一种新型时间序列多分辨预测模型研究

使用单一模型实现复杂时间序列预测一直是一个研究热点和难点问题.本文采用经验模式分解方法首先将复杂时间序列分解为一系列本征模式函数之和,然后对各个本征模式进行径向基神经网络预测建模,在此基础上,通过各个分量预测结果的等权求和得出综合预测结果.此外,各RBF网络核函数的最优参数对数值与各本征模式分量呈近似线性关系,利用该线性关系可以减少交叉验证求参数的次数,从而降低计算负担.仿真结果表明分解域多RBF网络预测模型对复杂时间序列预测性能好于单一的RBF网络预测模型.     

基于小波分解的某些非平稳时间序列预测方法

提出一种时间序列预测方法,称为小波预测方法.通过小波分解可以将某些非平稳时间序列分解成多层近似意义上的平稳时间序列,然后采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值.对年平均太阳黑子数的预测结果表明,该方法比传统的时间序列预测方法和神经网络预测方法的预测精度高,可以很好地应用于某些非平稳时间序列的预测中.     

基于SOFM神经网络的蛋白质结构类预测

蛋白质结构类预测是蛋白质空间结构和功能预测的基础。本文首先将氨基酸对相互作用形成的序列经过数字信号处理后得到能量谱密度的20个低频部分和6种疏水模式在序列中出现的频率整合,构成26维分类特征,然后采用自组织特征映射神经网络对蛋白质结构类进行预测。实验结果表明,与Component Coupled算法、ANN算法、粗集方法相比较,本文算法具有较高的预测精度。     

时间序列神经网络预测方法

本文从信息论的角度出发,讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题,并在此基础上提出3种时间序列神经网络预测方法,它们是:神经网络非线性时间序列模型、神经网络多维时间序列模型和神经网络组合预测模型,将上述模型应用于实例的结果表明,在非线性信息的处理能力和预测精度方面都有很大提高。进一步,对今后智能信息预测方法的发展方向进行了探讨,提出了智能信息预测系统的结构模型。     

一种预测节日短信峰值发送量的方法

介绍了时间序列预测常用的遗传算法和神经网络算法相关理论.在此基础上,提出了改进的基于遗传算法结合LM优化算法的神经网络训练方法.该方法分两阶段使用遗传算法改善网络训练质量,首先通过遗传算法进行粗调得到一个全局的近似解.以此为初值,再采用遗传算法和LM优化算法交替训练神经网络.最后,阐述了将该方法实际应用于春节当天六忙时短信息发送量峰值的预测.     

时间序列神经网络预测方法

本文从信息论的角度出发，讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题，并在此基础上提出３种时间序列神经网络预测方法，它们是：神经网络非线性时间序列模型，神经网络多维时间序列模型和神经网络组合预测模型。将上述模型应用于实例的结果表明，在非线性信息的处理能力和预测精度方面都有很大提高。进一步，对今后智能信息预测方法的发展方向进行了探讨，提出了智能信息预测系统的结构模型。     

采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景.     

基于EMD和神经网络的短期电力负荷预测

提出了采用经验模态分解（EMD）和神经网络结合的方法对短期电力负荷进行预测.通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数,采用神经网络对各个固有模态函数分别预测,然后求和重构各个固有模态函数的预测值,最后得出总的负荷预测值.通过仿真分析,该方法相对于采用单一的神经网络预测降低了预测误差,改善了短期负荷预测的有效性.     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

基于RR间期差的深神经网络房颤检测

提出了基于RR间期差的深神经网络房颤检测的方法。先由心电信号的RR间期序列求得RR间期差序列,然后将RR间期差转换为直方图序列。将直方图作为房颤信号的输入数据,采用深神经网络来进行房颤的检测。通过由MIT-BIH房颤数据库来评价本方法检测房颤的准确率,数据库包括一个训练集和一个测试集。实验结果表明本方法可正确检测95.1%的测试集,具有心电信号检测房颤的能力。     

ARMA建模在神经网络卡钻预测方法中的应用研究

为准确预测卡钻事故的发生,利用一种基于时间序列的神经网络卡钻预测方法,将时间序列ARMA建模与神经网络非线性建模相结合。选取与卡钻事故相关性较大的参数作为神经网络的输入项,运用现场数据对神经网络进行训练,再利用神经网路的强非线性和自适应学习能力来建立卡钻事故预测模型;通过时间序列对历史数据的挖掘功能,揭示实际钻井过程中对卡钻事故影响较大的各参数的隐含规律,建立时序ARMA模型,求出卡钻时刻钻井相关参数的预测值;将预测值放入神经网络模型进行测试训练,从而达到预测卡钻事故的效果。运用延安地区实际现场数据证实该方法具有精确的卡钻预测能力及较好的泛化能力。     

数据挖掘技术在建模、优化和故障诊断中的应用

数据挖掘技术是当今智能系统理论的重要研究内容,它综合运用人工智能、计算智能（人工神经网、遗传算法）、模式识别、数理统计等先进技术从大量数据中挖掘和发现有价值和隐含的知识。文中介绍数据挖掘技术的原理以及在建模、优化和故障诊断中的应用和,包括：基于遗传算法的模糊规则生成,基于粗糙集的规则挖掘和基于混合模型的邦联建模。     

粗糙集数据挖掘及其在汽轮机故障诊断中的应用

针对当前专家系统知识获取瓶颈的难题,提出了基于粗糙集数据挖掘的汽轮机故障预报及诊断方法。将汽轮机故障历史数据首先进行模糊化及离散化处理,然后构建故障诊断决策表,以决策表作为主要工具,即“知识库”,采用粗糙集数据挖掘方法直接从决策表中提取出潜在的诊断规则,为汽轮机提供有效的故障诊断。提出了基于粗集的分类规则学习和约简算法,实现了基于粗糙集数据挖掘的汽轮机故障预报及诊断系统,其诊断正确率达到了88%。实验表明该方法可行,对汽轮机故障预报及诊断系统的设计具有借鉴意义和深入研究的价值。     

一种创新性激光图像三维目标识别算法

针对径向基神经网络在激光图像分类识别中识别率低及训练时间长的问题,提出粗糙集与神经网络相结合的方法,将粗糙集算法简约后的样本特征作为神经网络的前置输入。首先建立不同视点的激光主动成像三维仿真图像,然后提取17个目标特征,并采用粗糙集算法选择分类的属性,从17个特征中筛选出5个影响决策的特征属性,最后选用4层径向基神经网络作为基本的网络结构,并采用在各层节点上与粗糙集相结合方法识别目标。仿真结果表明,结合粗糙集的集成神经网络方法识别正确率保持在80%以上,与未结合粗糙集的神经网络相当,但训练与识别时间缩短10倍以上。     

时序数据挖掘的预处理研究综述

由于时序数据的海量、高维等特点,对原始数据进行预处理是实现时序数据挖掘的重要步骤。有效的预处理不仅能去除噪声、冗余,减低数据规模、提升计算效率,还能通过提取数据特征,揭示数据关系,有助于实施时序数据挖掘。本文从数据缺失、数据噪声、离群点/异常值、特征提取和模式表示几个方面,对已有的原理和方法进行分析归纳,为后续时序数据挖掘研究提供参考。     

Medical diagnosis with C4.5 rule preceded by artificial neural network ensemble

Comprehensibility is very important when machine learning techniques are used in computer-aided medical diagnosis. Since an artificial neural network ensemble is composed of multiple artificial neural networks, its comprehensibility is worse than that of a single artificial neural network. In this paper, C4.5 Rule-PANE, which combines an artificial neural network ensemble with rule induction by regarding the former as a preprocess of the latter, is proposed. At first, an artificial neural network ensemble is trained. Then, a new training data set is generated by feeding the feature vectors of original training instances to the trained ensemble and replacing the expected class labels of original training instances with the class labels output from the ensemble. Additional training data may also be appended by randomly generating feature vectors and combining them with their corresponding class labels output from the ensemble. Finally, a specific rule induction approach, i.e., C4.5 Rule, is used to learn rules from the new training data set. Case studies on diabetes, hepatitis , and breast cancer show that C4.5 Rule-PANE could generate rules with strong generalization ability, which benefits from an artificial neural network ensemble, and strong comprehensibility, which benefits from rule induction.     

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.     

粗神经网络在雷达目标识别中的应用

将粗集理论与神经网络结合起来设计出粗神经网络,用于对雷达目标数据进行融合,特别是对雷达目标进行识别。研究表明这种网络可以接受定性输入,即输入是一个范围或在观测时间内输入是变化的,从而大大提高雷达目标的识别率。粗集理论和神经网络结合起来将在雷达数据融合方面有着很好的应用前景。     

基于大数据处理技术的电力通信网检修工作分析方法

分析了电力通信网设备检修、告警及台账数据的特点,并采用属性规约和聚类完成对数据的预处理工作。提出了设备检修工作分析所需的相关指标及影响因素,并结合MapReduce技术和Apriori算法提出了数据挖掘方法。运用该方法对实际的网络数据进行了挖掘,并根据挖掘结果,从检修工作分布情况、检修对业务的影响、检修耗时等角度分析通信网的检修工作情况。