一种差分进化算法优化小波神经网络及其在弱信号检测中的应用

在混沌理论和相空间重构技术的基础上,提出了一种基于小生境自适应差分进化小波神经网络(NADE-WNN)的混沌背景下弱信号检测方法。该方法采用小生境自适应差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高网络的学习精度和收敛速度。实验结果表明,与传统的RBF神经网络和小波神经网络预测混沌时间序列的性能相比,该算法优化的小波神经网络具有更高的预测精度和收敛速度,能够较好地检测出混沌背景下的弱信号。     

基于改进混沌神经网络的飞机舵面故障预测研究

结合混沌序列的相空间重构理论和BP神经网络预测理论,构建了一个基于时间序列预测的混沌神经网络模型;考虑基本BP神经网络采用的梯度学习算法收敛速度较慢的缺点,文章利用改进的Levenberg-Marquart(L-M)优化学习算法对网络进行训练;最后对一组飞机舵面卡死故障数据进行仿真实验,结果表明该模型不仅提高了预测精度,而且网络收敛速度也得到明显的改善,有效避免神经网络局部极小问题,可以较好地对飞机舵面卡死故障进行预测.     

基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。     

基于Hermite神经网络的混沌时间序列预测

针对混沌时间序列的混沌性,提出一种改进的相空间重构方法——交集寻优法;针对传统的BP神经网络、RBF神经网络及AR模型对混沌时间序列预测效率和预测精度较低的缺点,提出两种不同的Hermite神经网络预测模型。以四阶蔡氏电路为模型,结合粒子群算法建立预测模型。仿真结果表明,利用交集寻优法进行相空间重构能很好地保留原系统的动力学特性,证实了该方法的有效性;Hermite神经网络较传统的预测模型精度更高,便于基于粒子群算法的Hermite神经网络预测方法的推广和应用。     

最小二乘支持向量机在混沌时间序列中的应用

针对混沌时间序列存在噪声和不稳定性问题,混沌时间序列预测是当前的一个热点问题.根据当前预测方法预测精度低的难题,提出一种优化的混沌时间序列预测方法(GA_LSSVM).GA_LSSVM首先采用相空间重构对时间序列样本进行重构,采用遗传算法对最小二乘支持向量机参数进行优化,得到混沌时间序列的最优预测模型,最后以经典时间序列Lorenz数据对最优模型进行仿真测试和分析.实验结果表明,GA_LSSVM比神经网络的预测精度高.GA_LSSVM方法是一种可行的、有效的混沌时间序列预测算法,在混沌时间序列具有广泛的应用前景,可为应用提供科学依据.     

混沌理论在股票价格预测中的应用

针对股票时间序列的非线性特点,结合混沌理论和神经网络理论,提出了基于混沌理论的股票价格神经网络预测方法。同时利用重构相空间的嵌人维数确定神经网络的结构,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,在股票时问序列预测中有广泛的实用价值。     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

交通流量VNNTF神经网络模型多步预测研究

研究了VNNTF 神经网络（Volterra neural network trafficflow model,VNNTF） 交通流量混沌时间序列多步预测问题. 通过分析比较交通流量混沌时间序列相空间重构的嵌入维数和Volterra 离散模型之间的关系,给出了确定交通流量Volterra 级数模型截断阶数和截断项数的方法,并在此基础上建立了VNNTF 神经网络交通流量时间序列模型;设计了交通流量Volterra 神经网络的快速学习算法;最后,利用交通流量混沌时间序列对VNNTF 网络模型,Volterra 预测滤波器和BP 网络进行了多步预测实验,比较了多步预测结果的仿真图、绝对误差的柱状图以及归一化后的方均根;实验结果表明VNNTF 神经网络的多步预测性能明显优于Volterra 预测滤波器和BP 神经网络.     

优化Elman神经网络用于网络流量预测

对量子粒子群优化(QPSO)算法进行研究,提出了自适应量子粒子群优化(Adaptive QPSO)算法,用于优化Elman神经网络的参数,改进了Elman神经网络的泛化能力.利用网络流量时间序列数据进行预测,实验结果表明,采用AQPSO算法优化获得的Elman神经网络模型不但具有较强的泛化能力,而且具有良好的稳定性,在网络流量时间序列数据的预测中具有一定的实用价值.     

煤矿瓦斯浓度的CAPSO-ENN短期预测模型

为了准确预测回采工作面的瓦斯浓度,提出云自适应粒子群算法优化Elman神经网络的瓦斯浓度动态预测新方法。利用井下无线传感器网络监测系统采集的回采工作面瓦斯浓度时间序列作为样本,并对其进行数据降噪和相空间重构等预处理。采用CAPSO算法对Elman神经网络的权值、阈值进行寻优运算,建立了回采工作面瓦斯浓度动态预测模型。通过对MATLAB仿真得出结果研究表明：该模型的平均相对变动ARV值为0.000357,相对均方根误差RRMSE值为0.1056,对回采工作面的瓦斯浓度预测结果合理且可为矿井瓦斯防治工作提供有效理论依据。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于量子粒子群优化算法的新型正交基神经网络分数阶混沌时间序列单步预测

针对分数阶混沌时间序列预测精度低、速度慢的问题,提出了基于量子粒子群优化(QPSO)算法的新型正交基神经网络预测模型。首先,在Laguerre正交基函数的基础上提出一种新型正交基函数,并结合神经网络拓扑构成新型正交基神经网络;其次,利用QPSO算法优化新型正交基神经网络参数,将参数优化问题转化为多维空间上的函数优化问题;最后,根据已优化参数建立预测模型并进行预测分析。分别以分数阶Birkhoff-shaw和Jerk混沌系统为模型,利用Adams-Bashforth-Moulton预估-校正法产生混沌时间序列作为仿真对象,进行单步预测对比实验。仿真表明,与反向传播(BP)神经网络、径向基函数(RBF)神经网络及普通的新型正交基神经网络相比,基于QPSO算法的新型正交基神经网络的平均绝对值误差(MAE)、均方根误差(RMSE)明显减小,决定度系数(CD)更接近于1,平均建模时间(MMT)明显缩短。实验结果表明,基于QPSO算法的新型正交基神经网络提高了分数阶混沌时间序列预测的精度和速度,便于该预测模型的应用和推广。     

基于MEA-BP的微波加热褐煤温度预测

对于微波干燥褐煤的温度采样数据具有多峰非平稳特性,采用小波阈值滤波能够较好地保留原始数据的细节信息。而直接使用反向传播（ BP）神经网络来建立对微波加热物料温度预测模型,具有预测精度低、收敛速度慢且容易陷入局部极小点等缺点。采用具有极强全局寻优能力的思维进化算法（ MEA）来优化BP（ MEA-BP）神经网络的初始权值和阈值。实验结果表明：经MEA-BP神经网络具有更高的预测精度和泛化能力,预测性能得到了显著的提高。     

基于改进GA-Elman的无线智能传播损耗预测方法

在5G移动通信系统商用落地的背景下,设计准确、高效的信道估计方法对无线网络性能优化具有重要意义。基于改进GA-Elman算法,提出一种新的无线智能传播损耗预测方法。对Elman神经网络中的连接权值、阈值和隐藏神经元进行实数编码,在隐藏神经元编码中加入二进制控制基因,同时利用自适应遗传算法对权值、阈值和隐藏神经元数量进行优化,解决网络易陷入局部极小值和神经元数目难以确定的问题,从而提高预测性能。仿真结果表明,与仅优化连接权值及阈值的GA-Elman神经网络和标准Elman神经网络相比,该方法具有较高的预测精度。     

基于相似日理论和IPSO-Elman模型的短期光伏发电功率预测

为提高光伏发电功率预测精度，提出一种基于相似日理论和改进的IPSO-Elman神经网络模型的短期光伏发电功率预测方法。将历史数据细分为不同季节不同天气类型的多个子集，通过灰色关联度和余弦相似度组合而成的综合关联度指标筛选相似日。针对标准粒子群算法的缺陷，提出一种改进的自适应混沌变异粒子群算法(IPSO)来优化Elman神经网络，将优化得出的最优权值和阈值作为初始值建立IPSO-Elman神经网络模型，对3种不同季节和天气类型条件下的光伏发电功率分别预测。选用甘肃省某光伏电站2014年数据进行实例分析，结果表明，IPSO-Elman模型在不同天气类型条件下的功率预测效果都有明显提高。     

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.     

基于灰色GM(1,1)模型的时间序列预测研究

基于灰色理论GM(1,1)模型,结合Elman神经网络组成灰色神经网络模型。模型的输出误差作为一个新的时间序列,通过Elman神经网络对误差序列进行拟合和预测,更大限度地减小预测误差。GM(1,1)模型所需要的数据少,方法简单;Elman神经网络是动态的神经网络对历史数据具有高度的敏感性。这种灰色理论与动态神经网络的组合模型,比起单个的预测模型提高了预测精度,通过分析和验证表明,该方法实用有效。     

混沌粒子群优化神经网络的井下人员无线定位方法研究

针对井下人员定位系统定位精度较低,不能满足智慧煤矿的需求,提出一种基于混沌粒子群算法优化Elman神经网络的井下人员无线定位方法。该定位方法首先在井下巷道无线网络环境中,利用无线终端采集一定数量的样本点指纹数据库。其次初始化Elman神经网络,利用混沌粒子群优化算法对神经网络权值和自连接反馈增益因子寻优。再次用指纹数据库对优化过的Elman神经网络进行训练和测试,建立神经网络定位算法模型。最后通过无线终端采集定位点的指纹数据,由神经网络定位算法模型进行实时定位。经试验表明,该井下人员无线定位方法平均定位误差为1.35 m;而混沌粒子群算法优化Elman神经网络定位算法,其算法全局搜索能力更强,更适合井下时变环境中应用。