基于混沌时间序列的BP神经网络电力负荷预测

在混沌时间序列的基础上,应用BP神经网络对电力负荷进行了预测,并对模型特性进行了分析。理论分析和实例计算均表明该预测模型的精确度较高,适合在电力负荷预报中推广应用。     

Forecasting chaotic cardiovascular time series with an adaptive slope multilayer perceptron neural network

A multilayer perceptron (MLP) network architecture has been formulated in which two adaptive parameters, the scaling and translation of the postsynaptic function at each node, are allowed to adjust iteratively by gradient-descent. The algorithm has been employed to predict experimental cardiovascular time series, following systematic reconstruction of the strange attractor of the training signal. Comparison with a standard MLP employing identical numbers of nodes and weight learning rates demonstrates that the adaptive approach provides an efficient modification of the MLP that permits faster learning. Thus, for an equivalent number of training epochs there was improved accuracy and generalization for both one- and k-step ahead prediction. The applicability of the methodology is demonstrated for a set of monotonic postsynaptic functions (sigmoidal, upper bounded, and nonbounded). The approach is computationally inexpensive as the increase in the parameter space of the network compared to a standard MLP is small.     

基于径向基函数神经网络的混沌系统控制

考虑到不同神经网络模型误差对混沌控制效果的影响，提出了采用一种改进的递阶遗传算法对径向基函数（RBF）神经网络进行训练，针对连续的Lorenz系统进行了仿真，并且与其它神经网络训练算法结果进行了比较，仿真结果证明所采用的训练算法具有更加理想的混沌控制效果。     

基于混沌时间序列的短期电力负荷预测

针对电力系统负荷的复杂性及非线性,提出了结合混沌的思想,充分利用数据信息,在重构相空间的基础上对负荷进行预测.结合混沌理论,采用加权一阶局域法建立了电力负荷预测模型,并进行了实际预测,取得了满意的结果.     

Recurrent neural network speech predictor based on dynamicalsystems approach

A nonlinear predictive model of speech, based on the method of time delay reconstruction, is presented and approximated using a fully connected recurrent neural network (RNN) followed by a linear combiner. This novel combination of the well established approaches for speech analysis and synthesis is compared with traditional techniques within a unified framework to illustrate the advantages of using an RNN. Extensive simulations are carried out to justify the expectations. Specifically, the network's robustness to the selection of reconstruction parameters, the embedding time delay and dimension, is intuitively discussed and experimentally verified. In all cases, the proposed network was found to be a good solution for both prediction and synthesis     

基于RBF神经网络的混沌保密通信的研究

提出一种径向基函数神绎网络(RBFNN)参数调制混沌保密通信方法。在通信系统的发射端设计一个RBF神经网络跟踪器RBFNN1，将信息信号隐藏在混沌系统状态量参数中，再进行混沌掩盖。在接收端，相应的设计一个RBF神经网络跟踪器RBFNN2，则RBFNN2的输出就是解调出的原信息信号。该方法结构简单、易于实现、同步快。通过Chua混沌系统仿真，实验结果表明是可行的。     

基于循环神经网络的语音识别研究

语音识别作为人工智能研究中不可或缺的一部分已经逐渐渗透到人们的日常生活中。针对传统语音识别方法不能很好地实现并识别复杂多变、非特定人语音的问题,文中提出利用在时间序列上关联性较强的循环神经网络(RNN)建立语音识别模型。考虑到语音信号丰富的时频信息表达,在特征提取环节进行改进,利用具有较好时频分辨率的小波变换(WT)取代快速傅里叶变换(FFT)作为该模型的输入;然后,采用随时间展开的反向传播算法(BPTT)进行特征学习与训练。在实验测试中,首先,对比分析了基于小波变换的特征提取对识别效果的影响;其次,通过与传统的HMM模型及BP神经网络的识别率做对比,验证RNN神经网络可提高语音识别准确率和稳定性。     

用于低维混沌时间序列预测的一种非线性自适应预测滤波器

在二阶Volterra滤波器基础上,提出了一种用于低维混沌时间自适应预测的非线性自适应预测器。基于最小均方误差准则导出了一种NLMS类型的自适应算法来实时调整这种非线性滤波预测器的系数,仿真实验结果表明：这种线性化的非线性自适应滤波预测器能够有效地预测低维混时间序列,且它的模块化特征更易于VLSI电路实现,具有广泛的工程应用价值。     

混沌神经网络在发电机故障诊断中的应用

采用耦合的混沌振荡子作为单个混沌神经元构造混沌神经网络模型,采用改进Hebb算法设计网络的连接权值。在此基础上,实现了混沌神经网络的动态联想记忆,并应用该混沌神经网络模型对发电机定子绕组匝间短路故障进行诊断。结果表明,该种方法有助于故障模式的记忆和重现。     

基于BP神经网络的杂散电流腐蚀速度预测

为了建立更实际的杂散电流预测模型,提出了一种基于BP神经网络的杂散电流腐蚀速度预测,通过构建BP神经网络模型,建立训练样本集,进行网络训练和网络仿真,得到了BP网络模型预测结果。预测结果表明该BP网络模型在埋地金属管道的杂散电流预测中具有一定的应用和推广价值。     

基于混沌Hopfield神经网络视觉意义的图像加密算法

为解决传统加密方案得到的类噪声图像在传输过程中常常会因其视觉效果而受到攻击的问题,提出一种基于混沌Hopfield神经网络的具有视觉意义的双图像加密算法.对混沌Hopfield神经网络迭代生成随机数矩阵,与两幅压缩后的明文图像组合后进行离散余弦变换.通过生命游戏算法生成置乱矩阵来进行置乱.将置乱后的图像分为三部分,通过...     

混沌时间序列的判定方法研究

在提取时间序列的混沌特征之前,首先要考虑该时间序列是否存在混沌.如果没有经过检验就事先假定实验数据是混沌的,直接用相空间重构理论等方法提取时间序列的特征,进而进行建模和预测,得出的结果是不可信的.围绕混沌系统可以由混沌吸引子的存在诊断,讨论了混沌时间序列的判定方法.     

基于混沌时间序列的电力月负荷预测

采用一种基于混沌时间序列的负荷预测方法进行月用电量的预测。这种方法可以不考虑气候等因素，仅利用电力负荷的历史数据计算来进行预测，就可以得到较高的预测精度。     

基于双流独立循环神经网络的人体动作识别

针对RGB视频中遮挡物以及其他外界因素对人体动作识别产生影响,以及识别精确度有待提升的问题,提出基于双流独立循环神经网络人体动作识别算法。在提取特征方面,时间网络采用分层IndRNN对时序中3D骨架坐标信息进行特征提取;空间网络采用深层的IndRNN对每个时刻骨架的空间位置关系进行特征提取,其中骨架的空间结构采用了图遍历的方法。对于空间网络和时间网络的特征融合采用加权求和的方式,最后用softmax对动作进行分类。在3D骨架动作数据集(NTU RGB+D)以及交互数据集(SBU Interaction Dataset)上验证了模型的有效性。     

基于循环神经网络的人体异常行为识别模型

传统识别模型在进行人体异常行为识别时,无法准确地定位到识别目标的IP地址与目标源.针对此问题,设计了一种基于循环神经网络的人体异常行为识别模型.根据人体异常行为在循环神经网络中的传播方式,计算人体规律性异常行为、重复性异常行为在网络中占用的流量,并通过Lex.net技术提取网络规则,对比人体行为执行规则与循环神经网络规则,描述人体异常行为网络执行规则;同时,引进CNN标记方式,对异常信息进行标记,引入卷积神经网络标记异常信息,将标记结果按照高语义特征与低语义特征,以此实现对行为的有效识别.实验证明,本文设计的识别模型,可以在有限时间内输出所有人体异常行为,并能在完成对异常行为的识别后,追踪到行为对应的目标个体.     

基于粒子滤波的混沌时间序列局域多步预测

对混沌时间序列进行预测研究具有重要的价值和实用性,例如,进行股票预测,降雨量预测,温度预测。混沌时间序列预测的难点在于其不确定性和多步预测的困难性。一般利用最小二乘法求解模型参数,从而对混沌时间序列进行局域预测,但是预测精度不是很高。为了提高局域线性预测的精度,提出基于粒子滤波(PF)的混沌时间序列局域多步预测法,利用粒子滤波进行参数优化得到更准确的优化模型进行多步预测。仿真实验结果表明,该方法的单步和多步预测效果明显得到了提升。     

基于正则化RBF神经网络的混凝土强度预测

针对目前混凝土28天强度值的预测需时长、精度低的现状,建立了基于正则化RBF神经网络的混凝土强度预测模型,并运用MATLAB7．13进行仿真实验。实验结果表明该模型综合考虑了影响混凝土强度的各种因素,能够实现非线性关系,具有较高的预测精度,并且训练速度快,可以节约大量的时间、人力、物力和财力,在混凝土强度预测领域具有广泛的应用前景。     

基于自适应神经网络的光伏输出功率预测

文中提出了一种基于不同拓扑结构的自适应神经网络(ANN)预测光伏输出功率的方法,建立了一个与数据采集系统协同工作的天气监测系统,利用三种不同类型的自适应神经网络进行功率输出预测。为了研究气候变化对发电量的影响,使用天气数据(气温、太阳辐照度和风速)以及两个测试光伏电池板历史功率输出数据对ANN进行了训练。通过将模型预测值与功率输出测量数据进行比较,计算结果验证了所提方法对短期功率输出预测问题的适用性,并确定了最佳拓扑结构。     

基于人工免疫RBF神经网络的时间序列预测方法研究

研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度.将人工免疫RBF神经网络应用于时间序列预测中,实例仿真结果证明了算法的有效性和可行性,为时间序列预测提供了一种新途径.     

基于BP神经网络的管道失效状态预测

针对管道系统历史数据缺乏、失效机理非线性的特点,选用具有良好自学习性、鲁棒性等特点的BP神经网络对管道失效状态进行预测.在对管道外表面涂层检测数据预处理的基础上,采用BP神经网络进行建模分析,通过样本的反复训练,得到预测集的相对误差最大为8.3％,预测结果比较理想.结果表明：用BP神经网络能够较好地预测管道的失效状态值,为管道的预防性维修提供理论依据.