一种基于模糊神经网络的VBR MPEG视频流量预测模型

针对VBR MPEG视频流的复杂特性，充分利用人工智能方法的优势，提出了一种基于模糊神经网络的视频流量预测模型，利用模糊逻辑模型达到减少预测误差的目的，采用神经网络满足网络通信的实时性要求．实验结果表明，该模型比传统AR模型显著提高了预测的准确度和可靠性．     

基于灰色神经网络的空中交通流量预测方法

空中交通流量预测是空中交通管理领域的研究热点。针对空中交通流量的复杂性、非线性和不确定性,提出一种基于灰色神经网络算法进近空域内的空中交通流量预测方法。将灰色系统与人工神经网络相结合构成的灰色神经网络预测模型,优于单一的灰色预测方法和人工神经网络预测方法。     

基于遗传算法和神经网络的股票价格预测

针对证券市场运作的复杂性,提出了一种改进的BP神经网络模型,并将其应用于金融街的股价预测。采用遗传算法对网络结构和权值进行了优化,提高了网络的预测精度,加快了收敛速度,克服了以往传统预测方法的缺点。实验结果表明,将改进的BP网络模型用于股市分析和股价预测具有一定的准确性和应用价值。     

基于禁忌算法优化神经网络的海洋船舶流量预测

为了有效缓解船舶交通拥堵和提高通航效率,对海洋港口和航道管理提供一个更可靠的数据,设计了一种基于禁忌算法优化神经网络的海洋船舶流量预测的方法。首先,建立了基于禁忌算法优化神经网络的海洋船舶流量预测模型。然后,设计了三层的脊波神经网络结构,提出了采用禁忌算法优化脊波神经网络结构参数的具体方法,从而得到一个初始化的脊波神经网络流量预测模型。然后,采用有标签的训练样本数据集对网络进行训练,将满足误差阈值的训练模型作为最终的预测模型。以某港口为例进行仿真实验,结果表明文中得到的预测结果与真实值较为接近,且与其它方法相比,具有更好的预测效果。     

基于多重分形的VBR视频流量多步预测方法

视频流量的实时预测是进行网络资源优化和端到端QoS策略设计的重要前提.然而,目前基于短相关(SRD)的预测模型并不能对非平稳且具有长相关(LRD)和分形特性的视频流量进行有效的预测.分析发现,通过多重分形尺度间系数的相关性,可以把难以直接预测的LRD流量序列转化为可以用SRD模型预测的短相关序列组.基于多重分形的预测算法合理地利用了原始序列的LRD信息,具有很好的多步预测性能.     

基于流量特征的数字媒体网络视频通信流量预测系统

为了提高数字媒体网络视频通信流量预测能力,提出基于流量特征的数字媒体网络视频通信流量预测系统.构建分布式传感信息采集和多维空间存储结构模型,采用多源信息融合和特征重组方法实现时间序列重构,采用相空间重构和特征压缩方法,建立特征聚类模型,提取重建响应特征量,通过流量传输信道均衡控制方法,实现对数字媒体网络视频通信流量的实...     

基于混沌RBF神经网络的汽油机进气流量预测研究

针对汽油机进气流量的多维非线性特性,提出了一种混沌径向基（RBF）神经网络的汽油机进气流量预测模型。证明了汽油机进气流量时间序列具有混沌特性,对采集的原始数据进行相空间重构,利用RBF神经网络对重构后的数据进行训练和预测,并利用混沌算法确定输出层连接权值和隐含层高斯函数径向基中心,使其达到全局最优,加快了RBF神经网络的收敛速度。仿真结果表明,与空气进气流量平均值模型、RBF神经网络预测模型比较,该模型具有更高的预测精度,为精确及时测试汽油机进气流量提供了一种全新的软件测量方法。     

基于图神经网络的城市交通流量预测

随着社会发展,城镇化的推进和人民生活水平的提升使得城市中的交通运输车辆与日俱增。加之大量农村人口流向城市,使得城市有限的空间内一时间开始大量聚集众多人口,在城市上下班高峰时期,各交通要道的机动车拥堵问题正困扰众多城市的发展和城市居民的生活质量。对此,城市交通运输领域一直在探索交通流量的监控与预测手段。这在传统技术背景下似乎是一个难以完成的任务,但在信息技术高速发展的当下,智能化的城市交通系统开始出现,并利用信息技术、电子传感技术、电子控制技术、计算机处理技术等逐步实现了城市交通调控与管理的智能化。在这一智能化交通系统中,交通流量的预测是其交通管理与调控的基础性环节,而流量的预测数据也正是其他工作开展的重要依据。因此,在交通流量预测方面选择科学有效的方法进行预测模型构建就成为影响城市智能交通系统作用发挥的重中之重。本文以图神经网络为技术视角探讨了城市交通流量预测模型的建构,希望能够对现代智能交通系统的建设提供参考。     

小波神经网络在NGN流量预测中的应用

基于下一代网络NGN（Next Generation Network）的运行环境,该文提出了一个的基于小波神经网络的IP流量预测方法。在神经网络预测模型中,神经网络中的转移函数使用小波函数来替代,从而建立小波基神经网络;同时,通过使用小波多分辨率方法将原始流量信号分解成不同频率成分的分量信号,然后使用分量信号作为训练样本训练小波基神经网络。通过前述方法建立NGN流量预测模型,并根据实际流量数据预测一天的流量。实验结果表明本方法相较未采用小波的神经网络预测方法,能显著提高流量预测精度。     

融合模拟退火算法的神经网络流量预测研究

为了提高网络流量预测的精度,针对BP网收敛极易陷入局部极小点的缺陷,引入模拟退火算法思想优化小波包神经网络,对网络流量数据的时间序列进行建模预测。先将原始网络流量序列进行小波包消噪,将消噪后的序列作为融合模拟退火思想的小波包神经网络的输入,待预测序列作为输出。通过消噪后的前N天的流量序列,预测出后M天流量序列。仿真实验结果表明,与直接利用小波神经网络预测的模型比较,融合了模拟退火算法思想的小波包神经网络具有更好的预测能力。     

一种基于优化的RBF神经网络交通流预测新算法

提出了一种基于遗传算法优化的RBF神经网络交通流预测新方法,该方法把遗传算法应用于RBF神经网络的参数确定中,实现了RBF神经网络隐层高斯函数的中心矢量和基宽向量以及隐层与输出层之间的权值的优化,提高了RBF神经网络的泛化能力。仿真结果表明：改进的RBF网络用于交通流预测中具有可靠的精度和较好的收敛速度,具有广阔的应用推广前景。     

Exchange-Rates Forecasting: A Hybrid Algorithm Based on Genetically Optimized Adaptive Neural Networks

The use of neural networks trained by a new hybrid algorithm is employed on forecasting the Greek Foreign Exchange-Rate Market. Four major currencies, namely the U.S. Dollar (USD), the Deutsche Mark (DEM), the French Franc (FF) and the British Pound (GBP), versus the Greek Drachma, were used as experimental data. The proposed algorithm combines genetic algorithms and a training method based on the localized Extended Kalman Filter (EKF), in order to evolve the structure and train Multi-Layered Perceptron (MLP) neural networks. The goal of this effort is to predict, as accurately as possible, exchange-rates future behavior. Simulation results show that the method gives highly successful results, while the diversification of the structure between the four currencies has no effect on the performance.     

基于变窗口神经网络集成的时间序列预测

提出一个变窗口神经网络集成预测模型。该模型利用自相关分析构造出差异度较大的个体神经网络,提高了预测系统的泛化能力,同时能够有效剔除异常序列,提高预测精度。采用真实世界的数据集对该模型进行仿真。实验结果表明,该预测模型具有较高的预测精度,能有效预测移动通信的话务量。     

基于SNMP的天基网络流量的在线遥测与预测*

针对星上路由器的业务流量速率为遥测目标,使用SNMP报文来实时收集网络流量统计信息,并使用多分辨率分析与神经网络结合的方法,对测量的流量数据序列进行冗余小波变换,将分解后不同尺度的系数用于BP神经网络的输入来进行流量的在线短时预测.     

基于小波神经网络的电梯交通流预测

小波神经网络随着输入维数的增加,网络参数将呈指数倍增加,导致收敛速度下降.在研究统计学理论的基础上,提出了以结构风险最小化为目标的训练方法.该方法最大限度地保证了网络的泛化能力.将该网络应用于电梯交通流的预测,得到了比传统BP神经网络更优的效果.     

遗传算法优化小波神经网络的网络流量预测

为了提高网络流量的预测精度,克服小波神经网络收敛速度慢、易陷入局部最优的缺点,提出一种遗传算法优化小波神经网络的网络流量预测模型.首先计算延迟时间和嵌入维数,构建小波神经网络的学习样本,然后采用小波神经网络对网络流训练集进行学习,并采用改进遗传算法对小波神经网络参数进行全局寻优,提高收敛速度和网络学习精度,最后采用网络流量数据对模型性能进行仿真分析.结果表明,相对于对比模型,本文模型的平均误差大幅度降低,训练次数急剧减,减小了二次优化训练的次数,具有更大的实际应用价值.     

Forecasting Economic Data with Neural Networks

Studies in recent years have attempted to forecast macroeconomic phenomena with neural networks reporting mixed results. This work represents an investigation of this problem using U.S. Real Gross Domestic Production and Industrial Production as case studies. This work is based on a coefficient of determination which accurately measures the ability of linear or nonlinear models to forecast economic data. The significance of our work is twofold: (1) It confirms recent work that neural networks significantly outperform linear regression due to nonlinearities inherent in the data sets, and (2) it provides a systematic approach that guarantees to find the maximum correlation between input(s) and output of interest. JEL Classification: C45, C52, C53, C67,     

基于BP神经网络和遗传算法的光伏功率预测的研究

随着光伏发电在社会的大规模应用,加之其波动性和间歇性等特点,使得光伏发电功率预测对微电网控制策略研究、电网电能调度和提高电网电能质量显得更加重要;遗传算法(GA)被运用来对建立的BP神经网络模型的初始权值和阈值进行优化,不仅加快了BP神经网络的收敛速度而且提高了BP神经网络的的预测准确度,实验结果显示采用的预测方法获得了较好的预测效果。     

基于遗传算法的小波神经网络在电价预测中的应用

在电力市场中边际电价预测得准确与否,对于发电厂的竞价决策具有非常关键的影响。为了克服BP神经网络自身算法的缺陷,得到更高的学习精度和更快的收敛速度,该文建立了基于遗传算法的小波神经网络电价预测模型。该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部性质。经实例验证该模型能有效地提高预测精度,避免了BP神经网络的固有缺陷。     

Gold Price, Neural Networks and Genetic Algorithm

Economic theory has failed to provide sufficient explanation of the dynamicpath of price movement over time. Therefore, the use of any linear ornon-linear functional form to model the gold price movement is bound to bearbitrary in nature. Neural Networks equipped with genetic algorithm have theadvantage of simulating the non-linear models when little a priori knowledgeof the structure of problem domains exist. Studies suggest that such a systemprovides better predictions when compared with traditional econometric models.The NeuroGenetic Optimizer software is applied to the NYMEX database of dailygold cash price covering 12/31/1974–12/31/1998 period. Among differentmethods, back-propagation neural networks with genetic algorithms is used topredict gold price movement. The results indicate that prices in the past, upto 36 days, strongly affect the gold prices of the future. This confirms thefact that there is short-term time dependence in gold price movements.