基于Elman神经网络的燃气轮机功率预测方法研究

预测燃气轮机未来的功率变化趋势对故障预测非常重要。针对燃气轮机故障预测的问题,提出了一种基于Elman神经网络的功率预测方法。以某电厂燃气轮机的实际数据为例,选取与功率变化最相关的属性。通过对比实验,采取合适的预处理方法,确定神经网络模型的输入,设置合适的隐含层神经元个数,从而建立了基于Elman神经网络的燃气轮机功率预测模型。最后通过与反向传播(back propagation,BP)网络、径向基函数(radial basis function,RBF)网络进行比较,验证了该方法的有效性。     

基于Elman神经网络的电力负荷预测模型研究

针对传统的电力负荷预测的不足，利用Elman神经网络时变能力强、误差可控、预测精度高等优点，提出一种基于循环结构Elman神经网络的电力负荷预测模型。采用学校实习基地的某企业半个月的电力负荷历史数据作为原始数据，并通过MATLAB平台进行仿真，对提出的预测方法和模型进行了研究，分析检验所建立模型的实际预测能力。首先对负荷样本数据归一化运算，使Elman神经网络输入层变量集中在[0,1]区间内，再对所建立的网络模型进行训练，使系统具备适应时变能力，增强系统全局稳定性。仿真分析结果显示：基于Elman神经网络的电力负荷预测模型预测误差小、精度高，预测速度快，表明了所提出的预测模型具有一定的实用价值。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数(RBF)神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLAB R2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

基于神经网络的鸟撞预测模型应用研究

通过对某机场地理环境、生境、鸟类及鸟类活动、鸟情信息进行综合分析,在收集、规范、完善鸟情数据集的基础上,文中给出了鸟情数据预处理方法,提出了一种基于神经网络的鸟撞预测模型,确定了鸟撞预测模型输入、输出参数,并分别采用BP神经网络和径向基网络(RBF)两种方式建立预测模型.运用Matlab对两个预测模型性能进行仿真实验,仿真实验结果表明BP神经网络比RBF神经网络预测具有更高精度、更小误差.最后,通过机场实际观察数据对训练好的鸟撞模型做仿真预测,结果进一步验证了BP神经网络鸟撞预测模型具有很好的预测效果     

基于Elman神经网络的短期天然气负荷预测建模与仿真

天然气负荷预测天然气负荷准确预测是天然气管网的优化的基础。短期天然气负荷变化呈现伪周期性和随机性。为了提高天然气负荷的预测精度,提出一种基于Elman神经网络天然气负荷预测模型,并采集某企业的天然气负荷数据进行仿真,并BP神经网络预测模型进行了对比分析,仿真结果验证所建立预测模型是可行且有效的,具有一定的应用价值。     

基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法

短期电力负荷预测是电力系统中的重要问题之一,准确的预测结果可以提高电力市场的灵活性和资源利用效率,对电力系统高效运行具有重要意义.为了提高预测精度,针对电网负荷数据的时序性特征,提出一种基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.该方法首先针对电力负荷的影响因素(温度、节假日等)提取特征,并使用双向长短期记忆(BiLSTM)神经网络层进行双向时序的特征学习;将双向时序特征作为长短期记忆(LSTM)神经网络层的输入,用LSTM神经网络建模学习时序数据的内部变化规律;使用attention机制计算LSTM隐层状态的不同权重,以对隐层状态进行选择性地关注;结合注意力权重和LSTM神经网络进行负荷预测,最后使用全连接层输出负荷预测结果.使用EUNIT电力负荷数据集进行实验,采用提前单点预测模式,该方法的平均绝对百分比误差(MAPE)达到1.66％,均方根误差(RMSE)达到814.85.通过与单LSTM网络、基于attention机制的LSTM网络(Attention-LSTM)、前馈神经网络(FFNN)、卷积神经网络联合长短期记忆神经网络(CNN-LSTM)等4种典型的负荷预测模型结果对比,验证了Attention-BiLSTM-LSTM神经网络方法更加准确有效.     

径向函数网络对国民经济生产总值预测研究

为了建立国民经济生产总值（GDP）神经网络预测模型,构造了双层网络结构的基于径向基网络,通过学习训练,确定径向基数神经网络参数和结构。仿真结果表明,生成的径向基函数模型应用于国民经济预测比BP神经网络模型具有更高的预测精度和良好的泛化能力。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

自适应变系数粒子群—径向基神经网络模型在负荷预测中的应用

为了提高短期电力负荷预测精度,提出了一种自适应变系数粒子群-径向基函数神经网络混合优化算法(AVCPSO-RBF).实现了径向基神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统径向基神经网络方法和粒子群-RBF神经网络方法及基于混沌理论的神经网络模型,该优化算法克服了径向基神经网络和传统的粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,提高了贵州电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.7%以内.该算法可有效用于电力系统的短期负荷预测.     

人工神经网络及其应用

本文首首先介绍了人工神经网络的源泉一体神经网络的主要基本内容，然后简要论述了人工神经网络的主要内容，进程和问题，人工神经网的应用。     

Static, Dynamic, and Hybrid Neural Networks in Forecasting Inflation

The back-propagation neural network (BPN) model has been the most popular form of artificial neural network model used for forecasting, particularly in economics and finance. It is a static (feed-forward) model which has a learning process in both hidden and output layers. In this paper we compare the performance of the BPN model with that of two other neural network models, viz., the radial basis function network (RBFN) model and the recurrent neural network (RNN) model, in the context of forecasting inflation. The RBFN model is a hybrid model with a learning process that is much faster than the BPN model and that is able to generate almost the same results as the BPN model. The RNN model is a dynamic model which allows feedback from other layers to the input layer, enabling it to capture the dynamic behavior of the series. The results of the ANN models are also compared with those of the econometric time series models.     

复杂环境中的车牌字母和数字识别研究

当前车牌识别的研究大都是针对正常环境进行的,对于复杂环境下的车牌难以达到识别要求。本文提出一种用BP神经网络构造并行神经网络的车牌字母和数字识别方法,利用PVM网络在虚拟并行平台上实现了并行神经网络,最后对复杂现场环境下获取的车牌进行了实验。实验结果证明,该算法具有良好的性能,能在28ms内实时准确的识别车牌字母和数字。     

人工神经网络带来的微机系统概念的变化

本文从人工神经网络信息存储形式、计算速度、运行方式等角度出发，阐述了人工神经网络技术的发展传统微型计算机系统带来的观念上的更新。     

基于知识的神经网络及其在CRM中的应用

分析一般神经网络应用于CRM时存在的问题,提出将基于知识的神经网络应用到CRM领域。示例表明,基于知识构造出的神经网络不仅提高了网络的可解释性,而且降低了输出误差,提高了学习速度。     

基于时域建模的自动语音识别

端到端神经网络能够根据特定的任务自动学习从原始数据到特征的变换,解决人工设计的特征与任务不匹配的问题。以往语音识别的端到端网络采用一层时域卷积网络作为特征提取模型,递归神经网络和全连接前馈深度神经网络作为声学模型的方式,在效果和效率两个方面具有一定的局限性。从特征提取模块的效果以及声学模型的训练效率角度,提出多时间频率分辨率卷积网络与带记忆模块的前馈神经网络相结合的端到端语音识别模型。实验结果表明,所提方法语音识别在真实录制数据集上较传统方法字错误率下降10%,训练时间减少80%。     

自注意力超图池化网络

近年来,将卷积神经网络推广到图数据上的图卷积神经网络引起了广泛关注,主要包括重新定义图的卷积和池化操作.由于图数据只能表达二元关系的局限性,使其在实际应用中表现欠佳.相比之下,超图能够捕获数据的高阶相关性,利用其灵活的超边易于处理复杂的数据表示.然而,现有的超图卷积神经网络还不够成熟,目前尚无有效的超图池化操作.因此,提出了带有自注意机制的超图池化网络,使用超图结构建模,通过引入自注意力的超图卷积操作学习带有高阶数据信息的节点隐藏层特征,再经过超图池化操作选择并保留在结构和内容上的重要节点,进而得到更准确的超图表示.在文本分类、菜肴分类和蛋白质分类任务上的实验结果表明:与目前多种主流方法相比,该方法均取得了更好的效果.     

神经计算机综述

神经计算机能模拟人脑的并行信息处理方式，具有惊人的自学习、思维、推理、判断和记忆的功能，被称为第六代-的计算机——智能型计算机。本文主要阐述了神经计算机与传统的数字计算机的区别，神经计算机的理论基础、元件基础、性能指标及发展现状。     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。