Modeling and Simulation of Time Series Prediction Based on Dynic Neural Network

Molding and simulation of time series prediction based on dynic neural network(NN) are studied. Prediction model for non-linear and time-varying system is proposed based on dynic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward. The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multi-step. A practical exple is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

基于EMD的短期风速预测混合模型

为了让风电电力系统在并网时能够平稳运行,降低因系统波动带来的经济损失,同时提高风电电力系统的竞争能力,找到一种稳定准确的风速预测方法有着重要且现实的意义。在机器学习的方法中,基于反向传播算法调整权值的BP神经网络是最常用也是最有效的方法之一。尽管BP神经网络拟合非线性序列的能力很强,但是在调整权值的过程中收敛速度慢,同时十分容易陷入局部最优值,为有效解决这两个可能出现的问题,将遗传算法(GA)用于优化神经网络。在此基础上,考虑到风速序列的间歇性、非平稳性以及差异性等特点,提出了一种基于经验模态分解(EMD)、遗传算法(GA)和BP神经网络的短期风速预测模型EMD?GA?BPNN,通过和其他几种模型的横向对比,验证了此模型在短期风速预测效果上的可靠性与优势。     

应用神经网络对精煤灰分含量进行实时预报

针对具有不确定性、时变性和复杂非线性关系的跳汰选煤过程，提出了精煤产品灰分含量的新型实时多步预测方法．本基于Jordan神经网络构造了具有多作用因素输入和灰分含量动态时间序列反馈的实时动态建模预测模型，提出了BP算法和TD法相结合的网络学习新算法．该方法比传统预测方法具有更好的收敛性和适应性．应用结果表明，预测命中率和预测精度较高。     

基于PSO算法的神经网络集成构造方法

为合理选择组成神经网络集成的个体,使各个体间保持较大的差异度,从而提高集成所建模型的仿真精度,提出一种新的神经网络集成构造方法.独立训练出一批神经网络,采用离散粒子群优化(PSO)算法,用多维空间中0或1取值的粒子描述所有可能的神经网络集成.网络集成预测误差的估计值用组成集成的个体网络之间的相关度表示,并作为优化过程中的适应度函数.优选得到参与构成神经网络集成的部分差异度较大网络个体.对8个典型数据集回归问题的实验结果表明,该方法构造的神经网络集成普遍使用了较少的网络个体,而预测精度均好于Bagging方法等传统方法.     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.     

遗传神经网络在模拟电路故障诊断中的应用

对模拟电路的故障诊断,本文采用一种将遗传算法和BP神经网络结合的智能诊断方法-GA-BP算法,实现了模拟电路的故障诊断.该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法进行训练.通过仿真结果比较分析,经过遗传算法优化过的神经网络的训练步教大大减少.克服了传统BP算法的收敛速度慢,容易陷入局部极小值的缺点.     

基于BP网络算法的大地测量误差检测技术

针对大地测量检测时间长、检测过程成本较高,且检测结果准确度较低的问题,提出一种基于BP神经网络算法的大地测量误差检测方法.对大地测量的基本原理进行分析,通过对测量所得数据的综合计算得到待测量目标相对位移及旋转角度相关测量结果,构建基于BP网络的测量误差预测模型;将测量结果输入模型,得到的输出值即为预测误差,利用动态贝叶斯检验算法判断测量结果是否准确.结果表明,所提测量误差检测方法的检测结果准确率在90%以上,且检测过程所需时间与成本消耗低于实验对比方法,证实了所提方法的检测准确率及检测效率.     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

基于遗传模拟退火算法的滑坡位移预测方法

滑坡是一种常见的地质灾害,通常在复杂的地质条件下演化和发生,给社会和人类的生命财产安全造成了极大的危害.了解滑坡的发展规律,对灾害防治具有重要意义.在现有滑坡累积位移时间序列的基础上,提出了一种基于遗传模拟退火算法的滑坡位移预测方法.采用遗传模拟退火算法-BP神经网络对白水河滑坡预警区Z118观测点进行分析,利用前3个...     

BP神经网络的量子学习及应用

在神经网络的训练过程当中,引入量子遗传算法,结合BP梯度下降反传训练方法构造神经网络的量子优化算法。利用量子运算的高效并行性,对神经网络实行量子编码,用量子门旋转来代替网络进化时交叉、变异等更新操作,使得网络训练收敛精度高、收敛速度快、同时避免陷入局部最优的缺点。最后提出了一种基于量子神经网络的预测方法,仿真结果表明,基于量子遗传算法的神经网络,训练次数,误差精度以及预测能力都明显优于BP神经网络。     

基于多层BiLSTM和改进粒子群算法的应用负载预测方法

为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆（BiLSTM）神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤. 将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果. 通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

改进BP神经网络在水轮机特性数据处理中的应用

针对原有的水轮机特性数据处理方法的不足,提出了一种改进的BP算法对水轮机特性数据进行处理.采用改进BP神经网络算法进行数据处理时,不需要依赖于具体的函数关系表达式,即可对已知离散数据进行拟合,并将提出的改进BP算法与元胞自动机理论所建立模型的计算结果进行了分析比较.计算结果表明:改进的BP神经网络算法不仅能够有效处理水轮机特性数据,而且具有很高的计算精度,可应用于水轮机的控制和优化运行当中,为进一步研究水轮机的运行性能奠定了理论基础.     

一种基于神经网络和参数优化的隐式广义预测控制

提出一种基于神经网络和参数优化的预测控制方法。首先利用带有动量项的改进BP神经网络辨识系统模型,在辨识过程中使用粒子群算法(PSO)对改进BP网络的初始权值/偏置、学习率、动量系数等辨识参数进行学习优化,解决这些参数的取值问题;然后将辨识得到的模型用于隐式广义预测自校正控制中,使用遗传算法(GA)对控制过程进行优化,寻找最优的控制参数(预测时域、控制时域、控制加权系数、柔化系数)。将该方法应用在热工系统中,仿真结果表明了方法的有效性。     

基于混沌算子网络模型的网络流量预测研究

采用混沌算子构造预测网络,对网络流量数据进行预测分析.结合相空间重构理论将已知数据构造成训练样本,利用遗传算法对混沌算子参数进行训练调节,从而改变网络的动力学特性,使之逐渐逼近被预测时间序列的动力学特性,并保持与之变化一致.该方法可对各种网络流量数据序列进行有效的预测分析.仿真实验结果表明:与传统的预测方法相比,该方法具有更好的预测趋势.     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

基于BP神经网络的集装箱箱号识别

提出一种用BP神经网络实现集装箱箱号识别的方法。提出的图像预处理方法对管柱,底面凹凸,脏污物、光线的强弱、倾斜、缺损或模糊有较强的适应性。在BP网络分类器实现时,考虑集装箱箱号的组成特点,采用并行处理方法。在BP算法中,引入动态因子,动态调整学习步长。实践证明利用这种方法来识别装箱箱号,速度快,识别率高,具有较高的实用价值。     

The tool for building an NN based on improved BP algorithm

0　ＩＮＴＲＯＤＵＣＴＩＯＮＢａｃｋ ｐｒｏｐａｇａｔｉｏｎＡｌｇｏｒｉｔｈｍ (ＢＰ)ｉｓａｖｅｒｙｕｓｅｆｕｌａｌｇｏｒｉｔｈｍｉｎｍａｎｙａｓｐｅｃｔｓ.Ｂｕｔｉｔｈａｓｔｈｅｆｏｌｌｏｗｉｎｇｐｒｏｂｌｅｍｓ:①Ｔｈｅｌｏｃａｌｌｅａｓｔｐｒｏｂｌｅｍｉｎｅｖｉｔａｂｌｅｄｕｅｔｏｉｔｓｎｏｎ ｌｉｎｅａｒｏｐｔｉｍｉｚｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃ②Ｔｈｅｓｌｏｗｃｏｎｖｅｒｇｅｎｔｓｐｅｅｄ③Ｌａｃｋｏｆａｃａｄｅｍｉｃｇｕｉｄａｎｃｅｆｏｒｔｈｅｈｉｄｄｅｎｎｏｄｅｓ’ｎｕｍｂｅｒｃｈ…     

基于计算智能的油水识别技术的研究

计算智能即用计算机模拟和再现人类的某些智能行为,主要包括神经网络、模糊技术和进化计算等技术.针对地震勘探中油水识别误差较大的问题,提出一种基于计算智能的神经网络识别技术,首先进行地震波属性提取,然后对所取属性进行预处理,再用神经网络进行学习训练,最后进行油水识别或预测.实际试验选取我国油田某区的典型地震勘探数据作为试验资料,提取出六种时间、振幅等有用属性,采用BP和LM两种算法的进行网络训练比较,得到LM优于BP算法.实际应用表明,基于计算智能的此种油水识别方法是切实可行的,可以达到识别系统理想的精度要求,而且起到节省成本、提高效率等功效,在油水识别方面效果显著.     

基于遗传神经网络的入侵检测模型

针对入侵检测系统中存在的对入侵事件高误报率和漏报率问题,提出了遗传神经网络,该方法基于遗传算法的全局搜索和BP网络局部精确搜索的特性,利用遗传算法优化网络初始权重,将遗传算法和BP算法有机结合．实验结果表明,该算法正确鉴定合法的用户矢量为93％,发生7％的误报率．与BP、GA算法相比,分别高出2．875％和5．562％．