基于CMAC神经网络的配网重构模型

为使配电网的有功功率损失最小化,提出了一种基于小脑模型关节控制器(cerebellar model articulation controller,CMAC)神经网络配电网重构模型.借助于CMAC神经网络输入和输出之间的非线性映射关系和泛化能力,来建立变化的负荷水平与最优化网络拓扑之间的对应关系,即网络重构.还将该模型与基于BP网络的配网重构模型进行比较.经算例表明,模型可以快速地给出重构的结果,适合大型配电网使用.     

基于动态基函数的强回归小波神经网络

针对小波神经网络(wavelet neural network,WNN)难以选取合适小波基函数和确定隐含层节点数等问题,提出使用集成学习改进小波神经网络的方法,提高小波神经网络容错能力和自学习能力.本方法首先通过降维、归一化预处理样本数据并确定测试数据分布权值;然后通过随机选取不同的小波基函数构造出异构小波神经网络序列并反复训练样本数据;最后使用AdaBoost算法集成学习生成强回归小波预测器.对UCI数据库中数据集进行仿真验证,实验结果表明:本方法比传统小波神经网络预测平均误差减少30%以上,有效地提高了小波神经网络的预测精度和泛化能力.     

基于可变基函数和GentleAdaBoost的小波神经网络研究

针对传统小波神经网络(wavelet neural network, WNN)受隐含层节点数影响大、网络误差易陷入局部极小、预测结果不稳定的问题,提出使用GentleAdaBoost和小波神经网络相结合的方法,提高网络预测精度和泛化能力。该方法首先对样本数据进行预处理并初始化测试数据分布权值;然后通过选取不同的隐含层节点数、小波基函数构造出不同类型的小波神经网络弱预测器序列并对样本数据进行反复训练;最后使用GentleAdaBoost算法将得到的多个小波神经网络弱预测器组成新的强预测器并进行回归预测。对UCI数据库中数据集进行仿真实验,结果表明,本方法比传统小波神经网络预测平均误差减少40％以上,有效地提高了神经网络预测精度,为小波神经网络应用提供借鉴。     

粒子群优化小波神经网络在火灾预测中的应用研究

针对城市建筑火灾预测的高度非线性和不确定性,采用粒子群算法(PSO)优化小波神经网络(WNN)后建立火灾事故时间序列预测模型.将改进后的模型进行实验仿真训练并应用于某城市建筑火灾发生次数预测中,仿真应用结果表明,网络输出值和期望值很好吻合,收敛速度和泛化能力有所提高.所以该模型能够对火灾发生情况进行分析预测,为消防安全管理部门消防警力、设施投入及城市综合防灾减灾提供科学依据和决策指导.     

基于熵判据自组织模糊神经网络的混沌时间序列预测

在自组织模糊神经网络(SOFNN)算法的基础上提出了一种基于熵判据的改进算法。依据动态自适应方式建立模糊神经网络,采用误差均方根判据和误差熵判据相结合的修剪策略,对网络进行剪裁,去掉对网络输出贡献小的节点。算法的主要优点在于:能够自动地决定神经模型的结构并得出模型的参数,而不需要对神经网络和模糊系统有深入的理论知识,算法具有非常高的预测精度,并且通过修剪策略提高网络的泛化能力。应用该算法对典型的混沌时间序列Mackey-Glass序列进行了研究,结果表明,应用新的修剪策略后,算法精度及泛化能力进一步提高,并且需要的先验知识少,更适合于实际应用。     

基于迟滞神经网络的商品零售价格指数预测

将传统神经元的激励函数改为迟滞激励函数,将迟滞特性引入神经网络中,构造迟滞神经网络.利用迟滞特性增强神经元对原状态保持的惯性,从而减少了神经元状态的错误变化,提高了神经网络的存储和记忆能力.利用迟滞分支响应的跳变特性以抑制网络训练过程中假饱和现象的发生.借助于前向网络的结构和学习算法,构造应用于时间序列预测分析的迟滞神经网络模型,并将其应用于社会商品零售价格指数的预测分析中.预测结果表明,该网络具有良好的泛化能力,预测效果优于传统神经网络.     

水泥分解炉运行参数预测模型

为了实现水泥分解炉非线性系统的建模与控制,利于数学分析等特点的T-S型模糊推理与可以实现任意非线性映射的神经网络相结合,在水泥分解炉生产工艺分析的基础上,建立了水泥分解炉运行参数的模糊神经网络预测模型.该预测模型结合某大型水泥厂现场采集的生产数据,进行了仿真验证.结果表明,模型计算简单,模型网络运算输出值(预测值)与样本期望值(现场采集数据)相差很小,说明该模糊神经网络具有较好的预测能力和泛化能力.     

改进的BP神经网络在专利申请量增长率预测中的应用

专利申请量的增长率受多个因素的影响,呈现高度的非线性.采用改进的BP神经网络对专利申请量年增长率进行预测.分别用一维和多维时间序列进行分析预测,结果表明一维时间序列分析泛化能力强,多维时间序列分析预测精度较高.     

基于深度置信网络的时间序列预测

针对传统计算机神经网络存在梯度弥散、局部最小值、非线性时间序列长期预测性能不佳和高维序列数据复杂度高等问题,提出时序深度置信网络模型(timing deep belief network model,T-DBN).该模型预训练阶段采用改进的贪婪预训练算法,在预训练过程中使用梯度修正并行回火(gradient fixing parallel tempering,GFPT)算法,采用重构误差确定网络深度,在反向调整阶段采用拟牛顿法(BFGS算法),以获得更加准确的预测精度.结合相空间重构理论和BP (back propagation)神经网络,对中国江西省2016—2020年农业机械总动力进行了预测.针对高非线性的股票数据,提取同花顺软件1990-12-20—2018-03-30时间段内的上证指数特征信息,分别采用T-DBN、DBN和长短期记忆(long short-term memory,LSTM)模型进行股票预测,预测准确率分别为79. 3%、77. 9%和74. 6%,T-DBN模型的预测准确率高于DBN和LSTM模型.     

一种基于MSDCNN-LSTM的设备RUL预测方法

针对设备剩余使用寿命(RUL)预测过程中数据维度高,时间序列相关性信息难以充分考虑的实际应用需求,提出一种多尺度深度卷积神经网络和长短时记忆网络融合(multi-scale deep convolu-tional neural network and long short-term memory,MSDCNN-LSTM...