时间序列神经网络预测方法

本文从信息论的角度出发，讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题，并在此基础上提出３种时间序列神经网络预测方法，它们是：神经网络非线性时间序列模型，神经网络多维时间序列模型和神经网络组合预测模型。将上述模型应用于实例的结果表明，在非线性信息的处理能力和预测精度方面都有很大提高。进一步，对今后智能信息预测方法的发展方向进行了探讨，提出了智能信息预测系统的结构模型。     

神经网络时间序列预测及其工程应用

本文基于时间序列分析的方法针对船用捷联陀螺的具体特性提出了一种神经网络时间序列预测建模方法，并对某捷联航姿系统中所用陀螺漂移数据进行了神经网络建模尝试。     

前向型迟滞神经网络在商品价格预测中的应用

时间序列预测的研究是当今世界中比较重要的研究领域之一,具有重大的科研价值。本文提出将电生物学中的迟滞特性引入传统的神经网络中,构建前向型迟滞神经网络并将迟滞神经网络模型应用到商品价格指数预测上,并得出更准确的预测效果。     

一种用于曲线预测的混合神经网络算法研究

为了克服标准BP神经网络在数据预测中存在的缺陷,提出了一种结合基因表达武编程和BP神经网络算法的混合算法.该算法分为两个阶段,第一阶段,利用GEP独特的编码方式来代替随机设定神经网络结构的选择和初始权阚值的设定;第二阶段,用梯度下降法在已经用基因表达式编程方法确定好的搜索空问中和网络结构中对网络进行进一步的精确训练.将此混合算法用于测井曲线的预测中,同时将结果和基因表达式编程方法、BP神经网络方法进行了比较,证明了该算法可以克服BP神经网络的缺陷,并且优化后的BP神经网络收敛速度快,预测精度高.     

基于Elman神经网络的风速时间序列预测实例

风速时间序列具有非线性和非平稳性的特点,传统的预测方法难以建立风速间的函数关系,因此风速时间序列的预测结果精度不高。人工神经网络所具有的强非线性拟合能力有效地解决了风速时间序列难以预测的痛点,文章选择Elman神经网络预测全国3个地区不同尺度的风速时间序列,初步探讨了神经网络风速预测的可行性。结果表明,Elman神经网络经过训练,具有时序非线性拟合的能力,但预测结果精度尚未提高。     

基于神经网络的联合混沌时间序列的预测研究

提出了利用前馈神经网络预测联合混沌序列,通过引用著名的Henon和Lozi混沌系统作为仿真实验产生联合混沌信号序列。预测结果证明,用改进的BP算法训练的NN可以完全预测联合混沌信号序列。     

基于BP神经网络的流量预测分析

为提高校园IP网络流量预测的准确度,本文基于BP神经网络对未来时刻流量大小与历史数据间存在的相关性进行了拟合分析,通过数据预处理、模型参数选择、网络权重阈值训练等流程实现了对预测模型的建立,并利用仿真结果对比验证了该模型在网络流量值的预测中具有很好的准确度.     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

基于BP 神经网络的能见度估测研究

利用安徽省高速公路能见度观测站网的分钟能见度及温湿风资料, 在全面分析能见度与各个气象要素相关 性的基础上, 重点探讨了高速公路能见度的短时预测模型。应用 BP 神经网络, 以湿度、温度、平均风速、瞬时风速、 极大风速作为 BP 神经网络输入层, 输出层为能见度, 结果表明整体试验数据偏差在可接受范围内。采用顺序试验样 本时, 相对误差在 20% 以内的占总试验次数的 68.6%; 在随机样本各次试验中, BP 网络模拟输出与检验样本的相关性 较好, 相关系数在 0.6∼0.8 之间; 低能见度随机样本试验结果表明, 模型输出值与样本值均方根误差集中在 700∼850 m 之间, 变化幅度不大, 说明神经网络算法具有较高的稳定性。     

基于聚类分析和神经网络的时间序列预测方法

文章提出了一种组合聚类分析和神经网络的预测方法。聚类分析将大的数据集聚类划分为几类小的数据集，这样在每一类中，数据的相似度比较高，然后再分类训练相应的模型，最后做预测。建立加入聚类分析的径向基神经网络模型，用金融时间序列做试验，并跟径向基神经网络模型进行比较。试验结果表明．加入聚类分析的径向基神经网络模型提高了连续预测的趋势准确率，降低了时间代价，并减小了模型的复杂度。     

小波神经网络训练研究及在织物预测中的应用

针对小波神经网络训练不便的问题,构造了一种基于MATLAB神经网络工具箱的训练方法。首先通过公式推导简化了小波神经网络的学习参数,将伸缩因子和平移因子变换到了权重和阈值中。然后根据神经网络工具箱对激活函数的要求,采用MATLAB编制了适用于神经网络工具箱的小波基激活函数,简单描述了编写自定义激活函数的方法。最后将该小波神经网络应用于织物的热阻和湿阻预测中,采用贝叶斯正则化训练算法,取得了较好的效果。     

重叠社区检测及其果蝇视觉进化神经网络

针对社区发现中,部分节点划分难的问题,探讨重叠社区检测的优化模型和求解的视觉进化神经网络.模型通过设计节点隶属度矩阵和节点分割规则,建立以模糊分割阈值为变量,且能评估社区划分效果的改进型模块度函数;算法设计中,以候选解构成的状态矩阵对应函数值矩阵作为输入,依据果蝇视觉系统的信息处理机制,建立以输出作为状态学习率的果蝇视...     

神经网络在无线网络流量预测中的应用

无线互联网的流量数据非常分离且极其不稳定,混沌理论在其身上体现得特别明显,因此对无线网络流量进行预测具有一定难度。该文使用BP神经网络建立预测模型,在常规神经网络系统进行训练之前,需要对系统内部各个层次之间的连接权值以及阈值范围实行初始化操作,但是此操作将会影响神经网络最终收敛速度,有可能造成最终结果为非最优解,使得流量预测结果不是很理想。因此这里使用布谷鸟搜索优化方式对神经网络系统内各层之间链接值与阈值进行初始化操作,提高系统预测精度。该文使用遗传优化神经网络算法和粒子群优化神经网络算法建立同样的预测模型,并与该文研究的预测模型进行对比。实例分析结果表明,初期预测结果精度较高,与实际值比较吻合,但测试数据越靠后,预测值越不稳定,这主要是累计误差造成的。但总的来说,该文使用的布谷鸟优化BP神经网络预测模型的预测性能要优于由遗传算法和粒子群算法优化的BP神经网络。     

Space instrument neural network for real-time data analysis

A simple software implementation of an artificial neural network (ANN) was used to analyze up to 200 autocorrelation functions (ACFs) per second within the Shuttle Potential and Return Electron Experiment (SPREE) flown on the Shuttle STS46 mission, July 31, 1992. As all ACF data are stored onboard until postmission, this facility provided ground-based experimenters with their only access to ACF data in real time for optimum instrument control. ACFs contain data either as waveforms or as radar echoes. Operating directly on the ACF, the neural network identifies the type of data, ascertains the wave frequency or radar peak separation, and provides a score or measure of significance of its decision. An effective 16:1 data reduction is achieved and the data interpretation performance is comparable to that achieved by an expert data analyst. Erroneous analysis accounts for less than 1% of data analyzed     

COLORED NOISE PREDICTION BASED ON NEURAL NETWORK

A method for predicting colored noise by introducing prediction of nonlinear time series is presented. By adopting three kinds of neural networks prediction models, the colored noise prediction is studied through changing the filter bandwidth for stochastic noise and the sampling rate for colored noise. The results show that colored noise can be predicted. The prediction error decreases with the increasing of the sampling rate or the narrowing of the filter bandwidth. If the parameters are selected properly, the prediction precision can meet the requirement of engineering implementation. The results offer a new reference way for increasing the ability for detecting weak signal in signal processing system.     

基于小波神经网络的网络流量预测研究

主要采用小波神经网络的相关理论和方法对某小区网络的访问流量情况进行建模和预测。利用收集到的网络流量变化情况作为小波网络的训练样本,成功实现了该网络的流量预测。试验仿真结果表明,构建的小波神经网络模型可以很好地实现对网络流量的高精度预测。     

基于BP神经网络的温度预测方法

针对环境试验温度测量精度不高,测温延时较大的问题,提出了基于BP神经网络的温度预测方法。该方法通过测量瞬时温度变化率,利用BP神经网络的温度预测模型,对温度进行预测。在MATLAB中仿真表明,该方法对温度测量的精度有了明显的提高,对测温延时有了明显的改善。     

基于GM-RBF神经网络的光伏发电功率预测

为了提高光伏发电功率预测的精度,本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上,提出一种基于灰色径向基函数（Radical Basis Function, RBF）和神经网络光伏发电功率预测模型。该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。最后,运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证,得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%,其预测精度均高于灰色预测算法和RBF神经网络预测算法。     

基于神经网络的洪水水位预测算法

鉴于洪水变化难以预料,及其给社会和人民群众带来的危害,提出一种新的洪水水位变化的预测算法.利用神经网络能以任意精度逼近非线性函数的特点,采用神经网络的有监督式学习,并将预测误差作为反馈来调整水位预测网络中的权值分布,以达到学习的目的.通过程序编程对此算法进行调试,得到了较理想的预测效果.     

Research onconvolutional neural network for reservoir parameter prediction

As the branch of artificial intelligence,artificial neural network solved many difficult practical problems in pattern recognition and classification prediction field successfully.However,they cannot learn the feature from networks.In recent years,deep learning becomes more and more advanced,but the research on the field of geological reservoir pa-rameter prediction is still rare.A method to predict reservoir parameters by convolutional neural network was presented,which can not only predict reservoir parameters accurately,but also get features of the geological reservoir.The study es-tablished the convolutional neural network model.Results show that the convolutional neural network can be used for reservoir parameter prediction,and get high prediction precision.Moreover,convolutional features from convolutional neural network provided important support for geological modeling and logging interpretation.