基于滑动平均法的轨道交通短时客流实时预测

提出了一种基于滑动平均方法(MA)的城市轨道交通客流预测算法,首先确定用于滑动平均的滑动参数,然后对历史数据求滑动平均值得到各个时间段的预测客流数据,并采用实时客流数据对预测结果进行修正,得到预测客流时间序列。试验结果表明,采用滑动平均方法不仅预测精度要高于支持向量机(SVM)、反向传播神经网络(BPNN)、小波神经网络(WNN)和小波组合支持向量机(WS)这4种预测方法,而且滑动平均方法的计算速度要明显优于以上4种方法,可用于复杂非平稳客流时间序列的短时预测。     

基于神经网络的股票交易数据的预测研究

运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测．通过对前馈神经网络时间序列数据预测网络模型的建立方法及预测方法讨论，基于BP网络对股票数据进行实际预测．预测精度明显高于传统方法，说明此种方法是可行的．BP网络可用于股票数据预测，其预测精度较高，但实际预测时，如何选择和确定一个合适的神经网络结构需进行反复实验．     

基于减法聚类的自适应模糊神经网络的短期负荷预测

论述了基于减法聚类的自适应模糊神经网络（ANFIS：adaptive neuro—fuzzy inference system）的短期负荷预测方法．利用减法聚类的方法确定了自适应模糊神经网络的结构,再结合最小二乘估计法和反向传播算法对参数进行训练．向训练好的自适应模糊神经网络输人相关的影响因素数据进行预测．预测结果显示,自适应模糊神经网络能比人工神经网络获得更高的预测精度和耗费更少的训练时间,所以有更好的使用价值．     

基于矢量量化的长期直觉模糊时间序列预测

通过引入滑动窗口机制和矢量量化技术,较好地解决了直觉模糊规则零匹配的问题,准确反映了不确定时序系统数据的分布特性,提高了复杂环境下时间序列长期趋势预测的精度,扩展了直觉模糊时间序列预测理论的应用范围。最后通过典型实例验证了该方法的有效性和优越性。     

基于改进广义回归神经网络的网络安全态势预测

针对网络安全态势精确预测,提出一种基于改进广义回归神经网络的预测方法,以改善网络安全态势预测精度.利用滑动时间窗口方法将各个离散时间监测点的网络安全态势值构造成部分线性相关的多元回归数据序列,以其做为样本集输入到改进广义回归神经网络加以训练,进而得到网络安全态势预测模型.在改进广义回归神经网络训练过程中,利用粒子群算法...     

城市燃气管网日负荷预测的灰色神经网络模型

将灰色预测理论和人工神经网络理论结合起来,利用灰色静态预测模型来弱化数据的随机性并建立规律的累加数据,再利用神经网络模型来解决数据的非线性,建立了既反映其时间序列的周期性变化趋势,又包括天气、气温等影响因素的燃气日负荷预演灰色神经网络模型．对哈尔滨市燃气管网系统的日燃气用量进行了预测,表明模型不仅有较高的收敛速度和精度,同时也具有较强的适应性和灵活性。     

基于ELMAN神经网络的短期风速预测

为了提高风电场风速短期预测的精确性,本文提出了基于Elman神经网络的预测。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。然后利用Elman神经网络对相空间重构后的风速时间序列进行预测,预测结果表明基于Elman神经网络的预测效果满足了精度要求。本文同时运用BP神经网络进行预测。仿真结...     

基于小波的Web流量组合预测方法研究

为了提高Web流量的预测精度，提出一种基于小波、神经网络和自回归的组合预测方法．首先将Web流量构造为2个相关序列：历史序列和相似值序列；对具有平稳特征的相似值序列用AR模型进行预测；对体现了Web流量非线性、非平稳特性的历史序列则经过小波分解与单支重构后，针对各分支特点分别采用神经网络和自回归模型预测；最后组合2条序列的预测结果获得最终预测值．理论分析与实验表明：组合预测方法可以充分利用与流量相关的多种数据关系；小波分析可以将历史序列分解为多层频率成分更加单纯、更加易于预测的时间序列．因而所建方法比传统的预测方法具有更高的预测精度．     

基于暂态混沌神经网络的低阶混沌时间序列预测

暂态混沌神经网络是一种基于Hopfield网络提出的混沌神经网络,具有收敛速度快、不易陷入局部极小等优点．许多低阶的混沌系统都可以展成二阶volterra级数,因此提出一种基于暂态混沌神经网络和volterra级数的低阶混沌时间序列预测方法．该方法利用暂态混沌神经网络计算系统的volterra级数系数,确定系统的动力学模型,从而实现混沌时间序列预测．利用Logistic模型对该方法进行测试,结果表明,预测相对误差小于0．5％,预测可达到较高的速度和精度．     

基于ARMA-BP神经网络模型的风电功率预测研究

结合ARMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对风电功率预测问题进行研究。采用构造性神经网络模型得出的类别值对统计时间序列模型的预测值进行修正,提高了风电预测的精度和效率。     

城市需水预测方法研究

详细阐述了采用BP神经网络和模糊神经网络进行城市需水预测的方法，并将这两种方法应用到天津市需水预测的实证研究中．通过对这两种方法进行比较．发现在相关因素数据比较齐全时，模糊神经网络有比较好的模拟结果。     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

基于模糊C-均值聚类分析与BP网络的短期负荷预测

提出了一种基于模糊C-均值聚类分析与BP（Back-propagation）网络的短期负荷预测方法，通过模糊C-均值聚类分析将历史负荷数据分成若干类，建立相应的BP网络模型，用LM（Levenberg-Marquardt）优化法进行训练，找出与预测日相符的BP网络，预测一天中96点的负荷，实际负荷预测结果表明，该方法具有较好的训练速度和较高的预测精度。     

一种基于补偿模糊神经网络的水质预测方法

在污水处理系统过程控制中,对水质变化规律进行预测是控制系统可靠、稳定运行的重要环节.介绍了基于模糊逻揖和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点,建立污水处理厂CFNN的水质预测模型.实例预测结果表明该模型对初始值的选择不敏感,具有很好的收敛性和预测精度,适合实际工程应用.     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

Short-term load forecasting based on fuzzy neural network

The fuzzy neural network is applied to the short-term load forecasting. The fuzzy rules and fuzzy membership functions of the network are obtained through fuzzy neural network learming. Three inference algorithms, i.e. themultiplicative inference, the maximum inference and the minimum inference, are used for comparison. The learningalgorithms corresponding to the inference methods are derived from back-propagation algorithm. To validate the fuzzyneural network model, the network is used to Predict short-term load by compaing the network output against the realload data from a local power system supplying electricity to a large steel manufacturer. The experimental results aresatisfactory.     

基于PSO改进的T-S模糊神经网络短期电力负荷预测研究

精确的电力负荷预测有利于保障电网运行的安全性、稳定性、高效性及经济性.为提高预测精度,采用了一种PSO改进T-S(Takagi-Sugeno)模糊神经网络方法.分析了数据预处理对改善输入量的重要性,讨论了可以让学习率和平滑因子动态调节的改进T-S模糊神经网络算法,从而使PSO找到最优参数,然后结合历史负荷数据、相关影响因素进行预测,以表明改进的T-S模糊神经网络在短期电力负荷中具有更高的控制精度.     

Fuzzy optimization neural network model based on LM algorithm

A new fuzzy optimization neural network model is proposed based on the Levenberg-Marquardt (LM) algorithm on account of the disadvantages of slow convergence of traditional fuzzy optimization neural network model. In this new model,the gradient descent algorithm is replaced by the LM algorithm to obtain the minimum of output errors during network training,which changes the weights adjusting equations of the network and increases the training speed. Moreover,to avoid the results yielding to local minimum,the transfer function is also revised to sigmoid function. A case study is utilized to validate this new model,and the results reveal that the new model fast training speed and better forecasting capability.     

模糊神经网络技术在铝电解故障诊断中的应用

目的为了提高生产效率、降低成本、安全生产，通过对铝电解故障进行有效的检测和预报，减少铝电解过程中阳极效应、热槽、冷槽故障的发生．方法通过对铝电解故障发生机理和故障发生时相关特征量变化趋势的分析，基于模糊逻辑理论。建立了多级模糊故障检测模型，采用BP神经网络建立了故障分类模型，实现对铝电解故障的检测和预报．结果降低了模糊系统的维度，减少了规则数量，采用多级模糊与神经网络相结合的故障诊断预报的方法，提前了预报时间，提高了预报准确率．结论铝电解模糊神经网络故障诊断方法，有效地降低铝电解的故障发生率，降低了能耗，提高了铝的产量和质量，具有良好的应用前景．