神经网络在城市用水量预测中的应用研究

考虑城市用水量受众多因素影响 ,具有系统稳定性和非线性的特点 ,探讨了基于神经网络的城市用水量预测的非线性时间序列递推预测方法 ,并利用该方法对郑州市城市用水量进行了时间序列模拟 ,实例证明了该方法的正确性和科学性 .将神经网络的BP算法应用于城市用水量系统的建模和预测 ,并给出了较为详细的计算结果 ,具有一定的理论价值     

城市日用水量预测的神经网络方法

介绍了城市日用水量预测的BP神经网络方法,分析了日用水量的变化规律和影响因素.以每日最高温度、最低温度、晴雨情况、星期及前一日用水量为输入节点,预测日用水量为输出节点,建立了日用水量预测神经网络模型,编制出预测模型的计算机程序.通过实测数据进行了模型检验,对预测结果进行了分析.     

基于改进BP神经网络算法的短期负荷预测

分析了BP神经网络的特点,从学习速率的角度讨论了BP算法的改进方法,并用加州负荷数据进行24h负荷预测及算例分析.仿真结果表明,改进BP神经网络算法预测的平均误差比常规算法降低了0.445％,并且克服了当接近最优解时易产生波动和振荡现象的问题,训练速度也有所提高.     

上海市办公楼需求量的神经网络组合预测

本文以上海市办公楼需求量为研究对象,将其看作城市常住人口、办公楼建设投资额、CDP规模、办公楼租金指数、人均可支配收入、办公楼空置率等六个参变量的非线性函数,并采用Logistic预测法、人工神经网络预测等方法对六个参变量进行预测,在此基础上,分别利用BP、RBF和ELMAN神经网络模型对上海市办公楼的需求量进行组合预测.预测结果对政府部门和房地产企业制定相关政策和决策有一定指导意义.     

基于改进粒子群小波神经网络的智能变电站网络流量预测

智能变电站过程层网络流量一旦发生异常,将直接影响继电保护动作的可靠性、快速性和灵敏性,然而目前缺乏针对智能变电站网络流量异常预警的方法.基于此,提出一种基于改进粒子群小波神经网络的网络流量预测模型,为智能变电站网络性能分析预测、网络故障和病毒入侵预警提供决策依据.分析智能变电站网络流量的特点,对流量数据进行归一化处理,建立小波神经网络预测模型,利用粒子群优化算法对传统的小波神经网络模型的网络结构和参数进行优化.在实际智能变电站运行环境中的实验表明,所提模型预测精度高,收敛速度快,提高了智能变电站网络流量预测的准确性和快速性,保障电网安全运行.     

改进深度神经网络的用户用电量预测方法

针对深度神经网络对电能预测精度低的问题,提出正弦粒子群优化神经元数量的深度神经网络算法,通过对粒子群算法进行变异操作和惯性权重改进,来对深度神经网络隐藏层神经元参数进行寻优。实验结果表明,SPSONN-DNN算法相比于DNN、极度梯度提升、线性回归、两种改进PSONN-DNN算法的预测精度分别提高了1.926%、2.820%、1.500%、0.633%、0.582%;SPSONN-DNN算法相比于两种改进PSONN-DNN算法迭代次数分别减少6次、4次。     

基于模糊神经网络的非线性预测算法

传统的宏观经济预测主要采用传统计量经济学方法，由于宏观经济系统的具有非线性特征和不确定性关系，计量经济学方法有一定局限性，不能完全适应宏观经济系统的动态性和复杂性。本文提出了将神经网络和模糊技术相结合，将专家经验引入到宏观经济的预测过程中，根据宏观经济系统模式特点建立非线性预测系统，从而为经济领域的这一难题的解决提供了有效的新方法和途径。     

基于神经网络模型的建筑物变形预测

提出了根据实测数据构造神经网络变形预测模型的基本思路,构造出基于BP算法的神经网络变形预测模型,并给出应用实例分析。结果表明,神经网络应用于变形预测效果良好,具有一定参考价值和指导意义。     

基于GA-BP神经网络的输油管道内腐蚀速率预测

针对BP（Back Propagation）算法的神经网络易陷入局部极小的缺点,尝试引入遗传算法（Genetic Algorithm）处理了BP神经网络的权值与阈值,并分别建立了BP和GA-BP两种不同算法的神经网络模型对输油管道腐蚀速率进行预测。对结果进行对比分析发现,GA-BP算法的神经网络预测精度要高于BP网络;GA-BP算法具有高的预测精度,其预测值与实验值相关系数为0.9863,表明该算法模型是合理可靠的。     

基于Chebyshev神经网络的混凝土耐久性评价

针对目前Chebyshev神经网络存在的不足,提出一种改进的Chebyshev神经网络结构,并将其应用于钢筋混凝土结构耐久性评价中.应用表明,改进后的模型算法简单,线性逼近度高,并能较准确地预测出混凝土的结构耐久性.     

基于BP神经网络的河南开封市住房需求预测

影响住房需求的因素众多,错综复杂,并且具有非线性的特征。本文通过对住房需求影响因素的分析,用8P神经网络来购建住房的需求模型。根据河南开封市的有关统计数据,用BP神经网络优化算法进行住房需求预测,并与多元回归预测方法进行对比。结果表明,BP神经网络具有较好的适应性和较高的预测精度。     

遗传神经网络在铁矿石需求预测中的应用

将遗传算法与BP神经网络结合,利用遗传算法的全局搜索优化BP网络的初始权重,有效地克服了BP算法的局部收敛和收敛速度慢等问题.使用主成分分析法选取输入变量,并将建立的混合模型应用于铁矿石需求预测中.实验表明,该方法改善了预测精度,达到了较好的预测效果.     

基于牛顿插值和神经网络的时间序列预测研究

在时间序列法基础上应用插值理论和神经网络建立一种新的预测模型。首先采用插值法拟合历史 销售数据并求出大量的数据训练神经网络, 弥补了历史数据缺乏的问题;然后用训练好的神经网络代替传统的最小 二乘法拟合时间序列因素, 从而求出预测值。仿真结果表明, 此模型能够有效地改善模型的拟合能力并提高预测精 度。     

神经网络在预测中的应用

本文介绍了多层前向神经网络及其学习算法。并利用多层前向神经网络对复杂非线性系统进行预测研究。实验结果证明该方法是有效的。     

环氧乙烷反应器工况模拟

由于乙烯氧化生成环氧乙烷的反应过程非常复杂 ,建立机理模型对其生产工况进行模拟存在许多困难。以热油进口温度、原料乙烯流量、原料氧气流量为输入节点 ,以生成物中环氧乙烷体积分数、氧气转化率、乙烯转化率为输出层节点 ,建立 3层BP神经网络模型。该模型不仅具有较强的回忆能力 ,且对生成物中环氧乙烷体积分数和氧气转化率的预测效果比较好 ,平均相对误差分别为 1.2 971%和 2 .99% ,乙烯转化率的预测值相对误差为4 .5 2 4 5 %。神经网络输出层各节点平均相对误差均小于 5 % ,能够满足实际生产需要。该模型用于环氧乙烷反应器工况模拟与预测是可行的 ,对实际生产在线控制具有一定的指导意义     

改进磷虾群与NBN联合优化神经网络的HPA预失真方法

为克服现有神经网络预失真方法复杂度高、易陷入局域最小等缺陷,提出一种正交差分进化磷虾群(ODEKH)与Neuron-by-Neuron (NBN)算法联合优化实数固定延时全连接级联神经网络 (RVFTDFCCNN)的高功率放大器预失真方法。采用RVFTDFCCNN对预失真系统中的预失真器和逆估计器进行建模,通过ODEKH算法进行全局搜索获得RVFTDFCCNN的初始化参数,再用NBN算法对RVFTDFCCNN进行训练,同时根据复合函数求偏导数的链式规则,从两个层次对NBN算法中的Jacobian矩阵元素计算进行优化。采用宽带DTMB信号作为输入信号,对预失真系统进行仿真。结果表明,当训练误差和泛化误差均在同一数量级时,RVFTDFCCNN的NBN算法计算量比单隐层(SHL)神经网络明显降低;ODEKH算法比传统磷虾群算法具有更快的收敛速度,ODEKH-NBN联合算法的训练精度比Levenberg-Marquardt(LM)算法提高一个数量级,预失真后的邻道功率比（ACPR）比LM算法改善了2dB。说明本文的预失真方法具有较低的复杂度和良好的预失真性能。     

运用神经网络对上海市财险保费收入预测研究

通过建立历年保费标准的神经网络数学模型,选取对保费收入有影响的因素,从统计资料中整理和分析出的量化数据输入神经网络进行模拟学习,然后通过运算结果来对上海市保费收入做出预测分析.     

基于神经网络求解代数方程的方法研究

提出一种以单层神经网络为基础,利用改进的δ规则进行训练,从而求得实系数代数方程一个实根的新方法,给出了改进的δ学习规则的数学推导和求解代数方程的ＳＮＮ（Ｓｉｎｇｌｅ－ｌａｙｅｒＮｅｕｒａｌＮｅｔｗｏｒｋ）学习算法,并利用该方法求解了大量代数方程,实验结果表明该方法是有效可行的     

一种新的神经网络模型及学习算法

给出了一种新的用于推理的神经网络模型，讨论了权矩阵的确定方法和相应的自适应学习算法，并就合成关系的不同取法及意义进行了比较。