基于小波神经网络的时间序列预报方法及应用

传统的时间序列预测模型在处理具有非线性特性或非平稳时间序列问题,特别是对有人参与的主动系统、社会经济系统的预测上,无法取得满意的预测效果.寻求处理这类系统的方法是人们一直努力的方向.这里以小波理论为基础,重点研究了小波网络在非线性时间序列中的建模预测方法,利用深圳综合指数数据,建立了股票指数预测模型.该模型克服了传统的时间序列预测模型仅局限于线性系统的情况,避免了BP神经网络模型固有的缺陷.仿真结果表明,该方法比神经网络预测方法的预测精度高,可以很好地应用于某些非线性时间序列的预测中.     

神经网络在焦炭质量预测模型中的应用

针对非线性焦炭质量预测模型,提出一种基于线性回归和BP神经网络的焦炭质量预测模型。为了使系统能够准确预测焦炭质量,焦炭质量参数灰分Ad、挥发分Vdaf采用线性回归方法预测,抗碎强度、耐磨强度、反应性指数和反应后强度使用BP神经网络预测。仿真结果表明该预测模型预测精度较高,适应性较好,具有一定的使用价值.     

基于神经网络预测的铝电解模糊控制系统应用

目的采用神经网络作为非线性估计器,设计自组织模糊控制器,解决常规控制方法难以解决铝电解过程中存在的时变和大时滞问题,提高控制性能.方法在分析铝电解生产过程的基础上,通过建立神经网络预测模型以及基于规则双阶段获取的自组织模糊控制器,将神经网络与预测控制算法相结合,提出了一种基于神经网络预测的铝电解模糊控制系统.结果给出了以STD工业总线控制机为核心的模糊控制系统,实现了铝电解过程的最优控制.使得神经网络预测模型的输出能够很好地跟踪铝电解生产过程,预测效果更佳.结论该系统能使电解过程很快达到稳态,产生的超调量较小,具有良好地响应特性和鲁棒性,提高了铝电解过程的动态和稳态性能.     

制粉系统球磨机的神经网络预测控制

通过对制粉系统球磨机这一非线性被控对象建立神经网络预测模型,提出了基于神经网络预测控制器的非线性预测控制方法。为了克服大多数非线性系统预测控制在线计算量大的问题,在预测控制性能指标约束下,采用非线性优化求解技术,得到当前工作点的最优预测控制量,用来训练神经网络预测控制器,最终实现非线性系统的神经网络直接预测控制。新的方法大大减少了在线计算量,仿真试验结果证实了所提方法的有效性。     

基于人工智能方法的岩爆预测系统

通过理论分析预测法和现场实测法,建立了一套长期预测和短期预测相结合的岩爆预测系统.长期预测模型是基于神经网络思想,运用国内外相关工程的岩爆资料作为训练样本,建立了小波神经网络预测模型,对工程范围内岩爆发生趋势进行了预测.短期预测模型首先针对监测到的声发射建立小波神经网络模型,对声发射时间序列进行拟合预测;再运用突变理论对预测的声发射建立了岩爆突变预测模型,进而对监测点附近岩爆发生情况进行准确的预测.两种预测模型都运用到了目前人工智能方法中比较新颖的小波神经网络理论,提高了收敛速度,容错能力,保证了预测的效果.通过工程实际运用,建立的岩爆预测系统预测精度高,预测结果与现场情况一致.两套预测模型可以适用于不同的工程阶段,互相验证,具有很好的工程实用性.     

基于模糊神经网络的非线性系统预测函数控制研究

针对预测函数控制难以很好地实现非线性系统控制的问题,将模糊神经网络与预测函数控制相结合,设计一种基于模糊神经网络的非线性系统的预测函数控制器。用模糊神经网络辨识非线性系统的模型,辨识结果送到预测函数控制中,从而得到预测模型,最终得到最优的控制量。通过Matlab计算机仿真,可以看出此控制器对于非线性系统具有良好的控制效果和鲁棒性。     

道路交通事故神经网络预测研究

对于交通事故的预测,可以视作一个非线性随机的输入输出系统,因此保证了可将神经网络理论用于预测的可行性.为此,选用算法建立了道路交通事故神经网络预测模型.鉴于算法具有学习速度慢,目标函数存在局部极小点的缺点,采用改进的快速算法,即采用加动量项和自适应学习速率的方法来弥补这一不足,实现对交通事故的预测.     

基于小波神经网络的松江区PM_(2.5)浓度预测

鉴于细颗粒物(PM2.5)浓度(质量浓度ρ,全文同)影响因素的复杂性,以及传统预测方法中存在的困难和不足,基于小波神经网络,利用松江区环保局PM2.5的浓度数据,建立了短时PM2.5浓度预测模型.通过与灰色理论预测模型、BP神经网络预测模型的对比试验分析,发现基于小波神经网络预测模型的预测值与实际值之间的误差最小,更能准确地反映样本数据之间的映射关系,预测精度明显高于其他两种预测模型.     

BP神经网络在带钢宽展预测中的应用

传统数学模型对非线性系统进行预测往往造成较大误差，而BP神经网络能取得较好的效果．本文将BP神经网络的思想用于热连轧精轧自然宽展预测。研究并建立了基于BP神经网络的精轧自然宽展预测控制数学模型。经用现场实测数据仿真验证表明该模型大大优于传统的数学预测模型的预测精度．     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.     

拆分组装方法与神经网络的结合

详细阐述了BP神经网络的拆分和组装方法,证明了它的正确性,并采用该方法来构造成一个学习结果达到均方根误差全局最小点的BP神经网络。该方法在有效克服局部极小点这一问题上具有普遍意义。     

基于GA-BP神经网络的输油管道内腐蚀速率预测

针对BP（Back Propagation）算法的神经网络易陷入局部极小的缺点,尝试引入遗传算法（Genetic Algorithm）处理了BP神经网络的权值与阈值,并分别建立了BP和GA-BP两种不同算法的神经网络模型对输油管道腐蚀速率进行预测。对结果进行对比分析发现,GA-BP算法的神经网络预测精度要高于BP网络;GA-BP算法具有高的预测精度,其预测值与实验值相关系数为0.9863,表明该算法模型是合理可靠的。     

用GDR-GA、拆分组装法训练神经网络

阐述了BP神经网络输入样本的预处理过程,提出了输入样本最短距离的概念,并推出了减少输入层单元数的约束不等式;在此基础上再运用文献[1]所阐述的拆分组装方法,进一步减小了BP网络的规模,每个子BP网单独学习,学习好后将权值组装,可构造成一个学习结果达到均方根误差全局最小点的BP神经网络;还阐述了每个子网采用的学习算法,即最速梯度-遗传算法(GDR-GA算法),该方法的应用在很大程度上克服了BP网学习时遇到的局部极小值问题。     

一种自适应脊波网络模型

将脊波理论和神经网络相结合,采用具有方向信息的脊波函数作为隐层神经元的激励函数,提出一种自适应脊波网络模型．由于脊波表征高维信息的稳定性和逼近线型奇异性的稀疏性,脊波网络能够以更小的网络规模逼近广泛的多变量函数类型．相对固定的脊波变换它具有更灵活的结构、快速并行的处理速度以及强容错性和鲁棒性．仿真结果也证明了其有效性．     

基于混沌搜索的神经网络及在优化问题中的应用

在运用Hopfield神经网络求解优化方面问题的同时,引进GCM混沌神经网络,对求解过程进行了改进。通过混沌遍历,可使Hopfield网络在整个相空间进行搜索,从而避免网络在运行过程中陷入局部极小值。通过对一个物流配送的实例进行实验,结果显示Hopfield网络的寻优特性获得了较大改进。     

神经网络研究进展与展望

简要地回顾了神经网络理论发展的历史和现状。在此基础上 ,介绍并讨论了90年代神经网络研究的一些新进展。根据神经网络理论研究的特点 ,作者对神经网络今后的发展前景作了一定的评述。     

BP神经网络结构与样本训练参数选取的初步探讨

结合笔者开发的ＢＰ神经网络生成器，对ＢＰ网络结构和训练参数选取进行了详细的讨论，在克服传统的ＢＰ网络缺陷方面进行阴益的探索。     

神经网络结构与训练参数选取

结合作者研制的BP神经网络生成器,对BP网络结构和训练参数选取进行了详细的讨论,在克服传统BP网络缺陷方面进行了有益的探索。     

基于LPMCC特征和小波RBF网络的语音识别

小波神经网络是结合小波变换理论与人工神经网络思想而构造出来的一种"新型的神经网络模型",融合了小波变换良好的时频局域化性质及神经网络的自学习功能。它通常可看作RBF网络的推广。本文构建了一个以Morlet母小波作为小波基,代替RBF网络中的激活函数的小波神经网络结构,并采用线性预测美尔倒谱(LPMCC)作为特征参数,进行了孤立词语音识别。实验结果表明此种方法抗噪性能好,识别效率高。     

BP、模糊、小波网络逼近性比较研究

对神经网络、小波网络和模糊小波网络函数逼近性进行对比,进而对采用正交化选择法和前向选择法净化小波时,小波网络和模糊小波网络对一维非线性函数逼近进行了分析.仿真结果证明模糊小波网络具有高精度的逼近能力和很强的泛化能力,该方法比小波网络和BP网络更优越,并且正交最小二乘法净化小波的性能指标优于前向选择法.