模糊系统结合最小二乘的温升预测方法

针对金具温升过高现象,提出了新的温升预测方法。通过温升试验得到训练数据与测试数据,利用训练数据通过递推最小二乘结合遗传算法的方法对模糊系统进行训练,利用测试数据对训练后的模型进行检验,误差处于合理范围。训练与测试结果说明运用新方法预测金具温升是可行的。通过回归分析对金具温升进行预测,并与新方法进行比较,新方法的预测效果优于传统的回归模型,比较结果体现了新方法在温升预测方面的优势。     

基于模糊系统的温升计算新方法

针对传统温升计算方法的缺陷,提出了结合模糊系统的温升计算新方法,运用新方法对阀厅金具温升进行计算.通过阀厅金具温升试验得到足量数据,将所有数据分成训练数据与测试数据,要求训练数据代表样本空间的主要特征.将基本粒子群算法与梯度下降算法结合,得到改进粒子群算法.利用训练数据训练模糊系统,所用算法依次为基本粒子群算法、梯度法、改进算法,改进算法的收敛效果最好.运用回归分析对相应温升进行计算.通过测试检测各模型可靠性,结果说明通过改进粒子群算法训练模糊系统计算温升是可行的.     

模糊系统结合蚁群算法的金具温升建模

为了得到准确可靠的阀厅连接金具温升模型,运用模糊系统结合蚁群算法的方法进行建模。在分析基本蚁群算法与梯度下降法优缺点的基础上,将两种方法结合形成改进蚁群算法,即在基本蚁群算法基础上应用梯度下降算法。通过试验得到的训练数据分别用基本蚁群算法、梯度下降算法、改进蚁群算法训练模糊系统,改进蚁群算法的收敛效果优于其他两种方法;通过试验得到的测试数据对4种方法所得的模型进行测试,由改进蚁群算法训练模糊系统所得模型的测试效果是最好的。结果表明,若能通过试验得到足量训练数据,用改进蚁群算法训练模糊系统的方法对阀厅连接金具的温升进行建模是可行的。     

最小二乘优化模糊系统的接触电阻计算方法

根据接触电阻的特点,运用模糊系统对其进行计算。设计试验得到训练数据与测试数据,通过训练数据训练模糊系统,建立相应模型,训练算法为递推最小二乘结合禁忌搜索算法。通过回归分析建立相应模型。通过测试数据测试所建立的两种模型,并比较,接触电阻的模糊系统模型的测试结果优于回归分析,比较结果表明模糊系统适用于接触电阻的计算。     

基于模糊系统的接触电阻预测算法研究

运用模糊系统对接触电阻进行预测,通过试验得到试验数据,将试验数据分成训练数据与测试数据,训练数据用于训练模糊系统,测试数据用于测试模糊系统。将梯度下降算法与禁忌搜索算法混合得到改进禁忌搜索算法,训练模糊系统,所用算法依次为梯度下降算法、禁忌搜索算法、所得改进算法,并建立相应的接触电阻回归模型。对所得模型进行测试,结果表明,由改进算法训练模糊系统所得接触电阻模型的测试结果优于其他模型,并且该方法预测接触电阻精确可靠。     

接触电阻建模新方法

根据接触电阻的特点与以往接触电阻计算方法存在的不足,运用结合模糊逻辑的智能计算方法对接触电阻进行计算.根据接触电阻与影响因素之间的关系进行试验,得到大量试验数据,将试验数据分成训练数据与测试数据两部分,训练数据用于训练模糊系统,测试数据用来测试模糊系统,检验其可靠性.通过训练数据运用梯度下降结合模拟退火算法训练模糊系统,建立接触电阻模型,运用回归分析对接触电阻进行计算.通过测试数据测试两种模型,基于模糊系统的模型优于回归分析,说明用梯度下降结合模拟退火算法训练模糊系统建立的接触电阻模型精确可靠.     

基于BP网络的粉煤灰混凝土强度计算

为计算粉煤灰混凝土在一定条件下的强度,基于改进的BP算法,建立了6个粉煤灰混凝土28 d抗压强度BP网络训练及计算模型.模型均以水灰比为输入,分别以粉煤灰等量取代水泥5%卵石混凝土28 d抗压强度、粉煤灰等量取代水泥15%卵石混凝土28 d抗压强度、粉煤灰等量取代水泥25%卵石混凝土28 d抗压强度、粉煤等量取代水泥5%碎石混凝土28 d抗压强度、粉煤灰等量取代水泥15%碎石混凝土28 d抗压强度及粉煤灰等量取代水泥25%碎石混凝土28 d抗压强度为输出.该6个模型的计算结果为:模型1相对误差平均值为3.371%;模型2相对误差平均值为4.415%;模型3相对误差平均值为3.483%;模型4相对误差平均值为4.743%;模型5相对误差平均值为3.346%;模型6相对误差平均值为5.317%.由此可见,所建立的BP网络模型,训练及计算结果较为理想.     

作物需水量与气温关系的模糊回归分析

在模糊回归分析方法基础上 ,首次将此方法应用于水科学问题中 ,针对水稻生育期需水量与气温的相关关系 ,建立了二者之间的模糊回归方程 ,将该方法的计算结果与统计学中的常规回归分析结果比较发现 ,模糊回归模型比常规回归模型提供了更多的信息量 ,更具优越性 ;用模糊回归模型进行预测 ,可信度更高 ,且更具推广价值 .     

基于模糊卡尔曼滤波的短时交通流量预测方法

为解决卡尔曼滤波模型预测交通流量存在的时间滞后性问题,在已有卡尔曼滤波短时交通流量预测模型基础上,结合城市道路交通流日相似性特点,对已有卡尔曼滤波预测模型进行改进,并通过模糊逻辑方法对改进模型中的参数加以确定,设计出模糊卡尔曼滤波交通流量预测模型,从而对短时交通流量进行实时准确预测.数值分析及对比结果表明:相较于卡尔曼短时交通流量预测方法,模糊卡尔曼短时交通流量预测方法能够提升预测过程的实时性,并使平均相对误差降低0.27%,平均绝对相对误差降低7.26%,最大绝对相对误差降低32.43%,进一步提高了预测精度.     

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.     

基于混沌粒子群支持向量回归的高炉铁水硅含量预测

参数的优化选择对支持向量回归算法(SVR)的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO)寻优一种改进支持向量回归算法(v-SVR)参数的新方法,在此基础上建立高炉铁水硅含量预测模型(CPSO -vSVR)用于对某钢铁厂3号高炉铁水硅含量的实际数据进行预测,研究结果表明：基于CPSO确定的最优参数建立的铁水硅含量粒子群支持向量回归预测模型的预测效果最佳,平均相对误差为5.32%。与使用粒子群优化算法训练的神经网络(PSO-NN)、v-SVR、最小二乘支持向量回归(LS-SVR)进行比较,CPSO -vSVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO-NN,且比v-SVR稳定性更强,可用于高炉铁水硅含量的实际预测。     

神经网络在船舶柴油机NOx排放特性预测中的应用

为了预测船舶柴油机N0x排放特性,从初始权值的选取及学习率动态优化对BP算法进行了改进,通过改进的均匀试验设计法,对少量具有代表性、易于测试的工况进行N0x排放测试,利用BP神经网络建立了船舶柴油机NOx排放特性预测模型并进行了计算,与实测的4种工况进行比较.结果表明,第1工况的N0x排放浓度相对误差为3.7%,N0x比排放的相对误差为4.3%,而其他各工况的N0x排放浓度相对误差在2.4%以内,NOx比排放相对误差在2.9%以内.因此,该模型预测精度较高,与试验结果吻合良好,能有效地预测船舶柴油机N0x排放特性.     

新型线性回归模型及其在山东电量预测中的应用

提出一种新型线性回归预测模型，采用基于相对误差意义下的最小二乘法对回归系数进行计算，并以山东省居民用电量预测为实例，分别用传统的线性回归模型和新型线性回归模型进行预测。预测结果分析表明，新型线性回归模型在预测精度方面有了进一步提高。     

Lasso-BP组合模型在鲤鱼价格预测中的应用研究

为了对水产品市场中的水产品价格进行预测,本文以北京地区的鲤鱼市场为例,基于Lasso回归和BP神经网络组合模型,对鲤鱼价格和影响因素进行预测研究。通过Lasso回归对影响因素进行筛选,将筛选出的影响因素输入到BP神经网络中进行训练,并将影响因素数据输入训练后的模型中,即可输出预测价格。同时,选取2017年10月1日至2018年6月17日数据作为测试样本,对测试样本进行归一化处理,并采用本文提出的模型进行实验。实验结果表明,Lasso-BP模型预测值与真实值整体平均误差为2.59%,在价格波动趋势方面,预测数据准确率达96.53%,在价格波动幅度方面,预测结果的波动幅度与真实数据基本相同,平均误差为2.51%,说明模型预测精度较高,预测效果良好,该文模型满足实际生产工作需要,证明Lasso-BP模型能够对鲤鱼价格进行准确预测。该研究具有一定的理论意义和实际意义。     

主梁变形预报的改进非等间隔权重灰色修正模型

针对斜拉体系加固张拉施工阶段主梁变形难以预报,传统非等间隔灰色模型在其应用中存在精度低的问题,提出了一种马尔科夫链残差修正的改进非等间隔权重灰色主梁变形预测模型。首先,该模型将主梁变形量和索力差分别看作传统非等间隔灰色模型中的原始数据列和时间差,考虑在累加生成和累减还原过程中是否引入权重分配系数,构建了4种不同的非等间隔权重灰色预测模型,并依据相似度准则确定相应的最优权重分配系数和最佳计算模型,提高预测精度;然后,采用马尔可夫链法反映出主梁变形残差序列的随机波动特征,从而对改进非等间隔权重灰色模型的预测值进行修正,较好地弥补了单一预测模型预测精度偏低的不足,进一步提高模型的预测精度;最后,通过该模型对斜拉体系加固主梁变形进行预测。研究表明,相对传统非等间隔灰色模型,在模型累减过程中引入权重分配系数后的模型相对误差平均值降低0.47%;采用马尔可夫链法对预测结果进行修正后,相对误差平均值降低10.32%,能显著提高预测模型的精度;与马尔科夫链修正后的传统模型相比,经累减还原优化后的修正模型相对误差平均值降低3.50%,预测精度更高,能够较好地反映出了斜拉体系加固主梁变形的发展趋势;该模型的核心理论是灰色系统理论,对实测数据并无特殊要求和限制,同样适应于其他工程领域的变形预测问题。     

基于Bagging算法和Elman-NN融合的短期负荷预测模型

针对传统神经网络经常无法满足短期负荷预测的实际应用要求,本文提出了基于Bagging算法和Elman神经网络结合的电力系统短期负荷预测模型。把经预处理过后的数据分为原始训练集和测试集,然后通过Bootstrap方式在原始训练集中随机抽取若干个子训练集,并建立相应的Elman神经网络负荷预测模型,并将子训练集分别用于训练不同的网络模型,最后利用测试集进行预测,最终的预测结果取不同模型预测结果的平均值。利用训练不同模型的Bagging算法,消除Elman神经网络的不稳定性,提高了预测模型的精度和稳定性。通过某城市负荷预测的实际算例,对所提出的预测模型与单一的Elman神经网络预测模型进行对比分析。分析结果表明,基于Bagging算法和Elman神经网络融合的预测模型具有较好的预测精度和稳定性。该研究具有一定的应用前景。     

基于LSTM的Modbus TCP协议模糊测试优化方法

针对工控系统传输协议模糊测试的路径爆炸和约束求解问题，提出一种基于长短时记忆(LSTM)网络的Modbus TCP协议模糊测试优化方法，挖掘出两种工控协议漏洞，分别为非法写入漏洞和数据值边界漏洞。抓取模糊测试数据包形成数据集，并根据状态码将其分为正常用例、异常用例和无效用例三种，通过LSTM识别出无效用例并剔除，提高漏洞挖掘效率。实验结果表明，LSTM识别模糊测试数据集的准确率达到93.87%,经过LSTM优化后的测试用例通过率从30.75%提升至33.99%。     

高速公路动态交通流支持向量机预测模型

为了提高高速公路的交通运行效率,需要实时预测各路段交通流参数状况,通过对高速公路宏观动态交通流模型的分析,以及对SMO支持向量机参数选择的研究,提出了高速公路动态交通流支持向量机预测模型.以西安-宝鸡高速公路交通流信息采集数据对模型进行训练、测试和仿真,预测平均相对误差小于3.84%,表明了模型的有效性.     

ANN在聚丙烯酸酯乳液性质预测中的应用

在MATLAB中的图形用户界面下,用人工神经网络(ANN)对聚丙烯酸酯乳液的硬度、附着力和耐冲击性3种性能进行了预测。选用三层的误差反向传递网络(BP网络),讨论了隐含层节点数,训练目标goal值和传递函数等相关参数对预测结果的影响。在隐含层节点数分别为19、16和20,传递函数为logsig函数和purelin函数,训练目标值goal为1.0×10-5的条件下,对17个样品进行了预测。结果表明:硬度预测值与实验值相对误差的绝对值的平均值为5.90%,附着力预测准确率为100%,耐冲击性预测准确率为100%。     

广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.