基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

基于混沌神经网络的旋转机械状态趋势预测

旋转机械的特征信号常具有非线性和非平稳性,传统的平稳信号分析方法对这类信号不适用,将混沌理论引入旋转机械的故障预测领域,详述了混沌预测方法和混沌神经网络的预测原理,并以工业现场大型烟气轮机为研究对象,完成了基于混沌神经网络的预测,与灰色预测方法进行了比较,实验结果表明基于混沌神经网络的预测精度更高,更有效.     

相空间重构神经网络模型在我国人口增长预测中的应用

人口系统是一个非常复杂的非线性系统,人口增长是十分重要的人口变化因子,对人口增长的准确预测能为社会经济可持续发展计划的制定提供重要依据.借鉴相空间重构和神经网络,建立了预测我国人口增长的相空间重构神经网络模型.模型运用相空间重构,可挖掘人口增长时间序列更为丰富的信息,利用神经网络建模可较好地解决非线性问题,使预测更符合实际.以我国1950—2002年人口增长数据为例,验证了该模型具有较高的拟和和预报精度,为我国人口增长预测问题提供一种新的解决办法.     

基于Lyapunov指数的混沌预测方法及在水质预测中的应用

根据混沌原理对原水水质时间序列进行了相空间重构,利用自相关系数法、经典G-P算法和改进的最大Lyapunov指数法对新的相空间中原水水质时间序列的延迟时间τ、嵌入维数m、关联维数D和最大Lyapunov指数(λ1)进行了计算.在τ=5,m=9,D=4.489 1,λ1=0.024 2的条件下,利用基于Lyapunov指数的混沌预测方法对天津水源厂1995-2003年原水耗氧量时间序列进行了预测,预测误差低于15%.分析结果表明原水水质时间序列具有混沌特性,利用混沌原理对原水水质时间序列的短期变化进行预测是可行的,混沌理论在水质预测方面具有良好的应用前景.     

小波神经网络在高陡边坡位移预测中的应用

阐述小波神经网络模型法的基本原理与程序实施步骤,探讨了高陡边坡监测数据与小波神经网络间的联系,建立了基于小波神经元网络的高陡边坡预报模型.以工程实例为背景,对高陡边坡位移进行预测预报,并与其它方法对比分析.研究表明:小波神经网络具有较好的函数逼近能力和容错能力,经过选取恰当的网络参数,较少的级数项组成的小波神经网络就能达到良好的预测效果.     

交通冲突量的混沌预测

首先从混沌相空间重构着手简单介绍了混沌理论的基础,然后研究了混沌预测方法及其应用在交通冲突量预测中的原理和过程,最后利用混沌预测方法对具体的交叉口交通冲突量的预测实例进行了研究,并通过灰色误差检验方法对预测方法和结果进行了评价,表明交通冲突量混沌预测方法是交通冲突量预测的有效方法。     

混沌理论在电力系统负荷预测中应用综述

电力系统负荷的准确预测,对电力系统安全、高效运行有重要作用。负荷存在混沌特性,而基于混沌理论的预测较好地刻画了负荷物理属性,预测精度高。并主要介绍了混沌理论在负荷预测中的应用。首先,概述了基于混沌理论预测的机理,介绍了几种混沌特性判别的方法。然后,介绍了几种预测模型。最后,对现有预测模型总结和展望。     

电离层电波信号衰减的混沌时间序列预测

电波信号穿过电离层传播时,由于电离层的作用将使得电波信号产生一系列的失真.分析了传统混沌时间序列预测的理论和方法,并分析了电波信号穿过电离层的时间序列特征,发现该时间序列具有混沌时间特征,进而在传统的混沌时间序列预测的基础上,给出了一种更适合于电离层电波衰减时间序列预测的方法.同时,利用它预测了一组电波信号穿过电离层的时间序列特征,并分析了其预测精度.结果表明,利用修正的混沌时间序列预测方法预测的电波信号穿过电离层衰减的时间序列,其短期的预测效果很好.     

基于负荷混沌特性的改进Lyapunov指数预测法

针对目前常用负荷预测方法多依赖主观经验,为了提高预测精度,从相空间重构理论出发。结合负荷序列的混沌特性,提出了一种计算最大Lyapunov指数的改进算法。改进算法中引入一种取舍规则,提高了最大Lyapunov指数提取精度。利用改进算法建立实际电力月负荷预测模型,实际应用结果表明该模型具有一定实用价值。     

基于混沌相空间技术的地下水埋深预测的BP网络模型

随着社会经济的不断发展,地下水开发和利用程度日益增加,造成了地面沉降、地裂缝、海水入侵等一系列环境地质问题。为了探求人民胜利渠灌区地下水位变化的特征,并对地下水位进行合理的预测,在相空间重构理论的基础上,首先使用自相关函数法对灌区地下水埋深时间序列的延迟时间进行求解,然后运用G-P算法求出时间序列的最佳嵌入维数,最后采用小数据量的方法从时间序列中提取出Lyapunuov指数,对灌区地下水埋深时间序列的混沌特性进行研究。并建立基于混沌相空间技术的BP神经网络模型,对灌区2013年地下水埋深进行预测。通过与实际观测值的对比分析知,预测结果合理,预测精度较高。     

基于遗传神经网络的大坝变形预测模型研究

神经网络具有自学习、修正误差的能力，遗传算法具有较强的全局随机搜索能力，两者结合可以优势互补．在编码、选择、交叉、变异等方面对基本遗传算法进行改进，提高其效率和性能，并利用改进的遗传算法对神经网络权阚值进行学习，同时确定最佳的网络结构，利用原型观测资料建立了大坝变形预测的遗传神经网络模型。模型具有良好的预测性能及泛化功能，为大坝安全监控提供了有力的技术支持。     

基于遗传神经网络的大坝变形预测模型研究

神经网络具有自学习、修正误差的能力,遗传算法具有较强的全局随机搜索能力,两者结合可以优势互补. 在编码、选择、交叉、变异等方面对基本遗传算法进行改进,提高其效率和性能,并利用改进的遗传算法对神经网络权阈值进行学习,同时确定最佳的网络结构. 利用原型观测资料建立了大坝变形预测的遗传神经网络模型,模型具有良好的预测性能及泛化功能,为大坝安全监控提供了有力的技术支持.     

基于级联神经网络的年降雨量预测

降雨量是农业生产的一个重要影响因素,如何准确预测降雨量成为指导农业、水利等一项重要的科技指标。从信息利用角度来看,单一预测模型仅能利用降雨量数据部分有效信息,而组合模型将单一模型的优势互补,可获得更佳的预测效果。基于神经网络理论的快速发展及级联神经网络预测模型被广泛应用于各个方面并取得了很好的结果,针对降雨量曲线的特点,深入分析BP神经网络及RBF神经网络发现,BP神经网络可很好的拟合对降雨量有很大影响的气候信息和其它因素,输出同一类型的降雨量影响信息; RBF 网络的特点就是可很好地提取同一类信息特征,二者的组合可很大程度的提高降雨量预测精度。鉴于此,将BP-RBF级联神经网络引入降雨量预测研究中,实例计算表明,该方法高于单一神经网络预测精度,证明该方法应用于降雨量预测是合理有效的。     

Optimizing neural network forecast by immune algorithm

1 INTRODUCTIONThe forecast of complicated nonlinear relation-ships among multi-factor ti me series can be ex-pressed as a multivariate ti me series analysis ,which si multaneously observes the dynamic processof a group of (multi-di mension) correlative randomvariables as a whole , while traditional linear fore-casting methods such as multiple regression mod-el[1], GM(1 ,N) model[2]seemto have many bar-riers on solvingthis complex nonlinearissue amongthese multi-factor ti me series .Artifi…     

应用神经网络进行经济预测方法的改进

为提高神经网络经济预测的泛化能力,对神经网络预测的数据处理方法进行了改进,把对数据的归一化变为对数据增长率的归一化,因而只要预测的经济数据增长率不超过以往的经济数据增长率,则不再会发生外延问题.根据这一思路,采用北京市科技统计年鉴的数据,对经济发展进行了预测.预测结果与实际结果的比较说明改进有效.     

基于小波神经网络的房地产价格指数预测研究

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型。应用BP神经网络来对房地产价格指数进行预测,精度和收敛的速度都不是很理想,这主要是因为BP神经网络本身存在着缺陷。为了克服BP神经网络的缺陷,本文将小波变换和BP神经网络结合起来,运用小波神经网络来对房地产价格指数进行预测,并与BP网络的预测结果进行了比较,最后发现用小波神经网络进行经济预测可以达到很好的效果。     

居民出行产生量BP神经网络预测方法

居民出行产生量预测是交通需求分析的重要内容之一,预测结果是确定各类城市交通设施发展规模及布局规划的重要依据.通过分析人工神经网络的作用机理和居民出行产生量的影响因素,建立了居民出行产生量预测的四层BP神经网络模型,以土地利用作为输入神经元,以交通区居民出行产生量作为输出单元,以赣州市城市综合交通规划交通调查数据对模型进行了标定与检验,并与出行次数法和回归分析法进行了比较,结果表明BP神经网络模型具有较高的预测精度.     

基于人工神经网络的信号预测在Matlab中的研究与实现

阐述了人工神经网络在Matlab软件中实现的基本方法和步骤,并给出了神经网络在信号预测过程中的应用实例.     

基于神经网络的被测量重构方法研究

提出了基于神经网络的被测量重构方法 ;针对神经网络中误差反向传播算法收敛速度慢的问题对目标函数等三方面进行了改进 ,将改进的多层前向网络、误差反向传播算法用于被测量重构。在实际的测量系统中 ,进行了仿真研究 ,结果表明 ,神经网络用于被测量重构 ,方法是可行的 ;解决了重构之前建立数学模型问题和多影响量情况下的被测量重构问题。     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.