基于经验模态分解的小波神经网络预测模型

针对小波神经网络(WNN)在非平稳、非线性时间序列预测上无法实现自适应多分辨率分析,且其预测精度有待提高的问题,提出基于经验模态分解的小波神经网络预测模型。首先,对非线性、非平稳时间序列进行经验模态分解(EMD),以降低时间序列的非平稳性;然后对EMD分析得到的固有模态分量(IMF)和余项分别构建WNN模型;最后,汇总预测结果,得到预测值。通过数据验证,新模型的预测精度高于BP神经网络和WNN。     

基于C_均值聚类的航班预测模型

航班预测是航空公司收益管理的关键技术．本文提出了一种基于C 均值聚类的航班预测模型，并将该模型和广泛应用的增量法、回归法进行了对比．该模型基于聚类方法分析航班销售特征，依靠归类决定预测结果，屏蔽了日期和季节特性对预测过程的影响，降低了算法复杂度．该模型具有运算速度快、鲁棒性强、预测精度相对较高等优点,已应用于厦门航空公司的实际系统中     

基于BP和统计的混合法前馈型神经网络及其应用

为避免ＢＰ算法本身易陷入局部极小值的缺陷，本文将具有新组合激活函数的ＢＰ法与传统的ＢＰ方法（标准和带动量项）分别与统计最优化方法相结合组成混合算法，将他们分别应用于天气预报和贷款之中，并进行了仿真比较，在预报准确率和学习速度方面获得了比较满意的结果．本模拟程序在Ｔｕｒｂｏ－Ｐａｓｃａ／６．０环境下编制，在ＩＢＭＰＣ３８６和４８６机器上调试通过并运行．     

基于神经网络的多变量时间序列预测及其在股市中的应用

首先分别由开盘价、最低价、最高价和收盘价序列经小波变换得到在大尺度上的各自逼近序列,并由这些逼近序列进行相空间重构,得到各自重构相空间内的点,即矢量列.然后将这4个矢量列组合成一个维数更高的矢量列,作为神经网络的输入,对其进行训练.最后用训练好的网络对2000年初的牛市行情中的上证指数波动趋势进行预测,结果令人满意.     

基于遗传算法的模糊神经网络股市建模与预测

提出一种基于模糊神经网络的股票市场建模与预测方法，并采用遗传算法训练网络权值及模糊子集的划分，对于上证指数及个股的建模与预测结果表明，该方法具有很强的学习与泛化能力，在处理诸如股票市场上这种具有一定程度不确定性的非互性的建模与预测方面有很发的价值。     

基于BP神经网络的路口短时交通流量预测方法

交叉路口是一个城市交通的重要组成部分,其各方向的交通流量预测更是该城市智能交通系统中的重中之重,本文提出一种基干BP神经网络预测路口短时交通流量的方法,该方法将路口其他非预测方向和交通信号配时方案对流量预测的影响因素考虑在内。     

Wiener型非线性系统的La-RBF组合模型预测控制

针对Wiener型非线性系统,本文提出了一种基于Laguerre函数模型与RBF神经网络模型的组合模型的预测控制策略,研究结果表明该组合模型兼具两者的优点,适用范围广,对系统变时延,变阶次及变非线性都具有良好的控制效构     

基于神经网络和弹性积分的控制器设计及应用

提出一种新型的智能PID控制器。将前馈神经网络BP网络作用在弹性积分控制器上,在线调整控制器的参数,采用RBF神经网络作为辨识器在线辨识控制输出对控制输入对象变化的灵敏度信息,提高系统的控制精度。该智能控制器实现了整体性能优化和个别参数优化相结合的思想。通过MATLAB仿真,该新型控制器具有超调量低、鲁棒性好等控制效果。     

基于NARA模型和筛选方法的并行神经网络体系结构

本文将介绍一种并行的神经网络体系结构（ＰＮＮ），它是以ＮＡＲＡ模型和筛选方法为基础的，ＰＮＮ由一个控制网络ＣＮ和一组识别网络ＲＮｉ（ｉ＝１，２，３，…，ｐ）组成。它能够自动地将复杂问题分解为简单问题，容易实现追加学习，并且可以分析其内部状态，其结构也是模块化结构，易于硬件电路实现，可以作为一种计算机运算部件，而且ＰＮＮ具有较高的运行效率。     

基于ARIMA和神经网络模型的城市燃气负荷预测

城市燃气负荷预测是城市天然气调配的重要环节。在对燃气负荷时间序列进行小波周期分析的基础上,建立燃气负荷的基于ARIMA的神经网络温度矫正模型,ARIMA模型对年周期数据进行平滑,有效去除了过去的短期影响;将大气温度作为神经网络的输入对ARIMA模型预测值进行修正。经过检验,该模型很好地揭示了燃气负荷时间序列的特征,预测效果较好。     

基于组合神经网络模型的函数逼近方法

在通用函数逼近定理基础上,介绍了一种将反向传播神经网络和径向基神经网络模型相接合的组合神经网络模型,并将该模型应用于上海证券指数的预测.仿真实验结果表明,该模型很好地减小了预测值和实际值之间的误差,预测效果也优于普通的反向传播神经网络模型.     

基于ARIMA和LSTM混合模型的时间序列预测

由于现实中的时间序列通常同时具有线性和非线性特征,传统ARIMA模型在时间序列建模中常表现出一定局限性.对此,提出基于ARIMA和LSTM混合模型进行时间序列预测.应用线性ARIMA模型进行时间序列预测,用支持向量回归(SVR)模型对误差序列进行预测,采用深度LSTM模型对ARIMA模型和SVR模型的预测结果组合,并将...     

基于多Agent系统和神经网络的路由选择策略

我国长信网的接通率为45%左右,链路的利用率也仅为30%～40%.据估计,接通率每提高一个百分点,收益可达10亿元,针对目前所使用的路由选择方法的不足,提出全新的基于多Agent系统和神经网络预测的路由选择策略,包括网络模型、选路过程、Agent内涵的刻划,并介绍了用递归神经网络进行预测的思想.仿真结果表明,其良好的分布性和智能预测能力使之优于其它方法.这为解决网络接通率低和负荷不平衡问题提供了良好途径.     

基于新型神经网络分类器的故障诊断模型

针对故障诊断技术普遍存在的问题：缺乏通用性、不能同时保证稳定性和可塑性以及难以实时应用等,提出了一种故障示例模型,具有较好的通用性;采用的FANNC神经网络具有增量学习能力以及只需一遍学习就能完成同新增模式匹配的特点,在保证了模型的实时处理能力的同时,能较好地解决诊断系统的稳定性和可塑性两难问题。     

一类时延神经网络的非线性分析

本文详细讨论了一类由两神经元藕合的时延网络系统,分析了该系统稳定、分叉 的条件,指出利用分叉稳定因子(延迟时间)可以进行分叉控制、极限环幅值控制等,并给出 了仿真的具体实例．     

一种非线性优化的神经网络

本文提出了用人工神经网络求解具有约束条件的非线性优化问题的具体方法，分析了神经网络能量函数的构成形式，并在常规的Ｈｏｐｆｉｅｌｄ网络模型的基础上构造了一个非全局连接的神经网络动力学模型。这种修改的Ｈｏｐｆｉｅｌｄ网络克服了常规的Ｈｏｐｆｉｅｌｄ网络在求解非线性优化问题时权值不好映射的困难，具有结构清晰，易于软件模拟和硬件实现的优点。     

基于RBF神经网络的攻防博弈模型

为了阐明网络攻防过程中博弈双方如何确定对方的类型,从而选择行动策略,提出了基于RBF神经网络的攻防博弈模型。首先使用两人随机博弈模型来分析网络攻防双方的特点,揭示制约双方选择策略的因素;通过精炼贝叶斯纳什均衡求得博弈双方选择的最优策略;最后,根据可疑者的行动策略和系统的状况,使用RBF神经网络对其类型进行推理。     

停车诱导系统中车位预测模型的研究

研究城市停车诱导系统的停车车位占有率预测问题.首先提出基于BP神经网络的车位占有预测模型,同时将自适应学习速率调整法和加入动量项方法用于改善基本BP神经网络,优化了学习速率,减少了训练过程的震荡趋势,改善了网络的收敛性.以此为基础实现了停车位的智能预测.最后,进行了多种方法比对实验.     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

基于神经网络集成的多视角人脸识别

人脸在图像深度方向上发生偏转时,即使同一对象的人脸图像也会发生极大的变化。在此,将神经网络集成应用于多视角人脸识别,所用的人脸特征通过多视角特征脸分析获得。为每一视角的特征空间各训练一个神经网络,并利用另一个神经网络对其进行结合。利用训练好的神经网络集成进行识别时不仅不需进行偏转角度估计预处理,而且还可以在给出识别结果的同时给出角度估计信息。实验结果表明,该方法的识别精度高于根据精确的偏转角度估计信息挑选最佳单一神经网络所能达到的效果。