基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。     

基于预测稳态差的神经网络预测控制

提出了一种基于预测稳态差的神经网络预测控制方法,稳态预测模型采用径向基函数网（ＲＢＦ网）,优化采用一维直接方法－－黄金分割法。为了改善其动态响应性能,又加入一个ＲＢＦ网作为动态预测模型。通过对一个控制ｐＨ值的非线性过程的仿真研究,表明该算法具有良好的稳定性和动态响应特性。     

基于改进广义回归神经网络的网络安全态势预测

针对网络安全态势精确预测,提出一种基于改进广义回归神经网络的预测方法,以改善网络安全态势预测精度.利用滑动时间窗口方法将各个离散时间监测点的网络安全态势值构造成部分线性相关的多元回归数据序列,以其做为样本集输入到改进广义回归神经网络加以训练,进而得到网络安全态势预测模型.在改进广义回归神经网络训练过程中,利用粒子群算法...     

基于灰色理论的网络安全态势预测方法

为了有效地预测网络安全态势,在态势因子和灰色理论的基础上,提出了将灰色GM(1,1)和GM(1,N)模型相结合来预测网络安全态势的方法。首先筛选态势因子,再利用模型GM(1,1)对态势因子的变化进行预测,得到N个态势因子变化函数,最后利用这些函数和模型GM(1,N)对网络安全态势进行预测。将灰色GM(1,1)模型、神经网络模型和本文方法对网络安全态势进行预测,实验结果表明,本方法能够更准确地预测网络安全态势。     

基于PCA-RBF神经网络模型的航空备件预测方法

提出了基于PCA—RBF神经网络模型的备件预测方法．首先利用主成分分析去除原始输入层数据的相关性,以解决RBF神经网络模拟备件需求时输入变量过多、网络规模过大导致效率下降的问题,最后选择合适的径向基函数密度训练神经网络．通过结合实例进行分析,取得了较好的效果．     

基于IFS-NARX模型的网络安全态势预测

针对现有预测方法较难解决复杂网络环境下网络安全态势预测的不确定性,以及需有效利用经验数据提高网络安全态势预测效率和准确性的问题,通过构造网络安全大数据特征要素的直觉模糊集,提出采用基于直觉模糊集的非线性自回归神经网络(IFS-NARX)对网络安全态势进行预测的方法。实验分析表明:该预测方法相对于现有的网络态势预测方法具有更高的学习效率,更能准确有效地预测出未来一段时间内的大数据安全态势的变化趋势。     

基于预测稳态差的神经网络预测控制

提出了一种基于预测稳态差的神经网络预测控制 ,稳态预测模型采用径向基函数网 ( RBF网 ) ,优化采用一维直接方法——黄金分割法 .为了改善其动态响应性能 ,又加入一个 RBF网作为动态预测模型 .通过对一个控制 p H值的非线性过程的仿真研究 ,表明该算法具有良好的稳定性和动态响应特性 .     

基于RBF神经网络的制造业费用分配系数确定方法

针对制造业生产工况复杂,费用分配系数的确定困难这一问题,系统分析费用分配系数的确定流程,借助于RBF神经网络,建立费用分配系数确定模型,分析影响分配系数众多属性的权重,并以钢铁制造业为例进行实例验证。结果表明,所建立的模型能更好地解释各属性之间的关系,减小了系数制定的工作量,为新产品分配系数的确定提供了依据。     

基于RBF神经网络的输油管道安全停输时间预测

针对影响海底输油管道停输的因素复杂,难以对管道安全停输时间做出准确判断的问题,提出了海底输油管道安全停输时间预测的径向基函数(RBF)神经网络模型,综合考虑了各因素对输油管道安全停输的影响。以实测数据为基础,训练网络并验证了模型的预测准确性。研究结果表明,径向基函数神经网络预测模型对训练样本的拟合精度和对验证样本的仿真精度分别达到98.40%和97.33%,可对海底输油管道安全停输时间进行有效预测,为海底输油管道的安全输送提供重要依据。     

基于RBF神经网络的转炉炼钢终点预报

转炉炼钢控制目标是终点温度和碳含量，由于炉温过高，无法在线连续测量.用传统的机理模型建立的终点温度和碳含量模型不够精确.基于RBF神经网络任意逼近函数能力，隐层中心采用最近邻聚类算法，避开K-均值法依赖于聚类中心的初始位置，易陷入局部极小点的缺点.权值调整采用带加权因子的递推最小二乘算法，建立基于RBF神经网络的转炉炼钢终点温度及碳含量的预报模型，并结合某钢铁企业一座180 t转炉的实际数据进行模型验证研究.结果表明,预报精度高于传统的机理模型及BP模型.     

基于神经网络算法的网络安全评价模型

为了准确地评价复杂网络的信息安全水平,设计了一个具有网络安全评价功能的GABP算法评价模型.该模型通过引入德尔菲法等方法,建立了科学的评价指标体系.基于这一体系,通过修改BP算法和遗传算法的若干步骤,选取适当的目标函数,并对算法的流程进行精确控制,最终得到了一个具备这两种算法优点的GABP评价算法.该评价算法的仿真结果表明,只需输入复杂网络的信息安全监测数据,算法就可以准确评价出该网络的信息安全水平.     

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。     

基于神经网络预测算法的网络拥塞控制

论文将神经网络应用到网络的拥寨控制中，通过神经网络来预测网络拥塞的发生，从而有效避免网络拥寨，保证网络的稳定运行。仿真实验验证了算法的有效性。     

Network security situation adaptive prediction model

Aiming at the low prediction accuracy of traditional network security situation prediction technology, a network security situation adaptive prediction model (NAP) is proposed. First, it extracts alarm elements and calculate network security situation time sequences based on the entropy correlation method. Then, the sequences are taken as the input of the sliding adaptive cubic exponential smoothing method with initial security situation predicted value sequences generated. Finally, the time-varying weighted Markov chain is used to predict the error value based on the error state and the initial predicted values are modified. Experimental results show that the NAP has a better prediction accuracy than other existing models.     

基于径向基函数神经网络的波束形成算法

提出一种基于径向基函数(RBF)神经网络的波束形成算法。针对最小方差无失真响应(MVDR)算法,由接收信号的协方差矩阵计算其权矢量;将协方差矩阵以列向量的形式输入RBF神经网络,对其加以训练,使之逼近MVDR算法的权矢量;将训练好的RBF神经网络用于波束形成中,对不同角度的接收信号,RBF神经网络可自适应地输出相应权矢量。仿真结果表明,基于RBF神经网络的波束形成算法能快速逼近任意波束算法的权矢量,波束赋形效果良好,与已有波束形成算法相比,可降低算法复杂度,减少计算量。     

基于最优输入径向基网络的风电功率预测方法

随着风电的大规模接入电网,对风电功率未来出力的把握显得尤为重要,而风电功率预测技术则是掌握出力特性的有力工具。基于实测历史数据,研究系统不同输入量对预测结果误差的影响,选取最佳输入量值;并在此基础上,构建基于RBF（径向基）神经网络的风电功率预测模型,对风电功率进行有效预测;预测结果表明,基于径向基神经网络的预测方法预测精度较高,可以为电网提供更加准确的风电预测出力信息,有助于为调度制定更加合理有效的计划。     

基于RBF神经网络的太阳能电站VRLA蓄电池容量预测方法

为了对太阳能电站VRLA蓄电池进行有效的保护,防止蓄电池的过放电,本文对VRLA蓄电池进行准确的容量预测。在分析了铅酸蓄电池充放电过程的反应机理的基础上,应用RBF神经网络建立了铅酸蓄电池的数学模型,用于预测铅酸蓄电池放电过程某一状态下的剩余容量。实验结果表明该网络模型可以快速、准确得到蓄电池剩余容量。