Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network

Rainfall forecasting plays many important role in water resources studies such as river training works and design of flood warning systems. Recent advancement in artificial intelligence and in particular techniques aimed at converting input to output for highly nonlinear, non-convex and dimensionalized processes such as rainfall field, provide an alternative approach for developing rainfall forecasting model. Artificial neural networks (ANNs), which perform a nonlinear mapping between inputs and outputs, are such a technique. Current literatures on artificial neural networks show that the selection of network architecture and its efficient training procedure are major obstacles for their daily usage. In this paper, feed-forward type networks will be developed to simulate the rainfall field and a so-called back propagation (BP) algorithm coupled with genetic algorithm (GA) will be used to train and optimize the networks. The technique will be implemented to forecast rainfall for a number of times using rainfall hyetograph of recording rain gauges in the Upper Parramatta catchment in the western suburbs of Sydney, Australia. Results of the study showed the structuring of ANN network with the input parameter selection, when coupled with GA, performed better compared to similar work of using ANN alone.     

高维进化策略调整神经网络结构和参数

提出一种基于佳点集原理的进化策略用于神经网络结构和参数的调整.为了克服正交设计法的一些不足来处理高维最优化问题,本文采用分步交叉框架,将佳点集技术引入实数域交叉算子增强高维空间的搜索能力.前馈神经网络的隐含节点与连接边数从小逐步递增直至学习效果足够好.通过调整能得到一个部分连接的前馈网络,减少了网络实现的耗费.最后,佳点集进化策略有效应用于生成预测太阳黑子的演化神经网络.实验结果证明了新方法的有效性.     

基于排队机制下多代理的资源分配冲突处理

针对多项目共享的短期资源分配冲突问题,不同于绝大多数基于市场的机制利用均衡概念和资源冲突的重复调整,提出一个新的市场机制,称为优先权费用排队,它将受限制的单个本地资源以最理想的方式进行分配,有效解决了企业资源分配冲突问题。由于这种组织的动态和分布式特性,使用此方法可以获得更高的灵活性、可评估性和适应性。     

优化Elman神经网络用于网络流量预测

对量子粒子群优化(QPSO)算法进行研究,提出了自适应量子粒子群优化(Adaptive QPSO)算法,用于优化Elman神经网络的参数,改进了Elman神经网络的泛化能力.利用网络流量时间序列数据进行预测,实验结果表明,采用AQPSO算法优化获得的Elman神经网络模型不但具有较强的泛化能力,而且具有良好的稳定性,在网络流量时间序列数据的预测中具有一定的实用价值.     

基于改进加权一阶局域预测模型的负荷预测方法研究

针对混沌时间序列预测中用加权一阶局域法单步预测模型进行多步预测时计算量大,且存在误差累积效应的不足,本文提出了基于相空间重构技术的加权一阶局域法多步预测模型,通过实际算例分析显示,本文方法较改进前有较好的适应能力和预测精度。     

短期负荷预测Volterra滤波器模型

讨论依据相空间邻近轨道演化相似性的特点构造训练模式,建立短期负荷预测Ｖｏｌｔｅｒｒａ滤波器模型的问题．以距离相似度和趋势相似度来衡量电力负荷吸引子轨道的相似度,提出了电力负荷吸引子邻近轨道判别的新方法．从模型训练充分性的角度出发,探讨了模型训练集规模的选择依据．仿真结果表明该模型是有效的．     

基于结构化神经网络挖掘的农产品产量预测方法

农产品市场的准确预测对指导农业生产、农产品流通和农产品消费有重要作用。本文提出了一种改进的结构化神经网络(ISNN),并基于ISNN构建了农产品产量预测模型;设计了一种优化性能更好的混合遗传算法(MGA),并采用MGA对ISNN预测模型进行训练。应用训练好的预测模型对某县最近10年的玉米总产品进行了预测分析。实验结果表明,该方法收敛速度快、学习能力强、预测精度较高、误差率较小。     

基于灰色RBF神经网络模型的电梯层间交通分布预测

为了有效预测电梯的层间交通分布状态,提出一种层间交通O-D矩阵的预测方法．该方法融合灰色预测和神经网络方法各自的优点,将灰色预测方法与RBF神经网络有机结合,构造灰色神经网络预测模型．利用灰色预测中的累加生成运算（accumulatedgeneratingoperation,AGO）对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本．还提出了对不良交通需求数据的修正方法,以进一步降低观测数据的随机性．所提方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,适用于短期层间交通分布预测．仿真试验验证了该方法的有效性．     

基于灰色预测模型的个人建房分析

灰色模型具有所需数据少、预测精度高和无需先验信息的特点.本文通过建立GM(1,1)模型对某区的农村个人建房进行预测,为相关职能部门提供科学的决策依据.结果表明灰色预测模型精度较高、预测误差较小、简捷实用.     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。