基于混沌RBF网络的地下厂房围岩变形预报

引入混沌时间序列理论有效解决非线性混沌时间序列的预报问题.表征混沌特性的分维数D和最大Lya-punov指数1λ计算结果表明变形时间序列具有混沌特性;神经网络克服了模型必须是基本观测数据的线性和非线性组合的局限,具有很强的自适应性和记忆功能.结合混沌特性将一维时间序列重构为多维相空间,优化RBF神经网络结构,建立混沌时间序列神经网络预报模型.实例表明,预测值与实测值的相对误差小于6%;后期预报的变形随时间增长呈下降趋势,符合工程实际情况.     

短时交通流智能混合预测技术

为了克服现有单项预测技术对不同交通流状况的局限性,提出一种新的短时交通流智能混合预测模型.该智能混合预测模型包括3个子模型:历史平均模型、人工神经网络模型和模糊综合模型.历史平均模型以历史数据为基础,利用一次指数平滑法良好的静态稳定特性,对交通流量进行预测.人工神经网络模型采用常见的由S函数神经元组成的1.5层前馈神经网络,由于人工神经网络具有强大的动态非线性映射能力,该模型对动态交通流量的预测具有较高的精度和满意度.根据上述2个单项模型的特点,为了充分利用它们对不同交通状况的适应性,进一步提高整体预测效果,采用模糊逻辑来综合这2个单项模型的输出,并把模糊综合模型的输出作为整个智能混合模型的最终交通流量预测值.实际应用结果表明,该混合模型的预测精度高于单项预测模型各自单独使用时的精度,发挥了2种模型各自的优势,是短时交通流预测的一种有效方法.     

航空客运量的BP神经网络组合预测模型

根据组合预测的理论和神经网络的非线性和良好的函数逼近特性,提出了基于人工神经网络的灰色幂模型、多项式回归模型组合的航空客运量预测模型．此模型综合了各单一模型的有效信息,同时也融合了人工神经网络在不确定因素预测领域的优势,能够比较客观地反映我国航空客运系统的发展趋势．文末通过实例对模型精度进行了分析,结果表明,预测值与实际结果具有良好的一致性．     

具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样复杂的动态特性,其对非线性系统具有很好的建模能力.     

一种水文时间序列预报的新方法

介绍了混沌和人工神经网络的理论及其在水文中的应用 ,在此基础上分析了水文时间序列中嵌入维数和BP神经网络的输入节点数的内在联系 ,提出用嵌入维数作为BP神经网络输入节点数的新方法 .计算了宜昌日径流时间序列的李氏指数和嵌入维数 ,确定其具有混沌特性 ,并用新的方法做了预测 ,同混沌中局域预测法的预测结果做了比较 ,结果显示新的方法效果明显较好 .     

径流预测中的非线性分析方法

详细地阐述了径流预测中的非线性分析方法，包括人工神经网络，小波分析，混沌理论以及这些方法之间的相互耦合，即小波神经网络，混沌神经网络，混沌小波神经网络等。并将这些理论和方法在径流预测中的应用情况做了一个较为全面的回顾和评价。     

基于混沌支持向量机的径流时间序列预测研究——以渭河宝鸡林家村站径流序列为例

混沌理论和支持向量机具有强大的非线性处理能力.首先利用混沌系统相空间延迟坐标重构理论对林家村站月径流进行相空间重构,以便更为深刻地挖掘月径流序列中的信息,并运用最大Lyapunov指数法证实渭河林家村站月径流系列具有混沌特性.在此基础上利用基于统计学习理论的支持向量机建立混沌时间序列的预测模型.仿真结果表明,所提出的模型预测结果好于混沌神经网络模型的预测结果,该模型具有较高的泛化能力,可用于林家村站月径流预测.     

基于MEA-WNN的短波通信最佳频率预测

针对短波通信中通信频率选择不恰当导致信号衰落严重、传输不可靠等问题,提出一种基于思维进化的小波神经网络(mind evolutionary algorithm-wavelet neural network,MEA-WNN)和混沌理论相结合的短波通信频率预测方法.采用具有良好的非线性拟合特性的小波神经网络作为预测模型,利用混沌理论重构相空间,确定神经网络各层节点个数,并用思维进化算法优化网络的初始权值与网络中小波函数的伸缩因子和平移因子.实验表明,MEAWNN算法能提高短波通信f0 F2的预测精度.     

基于变尺度法的前向神经网络混沌学习算法

混沌神经网络是近来发展起来的一门新的学科,由于具有混沌特性的人工神经网络具有十分复杂的动力学特性,获得了广泛的研究,针对BP学习算法的不足,将混沌映射与变尺度法相结合,给出多层前馈神经网络的一种混沌学习算法.仿真结果表明,算法效果良好.     

EBP神经网络在空调负荷预测中的应用

空调系统负荷是一个典型的具有动态性、不确定性等随机特性的非线性模型.传统方式难于实现准确、快速地预测空调系统动态负荷.人工神经网络ANN具有高度的非线性运算能力和较强的容错能力,其中使用最为广泛的是误差反向传播EBP算法.研究结果表明,用EBP神经网络预测空调负荷和计算结果能较好地吻和.     

基于灰色理论和神经网络的短期电力负荷预测

利用灰色理论中累加生成方法能够削弱负荷中随机成分的特点,以及人工神经网络可以逼近任意函数的能力,对具有任意变化规律的数据序列进行拟合和预测．实验结果表明,基于灰色理论和神经网络的最优组合模型的平均相对误差为1．307％,比BP神经网络预测和灰色理论模型预测的精度更高,具有明显优势．     

非线性智能组合预测模型及其应用

在现有智能预测理论的基础上，将模糊集理论、神经网络理论和遗传算法相结合，建立了非线性智能组合预测模型，并应用于黄河凌汛预测中．结果表明：非线性智能组合预测模型的预测精度高于单一预测模型和线性组合预测模型．     

负阻态忆阻Hopfield神经网络动力学

人类大脑是一个高度复杂且规模庞大的非线性动力学系统,其动力学行为与人类智能活动密切相关。基于忆阻器的人工神经网络不仅可以很好地模拟人脑工作机制,而且其非线性特性可以为神经网络带来更为丰富的动力学行为。为了进一步发挥神经网络的优势,引入一种新的具有负阻态功能的忆阻器模型,该模型打破了原有忆阻器的阻态极性限制,为忆阻器扮演神经网络突触仿生器件提供了更加丰富的变化性能。在对忆阻器模型分析的基础上,提出了一种新的忆阻Hopfield神经网络(HNN),进一步加强了HNN的负反馈功能,使之表现出更加丰富和复杂的动力学行为。实验结果表明,新忆阻HNN拥有较为丰富的动力学行为,具有一定的混沌特性。在不同的忆阻器参数以及权值矩阵取值条件下,观察系统的相位轨迹图、Lyapunov指数的变化情况,并与同类型网络进行对比,进一步证明提出的神经网络的有效性,同时复杂的动力学特性也为在数据处理、图像加密等方面的应用提供了研究支撑。     

河川日径流预报的混沌神经网络模型

将混沌理论和神经网络相结合,建立了径流预报的混沌神经网络模型.利用混沌理论的相空间重构技术计算饱和嵌入维数,将其作为神经网络的输入层神经元个数;根据模型预测步长确定输出层神经元个数.对黄河干流三门峡站的日流量时间序列进行了模拟和预报,取到了较好的预报效果,为河川径流的预报工作提供了新方法.     

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-动态递归神经网络的地下厂房高边墙围岩变形预报

预测地下厂房高边墙围岩变形是大型水电站设计和施工中重要的研究课题.引入混沌理论,对神经网络进行优化,建立变形预报的动态-递归神经网络模型,通过计算最大Lyapunov指数获得预报最大时间天数,运用混沌特性力学参数优化神经网络结构,通过递归神经网络映射混沌相空间相点演化的非线性关系,提高了预测精度和稳定性.某大型水电站实例表明,预报值与实测位移之间误差都小于10%,预测精度高,实时可靠,对开挖结束后的位移进行了预报,结果合理.     

基于小波神经网络的CFG桩复合地基承载力预测

针对BP神经网络学习时间长、收敛速度慢等缺陷,借助小波分析理论,将母小波平移和伸缩构成的小波基作为神经网络的激励函数,通过指导网络的初始化和参数选取,使网络以较简单的拓扑结构实现函数逼近,利用网络训练建立起承载力与其影响因素之间的非线性关系。在相同结构和参数下,与BP神经网络进行分析对比。结果表明：利用小波变换对数据时频局域化分析的能力并结合人工神经网络的自学习功能,使得小波神经网络预测模型具有较强的逼近和容错能力,预测结果比传统的BP神经网络具有更快的收敛速度和更高的精度。     

基于带有偏差单元的IRN模型的大体积混凝土温度预测与控制

分析了大体积混凝土温度的各种影响因素 ,结合神经网络的特点 ,提出运用神经网络中带有偏差单元的 IRN(Internally Recurrent Net)模型进行大体积混凝土温度预测与控制的新思路。通过实验 ,该模型可达到较好的效果 ,具有一定的可操作性和实用性。为今后大体积混凝土温度预测与控制提供了可借鉴的方法。