一种基于神经网络的鲁棒型预测控制算法

针对复杂工业过程中存在的时滞、强干扰的严重非线性控制对象,仿真研究了一种利用神经网络作为预测模型,遗传算法作为滚动优化策略的预测控制方法.在算法中为了提高辨识非线性系统的鲁棒性以及降低控制器对未建模动态的敏感性,引入了一种伪模型,即将系统实际输出与预测输出综合成的新的输出信号,由该信号代替量测输出.仿真结果表明对于非线性被控对象该方法具有良好的鲁捧性和跟踪性能,对于改善非线性预测控制不失为一种有益的尝试.     

基于动态神经网的非线性鲁棒辨识

研究了一类基于动态神经网络的未知非线性多变量系统的鲁棒辨识问题，用Ｌｙａｐｕｎｏｖ稳定性理论获得了具有保护策略的鲁棒调权律，从理论上证明了被辨识的系统是鲁榛 ，辨识误差按建模误差和未建模动态收敛到一个稳定区域，该策略的特点是不需要离线学习又不需要对象的状态完全可测，仿真结果验证了提出的动态网鲁棒辨识策略的有效性。     

模糊神经网络在时间序列预测中的应用

文中提出了将模糊聚类与梯度算法相结合的一种改进的训练模糊神经网络的混合型算法。模拟结果表明，模糊神经网络可以成功地用于时间序列的预测，模糊神经网络的训练速度与模拟精度都优于传统多层ＢＰ网络。     

基于神经网络的时间序列预测方法进展

首先对神经网络应用于时间序列预测的方法进行了详细的介绍。在此基础上与传统的预测方法进行了比较,接着概括分析了几种不同的神经和于预测的结果。指出由于神经网络独特的信息处理能力,使得它为一类高度非线性动态关系的时间序列预测提供了一条有效途径。最后,对神经网络在时间序列预测领域的进一下邮     

基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

基于神经网络的混沌时间序列短期预测

将神经网络理论、预测理论等引入混沌领域，采用了一种基于BP网络的预测方法，给出了该方法中神经网络的具体实现过程，经计算机仿真表明该方法是行之有效的，并给出了具体应用事例。     

基于神经网络模型的时间序列预测算法及其应用

提出了一种神经网络模型的时间序列直接多步预测算法。网络的学习采用具有遗忘因子的ＢＰ算法与时差方法相结合的混合算法，解决了经典ＢＰ算法在直接多步预测中不能渐进计算的问题，同时网络具备一定的结构学习能力。采用该算法对现场采集的高炉铁水含硅量时间序列数据进行预报实验，表明本文提出的直接多步预测方法是可行的。     

基于新的鲁棒相似性度量的时间序列聚类

针对存在异常值的时间序列数据,提出了一种基于相关系数鲁棒估计的时间序列间的鲁棒广义互相关度量(RGCC).首先,引入一种鲁棒相关系数代替Pearson相关系数来计算时间序列数据间的协方差矩阵;其次,用新的协方差矩阵的行列式构造两个时间序列间的相似性度量——RGCC;最后,基于该度量计算出序列间的距离矩阵,将其作为聚类算...     

鲁棒辨识研究的现状

综述了鲁棒辨识问题的研究进展，介绍 了鲁棒辨识问题产生的背景，对各种不同的辨识方法进行了评述，并指出各自的特点，最后总结了今后的发展方向。     

智能神经元网络时间序列预测模型的研究

人工神经元网络的研究技术在理论和实际应用上已经比较成熟,在信号处理系统中也采用该技术进行非线性时间序列信号的预测分析。但是由于该理论黑箱模型的特点,无法引入先验知识,从而预测精度难以提高。针对该问题,文中提出了智能神经网络的动态预测模型,引入智能神经元,建立区别于传统神经网络的预测模型,达到了较为理想的预测效果。并以工业生产参数的时间序列预测——某油井生产过程中MinCurrent参数值,作为实验模型,对该方法进行了验证,结果表明了该模型预测精度较高、计算速度快。     

Improved CBP Neural Network Model with Applications in Time Series Prediction

Circular back-propagation neural network (CBP) put forward by Sandro Ridella and Stefano Rovetta, a generalized model of multi-layer perceptron (MLP), possesses strong capabilities of generalization and adaptation to unknown inputs. And they can flexibly construct vector quantization (VQ) and radial basis function (RBF) networks under the CBP framework. With the original structure of CBP remaining unchanged, in this Letter a more generalized network model ICBP (Improved Circular Back-Propagation Neural Network) was designed by adding an extensive node with quadratic form to the original CBP inputs and endowing fixed values to the weights between this node and all the hidden nodes. An interesting property of ICBP is that although it has less adaptable weights, it is better in generalization and adaptability than CBP. Moreover, in order to partially solve the problem of local minima, we adopt the method of adding controlled noise to desired outputs. Finally, ithas been proved by experiments that ICBP is better than CBP in the capabilities of forecasting and function approximation.     

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.     

基于进化式模糊神经网络的时间序列预测系统

文章介绍了一种基于进化式模糊神经网络时间预测系统，它是一种快速自适应的局部学习模型；进化式模糊神经网络是一个特殊类型的神经网络，它能通过进化其结构和参数来容纳新的数据。文章重点介绍了网络结构、学习方法及创建、修剪、聚合规则节点的算法；实验结果表明：模糊隶属函数的个数，规则的修剪和聚合等训练参数，与网络的行为和预测结果有很重要的关系。     

基于RBF神经网络的时间序列预测

前馈神经网络在时间序列预测中的应用已得到充分地认可,一些模型已经提出,例如多层感知器(MLP),误差反向传播(BP)和径向基函数(RBF)网络等等。相对于其他前馈神经网络,RBF网络学习速度快,函数逼近能力强,因而在时间序列预测方面具有很好的应用前景。     

贝叶斯神经网络在股票时间序列预测中的应用

针对BP神经网络初始权值随机获取所导致的易陷入局部最优的问题,采用贝叶斯正则化（Bayesian Regularization,BR）算法改进传统BP神经网络模型。该算法在保证网络误差最小的前提下,通过历史数据的先验概率调整BP模型的适应度函数,使网络的泛化能力得到提升。在股票时间序列预测的实证性研究中表明,比传统BP模型在预测精度上提高42.81%。     

用于非线性时间序列预测的POD-RBF神经网络

基于正规正交分解(Proper Orthogonal Decomposition,POD)提出一种适用于非线性时间序列预测的径向基函数(Radial Basis Function,RBF)神经网络模型-POD-RBF神经网络模型.该模型在选取中心时考虑了时间序列数据之间的时序关系,并且使得中心的选取具有并行性.股票价格预测问题的模拟结果表明,POD-RBF神经网络可以有效地用于非线性时间序列预测问题.与基于硬C均值(Hard C-means,HCM)聚类的RBF神经网络(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神经网络(OLS-PBF)相比,POD-RBF神经网络不仅具有更好的训练、预测精度,而且具有更好的收敛稳定性、更好的泛化能力和抵抗噪声干扰的能力.     

面向金融数据的神经网络时间序列预测模型

互联网金融风险预测是互联网金融公司决策时的重要一环。本文的研究主要针对Elman神经网络模型,通过引入时间权重与随机性因素,提出了改进的Elman神经网络模型,提高了现有Elman神经网络针对时序数据预测的精度。提出了基于时序数据的特征学习框架,可评估多个特征参数对结果的联合影响。并在此基础上,提出了一个互联网金融风险预测模型,实验结果表明,所提出的模型在金融时序预测中具有更好的准确度。     

基于神经网络的时延预测算法研究

网络控制系统由于时延的存在,其稳定性通常难以保证,一般要求控制器能够准确预知系统的时延 值.网络形式的不同..时延的变化具有规律性或无序性.针对网络时延变化的不同情况,提出了利用线性神经网络和 RBF径向基函数网络技术对时延进行预测.通过对二者预测仿真结果的对比分析,得出了其各自进行时延预测的 适用条件.