基于小波神经网络的电力系统短期负荷预测模型研究

实现了BP神经网络电力负荷预测模型和小波神经网络电力负荷预测模型.通过对两种神经网络的算法进行理论分析以及两种模型的预测结果比较发现,小波神经网络在神经网络节点数目相同的情况下,小波神经网络比BP神经网络具有更高的预测精度.小波神经网络是一种建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性.文中所指的小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测中得到验证.表明小波神经网络模型预测精度高,自适应性好,收敛速度也明显快.     

小波神经网络在黄金价格预测中的应用

通过对影响黄金价格变动的主要因素的研究,提出一种基于小波神经网络的黄金价格预测模型。给出了具体的网络学习算法,并结合算法对黄金价格进行预测。为验证模型有效性,进行了对比测试。分析结果表明,小波神经网络模型比传统的BP神经网络模型具有收敛速度快、预测精度高的特点。     

基于改进小波神经网络的网络流量预测研究

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对传统小波神经网络训练算法的不足,提出了自适应量子粒子优化算法——AQPSO,用于训练小波神经网络,优化网络参数,建立基于AQPSO算法优化的小波网络预测模型。实验结果表明,该模型对网络流量的短期预测是有效可行的,并具有良好的收敛性和稳定性。     

基于遗传算法的小波神经网络在股票预测中的应用

小波神经网络采用传统BP算法,存在收敛速度慢和易陷入局部极小值两个突出弱点。本文建立了基于遗传算法的小波神经网络股票预测模型GA-WNN。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特性。运用MATLAB对拟合和预测过程进行仿真。结果表明,该模型能有效地提高预测精度,避免了BP算法固有缺陷。     

小波神经网络预测控制研究及油田生产应用

针对油田注采系统的时变性易导致传统控制算法控制效果不理想的问题,提出一种小波神经网络预测控制算法。小波神经网络预测控制算法由小波神经网络在线学习算法、小波神经网络模型的构建和小波神经网络线性预测控制算法组成,通过实时在线调整参数,克服控制过程中时变引起的模型失配。控制仿真结果表明,小波神经网络预测控制算法相对于其他控制算法,具有较好的控制性能,并能有效地改善油田注采系统的注水控制效果。     

小波神经网络算法在区域需水预测中的应用

将神经网络和小波分析理论相结合建立小波神经网络模型,在网络参数训练中采用进化算法,设计小波神经网络进化算法步骤。通过对应用于盐城市在未来2010年需水预测的实例进行计算分析,结果表明了该模型具有良好的可行性和合理性,可以借此深入分析外生输入变量与区域需水量之间的关系。     

基于谐波小波与神经网络的钢铁价格预测

应用谐波小波分解算法、混沌分析和神经网络理论提出了一种中国钢铁价格趋势预测的谐波小波神经网络模型。应用广义谐波小波分解算法把原始钢铁价格序列分解到不同的频带上,并在此基础上进一步分析表明,钢铁价格存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力,有效改进了预测精度。实验表明,与现有方法相比,该方法具有较高的预测精度。     

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。     

基于小波神经网络的城市建设用地预测

城市建设用地的准确预测是城市土地总体规划的重要决策基础。通过对影响城市建设用地主要因素的研究,提出一种基于小波神经网络的城市建设用地预测模型,并给出相应的网络学习算法。以湖南省长沙市为例,建立了基于小波神经网络的长沙市建设用地预测模型,比较分析了小波神经网络模型与灰色BP神经网络模型和传统BP神经网络模型的预测结果。分析结果表明:小波神经网络模型比灰色BP神经网络模型和传统BP神经网络模型的收敛速度快、预测精度高,在城市建设用地预测中更具应用价值。该成果为城市建设用地预测研究提供了有益参考。     

模糊小波神经网络的研究及其应用

针对小波神经网络训练时间较长且易陷入局部极小值的缺点,文章提出了将小波神经网络融合模糊算法的方法,并建立了模糊小波神经网络模型及其训练算法,给出了该模型在变频调速系统故障预测中的应用实例。应用结果表明,模糊小波神经网络提高了网络训练速度,达到了优良的函数逼近效果。     

基于最优阶次分数阶神经网络的交通流预测

建立基于最优阶次的分数阶神经网络的动态预测模型,给出数据预处理、最优阶次优化和预测算法流程步骤,给定模型预测精确度的性能指标。分数阶神经网络是从时频两方面分析数据,比BP神经网络具有更灵活有效的函数逼近能力;针对短时数据分析,分数阶神经网络局部性与小波神经网络一致具有多分辨力,且有更强的自适应能力、更快的收敛速度和更高的预测精度。以短时交通流量数据为例进行仿真,与基于小波神经网络和BP神经网络模型的短时交通流量预测仿真比较,分析评价性能指标,结果表明分数阶神经网络最优阶次下可实现灵活快速有效的交通流量动态预测。     

小波神经网络在模拟电路故障诊断中的应用

介绍了模拟电路故障诊断的神经网络方法及小波神经网络结构和原理,以一带通滤波器为例,提出了一种基于输出灵敏度分析,利用多频测试生成故障特征向量训练小波神经网络进行故障诊断的方法,仿真结果表明小波神经网作为故障分类器具有收敛速度快,诊断准确等特点。     

基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

基于小波神经网络的开关磁阻发电机故障预测模型研究

开关磁阻发电机因其具有发电容量大、效率高、起动和发电组合容易等优点而拥有很大的应用前景和价值;首先利用MAT-LAB软件对开关磁阻发电机的电气故障进行了仿真,相电阻0.1Ω,导通角28°,关断角55°,转速7500rad/s,负载电阻114Ω,输出电容2000μF,得出故障下的特征数据,然后,鉴于小波神经网络预测算法结合了小波变换良好的时频局域化性质及传统神经网络自学习功能,建立了开关磁阻发电机基于小波神经网络的典型故障预测模型,仿真结果证明其良好的性能。     

基于小波神经网络的非线性误差校正模型及其预测

针对非线性系统的预测问题,在线性和非线性协整理论涵义的基础上,提出利用小波神经网络进行非线性协整系统的非线性误差校正模型的研究,并给出该模型的建模方法．对沪深股市进行实证研究,与线性向量自回归模型进行比较．研究证明,小波神经网络所建立的非线性误差校正模型有较好的预测效果,能够有效地预测非线性经济系统．     

一种网络流量预测的小波神经网络模型

结合小波变换和人工神经网络的优势,建立一种网络流量预测的小波神经网络模型。首先对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练。用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果。     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

基于小波的非平稳时间序列预测方法研究

基于小波分析技术,将原始非平稳时间序列分解为一层近似系数和多层细节系数,对其分别采用自回归滑动平均模型以及BP神经网络模型,对各层系数进行建模与预测;通过整合各层系数,得到原始时间序列的预测值。运用这种方法对因特网某节点网络流量数据和某地区日最高气温数据进行预测的结果表明,建立在小波分解基础上的这两种方法都能够有效地应用于非平稳时间序列的预测;而小波-BP神经网络的预测方法无论是精度还是计算复杂度方面都要明显优于小波-ARMA方法。     

基于遗传算法的小波神经网络温度补偿模型

对单晶硅压阻式压力传感器的输出随温度漂移的问题,提出了基于遗传算法的小波神经网络模型,该模型充分发挥了遗传算法的全局搜索能力和小波神经网络简单快速的函数逼近能力,研究结果表明,该模型有效的抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。