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GA算法的神经网络模糊辨识器研究及其应用

将模糊逻辑系统、ＧＡ算法与ＢＰ算法相结合,形成一种有效网络学习方法。提出了基于神经网络的模糊逻辑系统辨识器的结构形式,利用自适应交叉率、变异率ＧＡ算法对其进行参数训练。通过计算机仿真和加氢裂化装置航煤干点模型预测,表明该方法的可行性和实用性,可望为石油化工模型预测、优化操作提供一种辅助性有效手段。     

动量-自适应学习BP算法在加工领域的探索

为解决实际加工中试验次数多生产成本高、选取加工参数困难等问题,采用动量-自适应学习BP算法构建BP神经网络预测模型。根据实际情况将典型BP算法改进,得到收敛速度快的动量-自适应学习BP算法模型;用电解加工试验数据对模型结构进行训练,最终建立动量-自适应学习BP神经网络加工预测模型。采用该模型对不同加工参数组合下加工的不锈钢微孔孔径大小进行预测。结果表明,该模型的预测误差低于5%,具有很强的预测能力。     

基于BP神经网络的高校3种专利授权量预测研究

以1985-2007年授权量的数据为基础,运用BP神经网络建立预测模型,并结合Matlab工具箱对算法进行了实现.通过设置Matlab神经网络训练函数的最大训练次数300、收敛精度1e-6及最小梯度1e-6,合理确定了最优专利授权量的BP神经网络模型.仿真验证表明:该模型预测1990-2007年专利授权量时,平均绝对百分误差MAPE值为6.87%,逼近效果非常好.最后,利用该模型对未来5年的高校专利授权量进行了预测.     

精车工件表面粗糙度预测系统的开发

开发精车丁件表面粗糙度预测系统．应用模糊自适应BP算法建立一件表面粗糙度与其影响因素之问的关系模型；依据给定的数据样本对模型进行训练，将训练好的网络用于实际的工件表面粗糙度预测；采用VB和MatLab语言相结合的方法开发系统．实现数据采集和神经网络预测功能．实验结果表明．利用该系统进行工件表面的粗糙度预测是切实可行的．     

基于EM-DRNN的风电功率预测模型

提出基于类电磁机制算法的对角递归神经网络的风电功率预测模型.对角递归神经网络属于动态递归神经网络,具有较好的动态性能;类电磁机制算法模拟电磁场中带电粒子间吸引与排斥机制,可进行全局优化,具有好的收敛性能.模型采用类电磁机制算法对对角递归神经网络进行优化,可避免使神经网络训练陷入局部最小点,提高模型的预测精度.仿真结果表明,模型可有效降低预测误差,获得满意的预测精度.     

热轧板带横向厚度分布的预测与控制

针对板带热轧过程中终轧板带横向厚度分布的检测、预测方法存在的缺陷,建立自适应粒子群优化算法(PSO)和误差反传递(BP)算法混合训练的神经网络预测模型.该网络模型在BP神经网络的基础上,通过自学习过程对网络结构进行动态优化;借助PSO算法优化网络的权值和阈值,提高网络收敛速度和预测精度.某厂二辊可逆热轧机现场轧制数据验证表明:稳态轧制状态下,该模型预测精度高,平均绝对误差仅为3.6μm,其中87.1%的误差在±4μm范围内;通过对轧后板带横向厚度的统计分析,去除板带头尾部分,板带厚度的绝对误差在30μm以内的频率为90%.该神经网络模型可以代替凸度仪对热轧板带横向厚度分布进行预测,并且能够对板形的调控机构根据预测结果进行精确的控制,适应高精度板形控制的要求.     

改进神经网络辅助的GPS/INS组合导航算法

针对全球定位系统(GPS)和惯性导航系统(INS)组合系统中GPS中断时,导航性能会急剧降低的情况,提出了一种改进径向基神经网络结合自适应滤波辅助的组合系统导航算法.该算法探讨了遗传算法参数寻优和最近邻聚类学习算法,解决了径向基神经网络训练中参数合理选取的问题,构建了INS加速度增量、姿态增量与GPS位移增量之间的非线性映射模型.当GPS出现故障时,利用该映射模型和改进的自适应滤波实时预测出GPS伪位置与其对应的协方差,进而计算出预测位置辅助的导航解,利用实测数据对算法进行验证.结果表明:GPS发生故障情况下,改进径向基神经网络算法能够辅助组合系统解算出稳定的次优导航解,其精度明显优于纯INS导航.     

基于支持向量机的不等时距灰色组合预测模型

建立了一种基于支持向量机的不等时距灰色组合预测模型.利用各种不等时距灰色模型的预测结果作为支持向量机的输入,实测值作为支持向量机的输出,并采用LS-SVM回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机即可进行组合预测.该模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一不等时距预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

基于ANFIS的三容系统解耦及液位控制

利用模糊减法聚类技术,建立初始的模糊推理系统(FIS)结构,然后利用自适应神经模糊推理系统(ANFIS)函数对模糊模型进行训练,得出模糊神经网络解耦控制块.实现了对三容系统的解耦及液位控制.利用Matlab仿真工具,对自适应模糊神经网络解耦控制系统进行了研究,结果表明,其与传统的输入变换和状态反馈解耦控制相比,动态响应快,鲁棒性好,具有优异的性能.