基于Elman神经网络的风速时间序列预测实例

风速时间序列具有非线性和非平稳性的特点,传统的预测方法难以建立风速间的函数关系,因此风速时间序列的预测结果精度不高。人工神经网络所具有的强非线性拟合能力有效地解决了风速时间序列难以预测的痛点,文章选择Elman神经网络预测全国3个地区不同尺度的风速时间序列,初步探讨了神经网络风速预测的可行性。结果表明,Elman神经网络经过训练,具有时序非线性拟合的能力,但预测结果精度尚未提高。     

一种序贯学习神经网络及其应用

本语文提出了一种序贯学习神经网络,它主要由有界权值调整规则和网络结构自适应调整规则所组成。该网络具有在保持旧知识的前提下有效地序贯学习新输入样本知识人优点。文中给出这种网络的一种序贯学习算法,详细分析了其学习特性和识别性能。大量的理论分析和实验都证明了网络的有效性。     

一种序贯学习神经网络及其应用

本文提出了一种序贯学习神经网络,它主要由有界权值调整规则和网络结构自适应调整规则所组成。该网络具有在保持旧知识的前提下有效地序贯学习新输入样本知识的优点。文中给出了这种网络的一种序贯学习算法,详细分析了其学习特性和识别性能。大量的理论分析和实验都证明了网络的有效性。     

改进型Elman神经网络在电石炉控制系统中的应用

借鉴神经网络理论的研究成果,将其用于具有典型非线性、大滞后特性的电石炉控制系统,利用改进型El-man神经网络模型,通过系统仿真,与目前大量采用的PID控制系统比较,Elman神经网络在系统仿真中系统超调、调节时间等指标均优于PID控制,为电石炉控制系统控制环节的升级换代提供了现实可行的解决方案.     

基于改进Elman神经网络的齿轮箱故障诊断研究

总结分析了Elman神经网络用于故障诊断的不足,将改进的Elman神经网络应用于齿轮箱故障诊断。选取齿轮箱常发生的五种故障模式,建立改进前后Elman两种网络模型并进行测试。经过验证表明:改进后的Elman网络可以应用在实际工程故障诊断中,它在稳定性及收敛速度等方面有明显优势。     

Elman神经网络在企业年度销售目标预测中的应用

文章主要探讨了一种能够对公司未来销售状况进行准确、快速预测的方法。文章将Elman神经网络法引入到对公司未来销售状况的预测中,并且通过MATLAB程序对Elman神经网络进行了编程,实现了对某公司未来销售情况的估计,形成了公司未来销售量统计图,企业可以通过对该统计图的分析制定切实可行战略。     

基于SAPSO算法优化Elman神经网络的话务量预测

文章提出一种模拟退火(SA)与粒子群优化(PSO)算法相结合的算法来优化Elman神经网络权值和阈值。当PSO处于停滞状态时,利用粒子群优化算法的全局寻优性质,以及SA能跳出局部最优解的特性,在搜索到的最优位置处用模拟退火算法继续寻找最优解,并对具有动态递归性能的Elman神经网络进行学习训练,这样就能对忙时话务量进行预测。结果表明,与传统Elman神经网络和PSO-Elman神经网络相比,基于模拟退火粒子群算法训练的神经网络具有更高的预测精度和良好的自适应性。     

基于Elman神经网络的不锈钢微秒激光着色预测

初步探讨了微秒激光辐射不锈钢表面的着色机理,在激光焦距及填充间距一定的条件下,研究了激光扫描速度、加工次数及激光重复频率对304不锈钢着色效果的影响,并在此基础上通过建立三个并联的Elman神经网络,研究了激光扫描速度及激光加工次数与着色块色度(H)、饱和度(S)、亮度(B)之间的非线性关系。使用该神经网络在给定的激光参数下进行HSB值预测,预测曲线与真实值曲线吻合良好,其中色度的测试平均相对误差为4.04%,饱和度的测试平均相对误差为13.33%,亮度的测试平均相对误差为4.05%。所建立的神经网络模型具有良好的预测精度,实际加工图案颜色与预测颜色具有较高的一致性。     

一种改进的Elman神经网络模型

本文首先详细地阐述了Elman神经网络的结构、原理和学习算法.为了进一步提高Elman神经网络的逼近能力和动态特性,我们提出了一种改进的Elman神经网络模型.这种新的Elman神经网络在关联节点与输出节点之间又增加了一组可调权值,利用误差回馈原理推导出了其相应的学习算法.仿真实验结果表明,改进的Elman神经网络比原来的网络具有更好的动态性能,对于贯序输入输出数据的逼近收敛速度更快.     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

基于Elman神经网络的故障诊断器研究

针对BP神经网络易存在局部最小,收敛速度较慢的缺点,研究设计了一种基于Elman神经网络的敝障诊断器,建立了E1man神经网络及基于该网络的故障诊断器结构模型;利用某实际电路测试数据,训练并检测该故障诊断器的效能,试验结果表明该故障诊断器有较高的准确性和可靠性,具有工程使用价值。     

基于改进Elman神经网络的红外被动测距算法研究

为了满足现代战争的需求,对于空中目标的距离精确估计显得愈发重要,由于目标的红外辐射在大气传播过程中的衰减,目标在不同波长的辐射会随着传输距离的改变而发生变化,故不同的波长的辐射里包含了目标的距离信息.基于以上原理,本文利用美国空军大气传输软件Modtran生成空中目标在不同波段的大气透过率数据,利用经纬仪获得目标的天顶角,最后建立基于改进Elman神经网络的被动测距模型.仿真结果表明本文算法能够有效提高对于空中目标距离估计的精确性.     

基于Elman神经网络的模拟电路故障诊断研究

针对模拟电路的软故障,文中提出了一种基于改进Elman神经网络与提高特征向量有效性相结合的诊断方法。该方法对不同情况下的输出信号进行3次小波分析,形成8维的特征向量,再与改进的Elman神经网络结合进行分类与诊断。将改进Elman神经网络应用于非线性模拟电路故障诊断中可提高其诊断率与分类率。文中对其诊断方法进行了实验对比测试,结果表明,该方法提高了诊断性能,其诊断率与分类率分别为92.5%和83%。     

基于Elman网络非线性散射参数测量与建模

在描述弱非线性微波系统的传统方法中,很难通过直接测量得到表征系统非线性的参数。为了解决这个问题,引入了非线性大信号散射函数的概念,描述了非线性散射函数的线性化,表征了弱非线性系统的设计特性,设计出大信号散射参数测量电路,实际测量出非线性散射参数,利用得到的数据训练Elman人工神经网络来对实测的大信号散射参数建模,得到了相应的函数曲线,具有可预见性的特点。     

基于改进型Elman网络的TVS电磁脉冲效应仿真

针对传输线脉冲(Transmission Line Pulse,TLP)测试方法实施过程工作量较大、实验结果与实测数据吻合较差的问题,提出一种基于改进型Elman神经网络的电磁脉冲(Electromagnetic Pulse,EMP)响应建模方法。在TLP方法基础上增设机器模型静电放电和人体金属模型静电放电2类电磁脉冲,利用隐含层神经元数目为10的改进型Elman神经网络对NUP2105L型瞬态抑制二极管(Transient Voltage Suppressor,TVS)的实验数据进行建模,并预测不同脉冲条件下TVS的响应。仿真结果表明,该方法建模精度高、泛化能力强,能够定量判断TVS性能,满足电路快速选件需要。     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

改进Elman神经网络在火控系统故障诊断中的应用

针对某型战机航空火控系统故障诊断方法对维修人员、检测设备依赖性大、故障诊断时间长等弊端,选用了对非线性对象有较好的控制及扰动消除效果的Elman神经网络方法,并将其应用于火控系统的故障诊断,为了提高网络性能,对Elman网络进行了相应的改进,在结构单元增加了自反馈增益因子α,并建立了基于Elman神经网络的火控系统故障诊断模型,通过一定的故障样本进行了训练和测试,结果证明该方法能有效地识别出故障原因,故障诊断准确率较高,有较强的鲁棒性.     

基于RBF神经网络的时间序列交叉供热负荷预报研究

针对供热过程的特点及节能控制的需要,提出基于RBF神经网络的时间序列交叉供热负荷预报法.首先对现场实测的供热负荷数据进行预处理,取得建立预报模型所需的负荷样本阵列;随后,应用自相关法求取RBF神经网络的输入维数,并分别建立时间序列的横向及纵向预报模型;最后用最小二乘法求出横向与纵向负荷预报的交叉权系数,得到RBF神经网络的时间序列交叉预报模型.仿真结果表明,RBF神经网络交叉负荷预报的精度高于横向负荷预报及纵向负荷预报,其实时性要优于BP神经网络交叉负荷预报.     

基于Elman神经网络的地层水污染率近红外光谱实时测量方法

在钻井过程中,水基钻井泥浆会透过泥饼渗入地层从而污染地层水。为了取得纯净的地层水样品,需要对其污染程度进行实时监测。取样前,流体由水基泥浆滤液逐渐过渡到纯净地层水,通过获取滤液、纯地层水以及混合流体的吸光度可实时计算地层水受到污染的程度。鉴于井下地层水污染率在线监测可看作时间序列预测问题,采用了Elman神经网络模型对吸光度数据进行训练,从而预测纯地层水吸光度。采用海上实井数据进行了验证,将基于Elman神经网络预测得到的地层水吸光度与泵抽初期采集的钻井液泥浆滤液吸光度相结合,可以计算出实时的地层水污染率,并将其与实验室水分析结果进行了对比。结果表明,它们的一致性很好。与传统算法相比,新方法高效可靠,具有广泛的适用性和较好的应用价值。