基于人工神经网络的电池容量预测

为有效地对电动车蓄电池的剩余容量SOC进行预测,引入了人工神经网络BP改进算法的Levenberg-M arquardt(LM)算法;建立了基于镍氢电池的神经网络模型;实现了对镍氢电池充放电过程中任一状态下的剩余容量的预测。结果表明,通过该网络模型可以方便快速的得到电池的SOC值,所得结果满足要求,为电池管理系统提供了一种新的电池SOC的预测方法。     

人工神经网络在用电量预测中的应用

人工神经网络是模仿人脑神经元结构,特性和大脑认知功能而构成的新型信号,信息处理系统。文中采用的人工神经网络反向传播模型对四川省历年用电量历史数据样本进行学习,分析年用量的发展趋势,然后进行长期预测,取得了较为满意的效果。     

基于全息人工神经网络的建模与预测方法

从时间序列建模与预报的角度讨论了动态神经网络,首次提出了一种新的实现非线性动态时间序列预报的动态网络结构－全息神经网络,给出了其数学模型和拓扑结构,并将其应用到机械设备振动烈度值的预测上,取得了令人满意的效果,结果表明,全息神经网络弥补了原有神经网络有一些缺陷,具有较高的理论和实用价值。     

基于人工神经网络的商品销售额预测

介绍了BP神经网络的结构，算法和基于人工神经网络的商品销售额的预测，与传统方法相比较给出了ANN的优点及改进的方法。     

基于人工神经网络的岩土工程位移预测研究

从神经网络理论及应用实践等几个方面分析研究了目前岩土工程位移预测神经网络模型存在的几个问题,并提出了几个可供借鉴的其它模型.最后,提出了一种进行位移预测的进化神经网络模型,并采用一个工程实例进行了研究,其结果验证了前述分析研究的结论,说明了本文分析的合理性.     

煤炭消费量预测的人工神经网络方法

基于我国１９７８～１９９４年间煤炭消费量的实际数据，采用人工神经网络的方法对影响煤炭消费量的主要因素进行了模拟分析．并应用训练好的神经网络模型预测煤炭消费量，经实际样本检验表明，这种预测方法的预测精度较高．以此预测了我国１９９５～２０００年的煤炭消费量．     

基于改进BP算法的商品销售量的预测

提出了一种改进的BP算法，该方法通过结合Cauchy训练来改进传统BP算法，避免传统BP算法容易陷入局部极小点，提高Cauchy训练的训练速度和解决不收敛的问题，并运用该方法于商品销售量的预测，实例表明该方法使网络具有较快的收敛速度和较高的准确度．     

用于有机化学品生物活性预测的人工神经网络

对人工神经网络用于化学品生物活性预测中遇到的技术问题进行了系统的研究,提出了防止网络训练过拟合及局部最小的方法,对影响网络收敛的各技术参数的选择进行了探讨。确定的人工神经网络计算软件用于实际有机化学品生物活性预测,效果优于文献报道结果。     

基于神经网络的油气预测方法

以濮阳凹陷白庙构造为研究区，以沙二下亚段第1砂层组为目的层，根据神经网络原理，选取能够反映储层参数及油气分布特征的“S”型函数，构造出可以产生任意复杂判断的三层感知器，利用误差反传播算法，使估价函数最小化。提取20余种地震波反射特征参数，将地震道旁的特征参数输入到神经网络中，使其学习、训练和记忆，给定神经网络各个节点间的连接权值和节点内部的阅值，通过神经网络所记忆的知识，用钻井、测井、地质、试油等资料进行约束，对未知区域的储层特征参数和含油气分布进行预测，取得了较好的效果。     

基于人工神经网络的风电功率预测优化算法

针对BP神经网络容易陷入过拟合和局部极小值的缺陷,采用殖民竞争全局优化算法,将BP神经网络的权值和阈值作为变量,并将均方差作为目标函数,组成了一种新的ICA-BP神经网络算法.结合风电厂的实际数据在Matlab平台上对该方法进行了验证,并与粒子群算法、遗传算法进行比较,得出该算法可以提高风电功率预测精度的结论.     

一种基于人工神经网络的出租车目标自动预测算法

阐述了ECML/PKDD大会对出租车目的地预测提出质疑的解决方案,使用一种基于神经网络的完全自动化的方法,尝试构建多层感知、双向递归神经网络和记忆网络的模型。提出的方法可以较容易地适用于其他应用程序,目标是预测一个可变长度序列的固定长度输出。     

基于遗传算法的循环神经网络在销售预测中的应用

企业产品销售额的分布具有动态的特性,循环神经网络能够直接地反映系统动态、非线性的特性,因此,考虑用循环神经网络来预测企业产品的销售额,同时为了避免训练陷入区域极小值,用遗传算法来改进网络的权值算法。实验表明基于遗传算法的循环神经网络可以预测出销售额的变化趋势,能取得不错的预测效果。     

基于人工神经网络的非线性组合预测方法研究

在现有组合预测模型中以线性或非线性规划方法求解优化问题遇到了较多的困难,而递归组合预测方法的过程又较为烦琐。针对这一问题,本文基于人工神经网络技术建立了一种新的非线性组合预测模型;并从避免不规则权重入手,提出了通过主分量分析提高参与组合预测信息有效性的方法,提高了预测精度。实践表明,效果是令人满意的。     

应用递归人工神经网络预测电力短期负荷

介绍了神经网络的基本原理,使用递归人工神经网络模型对电力短期负荷进行预测,采用了梯度下降法,来提高训练的收敛速度,预测仿真结果表明,使用递归神经网络预测比传统的预测方法更准确.     

基于混合算法人工神经网络的回采巷道锚杆支护参数预测

回采巷道锚杆支护参数的确定, 一直是煤巷支护设计的重点和难点． 本文尝试应用误差逆传播和模拟退火混合算法人工神经网络预测锚杆支护参数, 结果表明这一方法具有快速、简便、实用和智能化特点, 可大大提高锚杆支护参数选择的科学性、合理性和有效性．     

应用人工神经网络预测油井产量和产水量

论述了应用人工神经网络技术预测油井产油量和产水量的方法，利用油井过去实际每个月的日平均产油量和产水量做为网络的训练样本，经网络学习后，输入油井待预测时间的，可预测出相应时间的日平均产油量和产水量，同时，编制的通用软件经胜利油田２１口井实际产油量和产水量检验，结果表明：网络是一种可行性的预测油田单产量的方法。     

基于改进BP人工神经网络的电力负荷预测

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定,短期电力负荷预测的重要组成部分.利用人工神经网络可以任意逼近非线性系统的特性,将其用于短期负荷预测.该文研究了在改进的BP网络中加入了动量项和构建输入网络时结合了同类型日思想的模糊映射,预测结果表明比标准BP算法具有更好的性能.同时,针对大量无法用精...     

基于人工神经网络的鲁棒短期负荷预测方法

提出一种用神经网络设计提前一天的短期负荷预测系统的方法.在对神经网络进行训练前,先通过一种简单的方法对数据进行了预处理,以使设计的系统具有处理由于突发事件等因素引起负荷突然变化的能力.用山东省电网2003年的负荷数据进行试验,试验结果表明方法的适用性.     

基于PCA - GRNN模型的新能源汽车月度销售量预测研究

为预测新能源汽车的月度销售量,提出了一种基于主成分分析(PCA)和广义回归神经网络(GRNN)相结合的预测模型——PCA - GRNN模型.首先,选取动力电池月份装车量、充电基础设施、电池级碳酸锂平均价格、交通和通信类居民消费价格指数、全国城镇调查失业率、汽车制造业工业生产者出厂价格指数等6个指标作为新能源汽车月度销售量的影响因子; 其次,利用主成分分析方法得到可代表6个影响因子的2个主成分,并利用Matlab神经网络工具箱的GRNN神经网络函数构建了广义回归神经网络模型; 最后,将2020—2022年间27个月度的统计数据分别输入到PCA - GRNN、PCA - BP和PCA - Elman模型中进行预测.结果显示, PCA - GRNN模型预测的新能源汽车月度销售量的平均相对误差(4.00%)低于PCA - BP模型和PCA - Elman模型预测的平均相对误差(分别为4.77%和4.29%),因此PCA - GRNN模型在预测新能源汽车销售量方面具有一定的实用性.