2个结构不同的3层反向传播(BP)神经网络进行训练及优化.分别对流动阻力特性和传热特性进行性能预测,根据预测结果进行翅片参数的灵敏度分析.训练和测试样本数据来源于大量的风洞实验和数值仿真结果.经过优化后的预测传热和流动阻力的网络隐层神经元个数分别为2和6,隐层和输出层的传递函数分别为tansig和purelin函数,采用基于Levenberg Marquardt（L M）算法的训练函数.网络性能测试结果表明,人工神经网络以优越的非线性映射能力,能够很好地预测翅片参数变化对换热器性能的影响.翅片参数灵敏度分析结果与实践工程经验比较吻合.     

动态Elman网的城市公路隧道交通流量模型

城市公路隧道内任意时段交通流量的变化是个非线性的复杂过程,受诸多随机的不确定因素的影响.传统的时间序列模型多使用BP网络,但BP网络是静态网络,它只是实现一一对应的静态非线性映射关系,不适合动态系统的实时辨识,难以实施精确预测.在对城市公路隧道动态交通流分析的基础上,提出了城市公路隧道交通流量预测的动态神经网络模型,该模型基于Elman网络,具有状态记忆的功能,用Elman网络建立的时间序列模型是一个自回归滑动平均模型.它的输出不仅取决于过去和现在的输入,而且也取决于过去的输出.使用该模型仿真预测武汉首义广场隧道的交通流量,试验结果表明,该方法能够更好的提高预测精度.     

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.