基于BP神经网络与马尔可夫链的短期电价预测

提出了一种基于BP神经网络与马尔可夫链的短期电价预测方法.在采用BP神经网络模型进行短期电价初步预测的基础上,按照模糊C-均值聚类法划分预测误差的马尔可夫链状态区域,再根据状态转移概率矩阵对预测误差进行修正,得到最终预测结果.算例仿真结果表明,所提出的方法比单纯采用神经网络的预测精确度更高.     

城市需水预测方法研究

详细阐述了采用BP神经网络和模糊神经网络进行城市需水预测的方法，并将这两种方法应用到天津市需水预测的实证研究中．通过对这两种方法进行比较．发现在相关因素数据比较齐全时，模糊神经网络有比较好的模拟结果。     

基于WOA优化Elman神经网络的露天矿边坡位移预测

露天矿边坡变形、失稳严重威胁矿山安全生产。为提高露天矿边坡变形预测精度及可靠性,采用鲸鱼算法(WOA)优化Elman神经网络的预测模型,对露天矿边坡位移进行预测。根据Elman神经网络的特点,通过优选输入层节点数、隐含层节点数、传递函数参数,构建最优的Elman神经网络拓扑结构,并通过WOA优化Elman神经网络的权重和阈值,增强Elman神经网络的训练速度及全局寻优能力。以抚顺西露天矿边坡监测数据为例,利用该预测模型进行动态预测,并与经典的BP、Elman神经网络进行比较。结果表明：WOA-Elman模型预测结果的最大相对误差和平均绝对误差分别为0.018%和0.146 mm,模型收敛速度快,稳定性强,为矿区边坡变形预测提供了一种有效途径。     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。     

一种基于混沌预测的离群时间序列检测方法

提出一种基于混沌行为预测的金融交易离群检测方法.通过对短期金融交易时间序列的混沌分析,建立其未来行为趋势预期机制.利用RBF神经网络构建金融交易序列的拟合函数,以此进行一步行为预测,比较实际结果与预测结果的偏差,从而得到离群判别.合成与真实数据的实验表明了该方法的有效性.     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

基于神经网络的树木生长预测

概述了神经网络的有关理论,研讨了神经网络结构设计的步骤、方法及应注意的问题.应用神经网络技术对电力企业中高压线下的树木--经过"生长控制技术"成果处理后的树木的生长情况进行了预测,并与最小二乘法预测的结果进行了比较.结果表明,BP网络的预测精度高,是解决非线性预测问题的一种有效的方法.     

基于ARIMA-ANN的大坝安全监控模型

坝体的变形能反映建筑物的运行状况,受各种复杂因素影响,坝体变形监测数据是一个不平稳的时间序列.基于传统时间序列不能解决非平稳数据,使用自回归求和滑动平均序列建立模型,结合工程实例进行坝体变形监测数据的拟合与预测,并用BP神经网络进行误差预测,得到最终预测值.经过实际大坝的数据建模检验,建模方法可行,预测结果精度高,在大坝安全监测中具有较好的实用性.     

基于BP神经网络矩形微带天线谐振频率预测

谐振频率是微带天线的重要技术指标,建立合适的数学模型以获得微带天线精确的谐振频率,在微带天线的设计中至关重要,通过BP神经网络建模的方法对天线谐振频率进行预测.以一款谐振频率为2.4 GHz的矩形微带天线为分析算例,通过HFSS软件的仿真计算,获取了大量的天线样本,在此基础上建立了矩形微带天线的BP神经网络模型,并预测出不同结构参数下5个矩形微带天线的谐振频率.再将这5个天线的结构参数输入HFSS软件,用HFSS软件对这些天线进行仿真得到其谐振频率,比较结果证明采用BP神经网模型预测得到的天线谐振频率与HFSS仿真结果间误差很小,说明神经网络预测得到的天线谐振频率有效,本文的设计方法可行,效果良好.     

应用神经网络进行经济预测方法的改进

为提高神经网络经济预测的泛化能力,对神经网络预测的数据处理方法进行了改进,把对数据的归一化变为对数据增长率的归一化,因而只要预测的经济数据增长率不超过以往的经济数据增长率,则不再会发生外延问题.根据这一思路,采用北京市科技统计年鉴的数据,对经济发展进行了预测.预测结果与实际结果的比较说明改进有效.     

GMDH方法在电力负荷预测中的应用研究

本文在介绍数据处理组合方法GMDH基本原理的基础上,将其用于电力负荷时间序列数据预测,并通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可得到满意的预测结果。     

神经网络用于近海水质预测的研究

运用神经网络,提出一种完全依据环境监测数据的近海水质预测模型.首先,根据以往的研究成果,确定预测模型的输入和输出因子;然后,针对训练样本序列短、群体小的特点,采用自动正则化技术避免了网络的过拟合问题;在此基础上,研究确定网络的最小结构并作适当放大,保证网络充分拟合;最后,对入海河流监测数据进行处理,实现输入和输出因子的频率一致性.经过网络训练,预测平均误差为26.46%,满足环境管理的精度要求.应用表明,这预测方法避免了机理性研究对众多基础数据的要求,原理简单,实用性强,能够为环境管理提供决策支持.     

Modeling and Simulation of Time Series Prediction Based on Dynic Neural Network

Molding and simulation of time series prediction based on dynic neural network(NN) are studied. Prediction model for non-linear and time-varying system is proposed based on dynic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward. The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multi-step. A practical exple is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

Modeling and Simulation of Time Series Prediction Based on Dynamic Neural Network

Molding and simulation of time series prediction based on dynamic neural network(NN) are studied.Prediction model for non-linear and time-varying system is proposed based on dynamic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward.The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multistep. A practical example is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

基于PSO算法的神经网络集成构造方法

为合理选择组成神经网络集成的个体,使各个体间保持较大的差异度,从而提高集成所建模型的仿真精度,提出一种新的神经网络集成构造方法.独立训练出一批神经网络,采用离散粒子群优化(PSO)算法,用多维空间中0或1取值的粒子描述所有可能的神经网络集成.网络集成预测误差的估计值用组成集成的个体网络之间的相关度表示,并作为优化过程中的适应度函数.优选得到参与构成神经网络集成的部分差异度较大网络个体.对8个典型数据集回归问题的实验结果表明,该方法构造的神经网络集成普遍使用了较少的网络个体,而预测精度均好于Bagging方法等传统方法.     

An integrated modeling method for prediction of sulfur content in agglomerate

1　INTRODUCTIONSomeparametersincomplex process,especiallyinmetallurgicandchemicalprocess ,needtobepredictedforsecurityandefficiencyofproduction .PrecisepredictionofsulfurinagglomerateissignificantforsinteringprocessinPb ZnImperialSmeltingProcess (ISP) [1] .SinteringprocessistodesulfurateandsinterPb ZnminesoastoprovideagglomerateforPb Znproduction .Ifthesulfurcontentinagglomerateexceeds 1% ,thesmeltingprocesscannotrunfluentlyandtheconditionsaredeterioratedre markably .Inspiteoftheimpo…     

基于PSO—SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法（PSO—SVM）的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络（BP—NN）和支持向量机方法（SVM）对该实例进行了预测,进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO—SVM为87．5％、BP—NN为50％、SVM为62．5％。可见,PSO—SVM方法的预测效果要好于BP—NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义。     

一种基于动态递归神经网络的交通流量实时预测方法

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施，实时、准确的交通流量预测是智能交通系统实现的关键技术之一。提出了一种基于改进型Elman神经网络的交通流量实时预测方法，由于预测模型中采用的递归神经网络具有动态记忆能力，因而可在网络规模较小的情况下实现对交通流量的快速、准确预测，并用实例验证了所提出的交通流量预测方法的有效性。     

GMDH物价指数预测模型研究及实证

利用物价指数的月均值与年均值数据同时建模的数据处理群组方法的两水平算法,扩大了月均值数据的可预测范围,引入以三角函数求和形式的调和自组织的数据处理群组方法解决月均值物价指数的波动影响,提高了月均值数据预测的准确性。实证分析表明,数据处理群组方法的调和两水平方法预测月均值物价指数是有效的。     

Bridging GPS outages of tightly-coupled GPS/SINS using GMDH neural network

A tightly-coupled GPS(global positioning system)/SINS(strap-down inertial navigation system)based on a GMDH(group method of data handling)neural network was presented to solve the problem of degraded accuracy for less than four visible GPS satellites with poor signal quality.Positions and velocities of the satellites were predicted by a GMDH neural network,and the pseudo-ranges and pseudo-range rates received by the GPS receiver were simulated to ensure the regular operation of the GPS/SINS Kalman filter during outages.In the mathematical simulation a tightly-coupled navigation system with a proposed approach has better navigation accuracy during GPS outages,and the anti-jamming ability is strengthened for the tightly-coupled navigation system.