共查询到10条相似文献,搜索用时 19 毫秒
1.
2.
3.
《煤气与热力》2018,(11)
利用Matlab软件建立Elman神经网络的热值预测模型。该模型在学习中确定了玉米秸秆的热值与其纤维素、半纤维素和木质素质量分数之间的非线性关系。模型利用玉米秸秆中纤维素、半纤维素和木质素的质量分数作为输入,预测出玉米秸秆的热值。以秸秆的热值为因变量,秸秆的纤维素、半纤维素和木质素的质量分数为自变量,用训练组的数据建立线性回归模型。对线性回归模型与Elman神经网络模型的预测结果进行对比。线性回归模型预测值与实际值之间存在较大相对误差,而Elman神经网络模型预测值与实际热值的相对误差较小,最大相对误差为3. 5%,并且平均相对误差小于2%,线性回归模型预测效果远不如Elman神经网络模型预测效果。 相似文献
4.
为了准确预测城市时用水量,将灰色理论与Elman神经网络模型结合,建立城市时用水量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点,对于城市时用水量的预测,两者结合能够发挥各自的优势。将模型应用于西北某市,结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。 相似文献
5.
6.
建筑能耗影响因素复杂,研究新的能耗预测方法可简化预测过程,提高预测精度。首先对一栋高校建筑的能耗样本进行主成分分析(PCA),去除信息冗余,消除输入变量之间的相关性。把经过PCA提取的主成分作为Elman神经网络的输入,隐含层和输入层均采用tansig函数,在训练过程中不断对权值和偏差进行修正,最终建立基于PCA-Elman的建筑能耗预测模型。采用测试样本对模型精度进行验证,实例表明,基于PCA-Elman的建筑能耗预测模型相对误差为5.49%,优于单一Elman神经网络预测结果。本方法简单易行,可用于建筑能耗预测和建筑能耗监测系统的报警阈值设置。 相似文献
7.
《Planning》2015,(17)
为提高电力负荷预测精度,本文采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法 ,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。 相似文献
8.
《Planning》2019,(10)
针对基坑变形预测问题,提出有限元与神经网络模型相融合的方法。建立某地铁车站深基坑三维有限元模型,提取地表沉降、围护结构深层水平位移模拟值进行分析。以实测数据与有限元模拟值之差作为数据样本,建立Elman神经网络滚动预测模型。对有限元模拟值进行修正得到融合模型预测值。对比融合模型预测值、有限元模拟值与实测值,融合模型预测结果可将有限元模拟值误差减小50%左右。 相似文献