灰色神经网络耦合模型在城市需水量预测中的应用

目的为了更准确预测城市用水量,弥补灰色和神经网络预测模型在中长期需水量预测中的不足.方法采用最小方差法建立了灰色新息递补模型和新息递补BP神经网络的耦合模型即灰神经模型,并对城市需水量进行预测.结果预测沈阳市生活需水量,灰神经网络耦合模型的平均相对误差为0.144%;预测沈阳市工业需水量,灰神经网络耦合模型的平均相对误差为0.19%.在模拟精度方面远远高于其他模型的模拟值,提高了预测的准确性.结论提出了用灰色神经模型来预测城市需水量的方法,能更好地预测城市未来需水量,把影响预测的不定因素降到最低限度,具有广泛的实用性.     

基于最优加权组合模型的转炉炼钢耗氧量预测

针对转炉炼钢过程中氧气消耗量难以准确预测问题,提出了一种基于灰色系统和遗传算法优化的BP神经网络组合的转炉耗氧量预测模型。首先,对提取出的转炉冶炼历史数据,运用灰色关联度方法确定出转炉炼钢氧气消耗量序列的主导因数序列;再对筛选出的主导因数序列数据运用灰色系统模型和GA-BP神经网络模型分别进行预测,最后,根据模型的预测结果,以组合预测误差平方和最小为目标函数,计算出各个模型的最优权重系数并进行加权融合进而实现了对转炉氧气消耗量的预测。仿真结果表明,提出的组合预测模型在减小预测误差、提髙预测精度以及增强泛化能力等方面优势明显,更加适合于转炉炼钢耗氧量的预测。     

基于ESN的光伏发电功率预测模型研究

针对传统神经网络学习算法复杂且稳定性差的问题,本文基于回声状态神经网络,提出了光伏发电功率预测模型。回声状态神经网络的隐含层是一种动态储备池结构,具有回声状态属性,不仅增强了网络预测的稳定性,而且只需采用线性算法即可求得网络输出权值,简化了训练过程,同时克服了传统神经网络收敛速度慢和易陷入局部极小的问题。并利用实际光伏发电站的历史数据和气象数据进行仿真验证。仿真结果表明,ESN预测模型的平均预测误差和最大预测误差分别比BP-NN预测模型提高了13.52%和102.26%,表明ESN预测模型的预测精度明显高于BP-NN预测模型;而且无论从预测精度还是稳定性,ESN预测模型都好于BP-NN预测模型,从而验证了ESN预测模型的可行性。该研究为光伏发电功率模型的实用化提供了理论基础。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

基于支持向量机的交通流组合预测模型

根据天津市某路口的历史数据,采用目前流行的历史平均模型、RBF神经网络、灰色预测法分别建立了天津市某路口交通流量的单项预测模型,然后利用支持向量机模型对多个单项预测模型结果进行了组合预测,以作为其最终的预测值.计算结果表明,采用非线性组合方法比采用单一预测方法的预测精度有了进一步的提高,比较适合交通流预测.     

一种基于径向基神经网络的组合预测模型

根据基于最近邻聚类算法(NNCA)的径向基(RBF)神经网络和自回归求和滑动平均(ARIMA)两种方法,建立了各自的单项预测子模型,并利用RBF神经网络对两个单项预测子模型结果进行组合预测,得到最终的预测值.将该模型应用于长沙市某路段的交通流量预测,实验结果证明了该预测模型的有效性,采用组合预测模型比单一预测模型的预测精度有了较大提高.     

基于GA-RBF神经网络的电力系统短期负荷预测

针对短期负荷预测问题,提出了一种遗传算法-径向基函数(GA-RBF)神经网络负荷预测方法,解决传统径向基函数(RBF)神经网络预测中难以确定最佳隐藏层数问题,以提高预测的准确性。首先分析了GA算法模型和RBF神经网络模型;然后利用GA算法与RBF模型结合得到GA-RBF负荷预测模型;最后利用仿真工具对所建模型进行训练和预测。结果表明,与传统方法相比,其平均绝对百分误差值降低了4. 7%,证明了该方法的精确性和有效性。     

基于BP神经网络的土壤热导率预测算法研究

在大量实测样本的基础上,通过分析土壤孔隙度和饱和度对其热导率的影响,提出了基于改进学习算法的BP神经网络的土壤热导率预测模型,采用该算法分别对粘土、粉粘、粉土、粉砂4种土壤的热导率进行了预测分析,并与传统回归计算模型进行了比较.实验结果表明,采用的BP神经网络模型能够较精确的预测各种土壤热导率,而且由于神经网络的结构和隐层神经元数固定,因而降低了待设置参数的数目,提高了BP神经网络模型进行土壤预测的适用性.     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。     

Agent网络法——一种多元商务智能技术融合方法

为了融合粗糙集、模糊逻辑、决策树、群决策、蚁群算法、数据挖掘、遗传算法、人工神经网络等异质商务智能（BI）技术,基于复杂网络和多Agent,提出了一种称为Agent网络法的融合方法,该方法包括3大机制：自治主体,网络集聚的智能资源集成机制;“竞争上岗,择优合作”的智能资源利用机制;“绩效评估,优胜劣汰”的智能资源优化机制.基于该方法构建的BI系统是一个以众多Agent为节点的复杂网络,其中的每个Agent都是一个独立的智能单元,代表BI技术中的一个计算模型或算法.3大机制实现了多元BI技术两个层次的融合：新的Agent不断加入,被实践证明低价值的旧Agent不断剔出,网络中始终聚合着所有高价值的Agent,从而在系统结构层面上实现优秀BI技术的全面融合;借助谈判、招标、拍卖等竞争性合作机制,每次响应任务时,选出的是网络中最能胜任当前任务的Agent组合,从而在系统应用层面上实现 BI技术的动态融合.     

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

基于SOM-RBF神经网络的用电量预测模型研究

随着我国电网建设的高速发展,从日常电力负荷变化趋势剖析未来年度用电量已经成为电网建设的关键问题之一。根据1997~2016年湖北省年用电量及其10个影响因子的数据作为样本,提出了一种自组织特征映射神经网络(Self-organizing Feature Maps,SOM)与多变量的径向基函数(Radial Basis Function,RBF)结合的人工神经网络预测模型新方法。采用先聚类、再分类预测的方法,解决了由于RBF神经网络对于少量样本和训练样本点分散所导致的预测精度降低的问题,改进的神经网络泛化能力有所提高。结果表明:通过SOM-RBF组合算法进行预测,其相对误差维持在3%以下,平均相对误差为1.88%,预测效果较BP神经网络和RBF神经网络有较大的提升。这表明SOM-RBF组合算法可有效的用于用电量预测,具有较高的实用价值。     

Fuzzy optimization neural network model based on LM algorithm

A new fuzzy optimization neural network model is proposed based on the Levenberg-Marquardt (LM) algorithm on account of the disadvantages of slow convergence of traditional fuzzy optimization neural network model. In this new model,the gradient descent algorithm is replaced by the LM algorithm to obtain the minimum of output errors during network training,which changes the weights adjusting equations of the network and increases the training speed. Moreover,to avoid the results yielding to local minimum,the transfer function is also revised to sigmoid function. A case study is utilized to validate this new model,and the results reveal that the new model fast training speed and better forecasting capability.     

基于马尔科夫链改进灰色神经网络的水质预测模型

根据汾河运城段的实际情况,应用改进灰色神经网络对水质进行预测.在数据处理以及关联度分析的基础上,选取关联度较高的氨氮、挥发酚、水温、BOD5及COD作为灰色神经网络的输入节点.应用灰色神经网络对水质进行预测,再用马尔科夫修正误差残值,可使修正值更加接近实测值.灰色神经网络的相对误差为68.44%～4.69%,改进灰色神经网络将相对误差为41.96%～2.23%,可见改进神经网络的预测精度更高.改进灰色神经网络模型,结合了灰色神经网络和马尔科夫的优点,提高了预测的精度,并以汾河河津大桥监测断面的水质预测为例,验证了该方法的可行性.     

RBF神经网络算法及其应用

在径向基神经网络学习算法的基础上,提出了一种新的RBF神经网络学习算法,该算法将变长度染色体遗传算法和最小二乘法相结合,能够同时确定径向基神经网络的结构和参数。用此方法建立热电厂热负荷预测模型,并与BP神经网络和增长型结构学习算法的RBF神经网络方法相比较,结果表明可以取得更好的效果。     

基于Wrapper的信用风险预测模型研究与应用

研究了一个有效适用的企业信用风险预警模型。针对单一BP神经网络预测模型由于财务指标选择不当导致误判率较高的问题,提出了首先进行特征选择,利用遗传算法搜索出最优特征子集,并采用BP神经网络作为遗传算法的评估函数,构建了一个基于Wrapper方法的神经网络信用风险预测模型。以沪深股市1998—2004年间的制造企业数据为例对模型进行实验,结果表明,新模型提高了预测准确率,评估结果更具科学性,实际应用具有良好的信用风险预测能力。     

采用一种新型神经网络的动态系统辨识与控制

目的研究动态系统的神经网络辨识与控制问题.方法为了减小网络的固有逼近误差,提出一种新型的神经网络模型,利用动态误差反馈来修正网络输入.结果得到了由新型网络和稳定滤波器构成的神经网络辨识模型及基于该网络模型的自适应控制方案.结论理论和仿真结果都证明了该神经网络模型能够有效地应用于一类非线性系统的控制.     

自适应特征空间扩张神经网络

为解决复杂的非线性可分问题中前馈式神经网络收敛缓慢的问题，提出一种新的神经网络模型--自适应特征空间扩张神经网络。该模型在标准前馈式神经网络的前端增加一个自适应特征空间扩张层，自适应地增强原始模式的表达，将原来的非线性可分问题转换成线性可分问题或者减小其非线性程度，从而加快网络的收敛速度。一系列的实验，特别是双螺旋线实验表明，该网络模型不仅具有很快的收敛速度，而且具有很好的泛化能力。