基于粗糙集的模糊神经网络降水预报模型研究

为了提高模糊神经网络预测模型的预测能力,提出了基于粗集理论方法选择自变量作为模型输入的模糊神经网络预报建模方法.以短期降水预报作为研究对象,利用粗集理论的条件属性约简计算分析方法,对初选得到的预报因子矩阵进行属性约简,剔除不相关的属性,找出与预报量直接相关的预报因子,建立模糊神经网络的降水预报模型.实际的预报试验结果表明,该预报方法的预报精度明显高于由逐步回归方法选择预报因子作为模型输入的模糊神经网络预报模型及中国气象局T213数值预报模式的预报结果.     

基于神经网络的非线性时间序列故障预报

对模型未知非线性系统, 将系统输出组成时间序列并通过空间嵌入的方法转化为一个离散动态系统. 利用线性 AR 模型拟合时间序列的线性部分, 用神经网络拟合时间序列的非线性部分并补偿外界未知的扰动, 提出了通过对状态的观测实现时间序列一步预测的方法. 利用滚动优化的思想将一步预测推广, 提出了时间序列的 N 步预测方法, 证明了时间序列预测误差有界. 通过对预测误差进行概率密度估计和检验, 提出了故障的预报方法. 对 F-16 歼击机的结构故障预报结果表明了方法的有效性.     

模糊化的Modular模糊神经网络降水预报模型研究

以广西西南部前汛期5、6月25个气象站平均逐日降水量作为预报对象,采用自然正交分解方法和模糊化方法对输入因子预处理后,结合Modular模糊神经网络建立了一种新的降水预报模型,并进行了逐日业务预报应用试验.结果表明,该降水预报模型比常规Modular模糊神经网络方法及逐步回归方法有更高的预报精度,具有较好的业务应用前景.     

多重核学习非线性时间序列故障预报

针对非线性时间序列故障预报问题, 提出了多重核学习故障预报方法. 利用多重核学习可以减少支持向量的个数, 提高预测性能. 而且在多重核学习定义的混合核空间中运用减聚类能够提取正常原型. 最后, 将本文提出的方法应用于连续搅拌釜式反应器的故障预报, 仿真结果表明该方法能够提高故障预报的准确性与实时性.     

模型输入对模糊神经网络预报模型的影响研究

为了探索模型输入对模糊神经网络预报模型预测性能的影响,研究了通过减少预报模型自变量组合的复共线性影响,并结合相似系数计算分析方法建立了一种新的模糊神经网络预报模型。以气象学科的逐日降水预报作为研究对象,利用这种新的模糊神经网络预报模型进行了实际预报试验,并与常规的模糊神经网络预报方法,中国气象局T213数值预报模式以及逐步回归预报方法的预报结果进行了对比分析。结果表明,这种基于条件数和相似系数计算的模糊神经网络预报新方法对49天降水的独立样本预报平均绝对误差为7.33 mm,预报误差比模糊神经网络预报模型下降了5.9%,比传统的逐步回归方法下降了14.9%,比中国气象局T213数值预报模式的预报结果下降了13.4%。显示了很好的应用前景。     

基于案例推理的竖炉故障预报系统

为降低竖望炉焙烧过程的故障发生率,基于故障机理的分析,将过程参量预报与案例推理技术相集成,提出了竖炉焙烧过程的智能故障预报方法.参量量预报模型对不易在线连续测量但能反映故障征兆的关键工艺参数进行实时预报,在此基础上,采用案例推理技术对焙烧过程进行全面分析并给出一些典型故障发生的概率和操作指导.将所建立的故障预报系统成功应用于竖炉焙烧过程的生产实际中,故障发生率明显降低,取得了显著应用成效.     

基于KPCA粒子群算法的预报模型优化研究

空气质量关系着人们的身体健康,因此研究实时、高效的空气质量预报系统,不仅能为公众出行提供指导,还能指导职能部门防控重污染天气并提供相应技术支持.近几年,国内外对预报理论及方法的研究主要集中在BP神经网络预报[1].Deden Supriyatman[2]应用传统BP神经网络预报输气管道腐蚀速率,N.Haghdadi等人[3]应用改进BP网络预报半固态A356铝合金的热变形行为,对学习步长加入动量项,改善了收敛慢的问题,但预报精度较低.蒋吉丽基于BP神经网络的强对流天气预报模型,将观测实况资料作为专家样本对BP神经网络模型进行训练和测试,对训练好了的模型进行了对比测试,为强对流天气的预报提供了依据.分析学者们的预报方法,均考虑了问题的非线性特征,利用BP网络处理非线性问题的优势,建立预报模型,但忽略了数据的相关性和神经网络参数初始化的随意性带来的影响,因此,在实际应用中预报精度较低,速度较慢.     

基于DTW匹配的粒子滤波故障预报

现有的粒子滤波故障预报方法主要是通过粒子滤波算法得到对应时刻的预测值,然后比较预测序列与观测序列的距离来对故障进行预报,但这种基于相同长度时间序列的故障预报方法不能处理预测序列与观测序列长度不同的情况.本文借助适用于不同长度时间序列的动态时间弯曲技术,对故障相关的时间序列进行分析,从动态时间弯曲算法度量设备正常工作的时间序列与潜在故障引起的异常序列之间相似度的角度,设计了系统正常度及反常度来判别设备是否正常运行,进而对潜在故障进行预报.实验结果验证了该方法的可行性,并能及时准确地预报出系统故障.     

模糊神经网络用于SARS疫情系统的辨识和预报

提出了模糊神经网络用于SARS疾病疫情非线性系统建模和预报的思想,该方法可以推广到各种流行性疾病的预防和控制中.模糊神经网络主要应用于非线性系统的建模、预报和控制,特别适合于不同输入类型的模型系统.而流行性疾病的传播规律与模糊神经网络模型特点相符合,这里提出将模糊神经网络用于SARS疾病疫情非线性系统的辩识和预报的观点,相应的也可推演到其它流行性疾病传播规律中.     

模糊神经网络区域降水预报系统

采用模糊神经网络方法结合粗糙集理论和主成分分析技术,研制了模糊神经网络区域降水预报系统;系统利用VB和MATLAB6.5联合开发,并采用中文菜单显示的人机对话方式操作,使模糊神经网络的网络结构和多种参数的调整变得灵活而易干操作;实际应用表明,该系统对广西3个区域平均降水预报效果良好,适用性强,为广西有效防御和减少灾害提供了新的有效方法和业务服务系统.     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,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,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.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.     

锅炉温度系统的神经网络预测-PID串联控制

针对锅炉温度系统的非线性、滞后、时变等特性,提出了一种串联控制策略.提出基于神经网络的微分型预测控制算法,该方法的突出优点是能够加快调节时间.在此基础上结合常规PID控制器构成了预测-PID串联控制,这种串联控制的方法既有基于神经网络的预测控制在实时系统中抗干扰能力强的优点,又充分利用了PID控制方法响应速度快的特点....     

时间序列预测的动态神经网络方法

时间序列的预测在经济和工程领域具有十分重要的意义。文中利用动态神经网络的特性,提出对时间序列进行预测的动态神经网络方法,并利用设计的动态神经网络对杜芬(Duffing)方程的响应时间序列进行预测,结果表明动态神经网络可以较好地对动态系统的响应时间序列进行预测。     

EMD与NARX神经网络的风电场总功率组合预测

探索构建对风电场总功率进行直接预测的高精度组合预测算法。考虑到风速的非平稳性导致风电总功率表现为非平稳时间序列,采用NARX神经网络作为初步预测模型,提出了经验模态分解与NARX神经网络相结合的混合预测模型。对风电场总功率非平稳时间序列进行经验模态分解,得到不同频带本征模式分量的平稳序列。对不同频带的平稳分量建立相应的NARX神经网络预测模型,并将各分量模型的预测值进行等权求和得到最终预测值。此外,为研究不同时间间隔对预测结果的影响,采用某大型风电场时间间隔为5 min与15 min的数据进行实验。预测结果表明,提出的组合预测模型适合于总功率预测,其预测效果比传统模型的效果更佳,且时间间隔为5 min的数据比时间间隔为15 min的数据预测精度更高。     

经验模态分解法在大气时间序列预测中的应用

介绍了一种可以提高非平稳时间序列预测精度的新方法, 该方法应用 Hilbert-Huang 变换的核心内容---经验模态分解法 (Empirical mode decomposition, EMD) 对非平稳时间序列进行分解, 以降低被预测信号中的非平稳性, 利用神经网络对分解后的各分量进行预测, 再将预测结果叠加. 利用该方法对石家庄市年逐月降水量进行预测, 预测结果显示, 其预测精度比直接用神经网络预测的预测精度有较明显的提高.     

COMBINING A RADIAL BASIS NEURAL NETWORK WITH TIME SERIES ANALYSIS TECHNIQUES TO PREDICT MANUFACTURING PROCESS PARAMETERS

The accurate prediction of the values of critical quality parameters of a product during the production stage is a key factor in the success of a manufacturing operation. Neural network algorithms have been used to successfully predict process parameter values. However, techniques to further improve the predictive capability of neural network models are sought. Thus, an analysis was conducted to determine if the predictive capability of the network would he improved if the prediction from a time series model of a manufacturing process parameter were included in the training data set of a radial basis function neural network model. A manufacturing process data set was evaluated, and the use of the time series model prediction significantly improved the neural network's prediction of critical process parameters. Often in a manufacturing environment, the collection of adequate amounts of data for network training is difficult. This integrated technique offers potential for improving network performance without collecting additional data.     

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。     

基于多尺度分析与神经网络的需水量预测

采用小波多尺度分解的方法,将需水量时间序列分解为多个较平稳的细节子序列和一个趋势序列,再利用BP神经网络对分解后的各序列进行预测,把预测后的序列聚合重构,得到预测结果。以新疆石河子地区的需水量为例对该方法作了验证。表明多尺度分析与神经网络耦合预测,比单一BP神经网络预测精度更高,可满足实际需要。     

基于多尺度分析和神经网络的时间序列预报

本文提出一种由小波变换和神经网络相结合,进行时间序列预报的新方法。其中,小波作为滤波部分对原始序列进行多尺度分解,产生更容易建模和预测的子序列,再把上述子序列作为神经网络的输入进行时域预报。该方法考虑原时间序列的频率特性,采用不同的神经网络进行预报。     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.