神经网络模型在怀洪新河洪水预报中的应用

建立了基于神经网络的洪水预报模型.该模型根据历史洪水样本,将河道预测点上游参考点的水位、流量以及预测点的水位作为神经网络的输入,预测点的流量作为神经网络的输出.采用BP算法训练网络,并将训练成功的洪水预报神经网络模型分别按8,16,24 h等预见期对新胡洼闸、西坝口闸水位进行预报,取得了较高的预报精度,验证了模型的有效性.     

基于径向基函数神经网络的洪水预报方法

为了便于快速而又相对准确预测山区流域洪水,通过构造源于高斯函数、指数函数、一次函数、余弦函数的4种径向基函数,采用正交最小二乘法确定径向基函数的中心,基于伪逆规则求解权值,选择崇阳溪流域建阳水文站1959—1998年36场洪水流量过程及上游支流武夷山水文站、麻沙水文站相应洪水流量过程资料,同时考虑建阳水文站洪水流量自回归的影响,分别建立4种径向基函数神经网络洪水预报模型。采用建阳站1999—2012年的8场洪水资料对模型进行验证。结果表明:4种径向基函数神经网络洪水预报模型的确定性系数均在0.95以上,模型有效性合乎要求;相对来说,本次构造的余弦函数所建立的神经网络模型,8场洪水过程预测值与实测值的平均相对误差最大值为9.8%,其洪峰流量预测值与实测值相对误差最大值为9.7%,模型预测精度最好。最终选择余弦函数作为建阳站神经网络洪水预报模型的径向基函数。     

长江螺山站水位流量绳套曲线关系预报研究

运用BP人工神经网络建立了长江螺山站水位流量绳套曲线关系预报模型.选取模型影响因子时,用上游站点及本站的前期水位、流量过程反映洪水涨落率、下游站点水位反映下游变动回水的顶托作用.为提高螺山站高流量时的预报精度,提出了以水位流量的变幅作为BP网络模型输入和输出的方法.多个算例的计算结果表明,模型影响因子选取合理,预报结果精度较高.采用变幅进行计算的方法能进一步提高预报精度,在洪水预报研究中具有推广应用价值.     

河道洪水演进的分类多模型组合预报方法

为了提高河道洪水演进预报精度,同时发挥各类预报模型的优点,提出一种组合预报方法,根据实际流域情况和资料情况选择多种洪水演进预报模型,针对不同的流量级别,利用多目标模糊优选方法选出特定条件下预报较准的模型进行分类组合预报,然后根据流量级别隶属度对各类预报结果加以组合.并以嫩江流域为实例,对组合预报方法的精度进行了验证.     

山区流域RBF神经网络洪水预报方法

建立以高斯核函数为径向基函数的神经网络模型,以崇阳溪山区流域为例进行分析。利用泰森多边形法将流域划分为6个子流域;选取流域1997—2014年中15场洪水过程作为训练样本,以流域内6个雨量站各时段雨量资料和武夷山水文站前期流量过程作为输入,以流域出口断面武夷山水文站相应流量过程作为输出,运用自组织正交最小二乘法确定径向基函数的中心,采用伪逆规则求解其权值,建立RBF神经网络洪水预报模型;利用余下的6场洪水过程对模型进行检验。结果表明:各场次洪水流量过程平均相对误差和洪峰流量相对误差绝大部分在10%以内,确定性系数均大于0.9,预报精度符合要求,可以为防汛部门预测洪水提供依据。     

基于主成分分析的K均值聚类法在洪水预报中的应用

洪水预报中影响因素很多,蕴含的信息也很复杂,如何从这些信息中获取有效信息是提高洪水预报精度的关键.考虑到洪水聚类时,指标间的相关性和信息冗余会严重影响分类效果,从而造成分类洪水预报精度不佳,应用主成分分析方法,力求提取历史洪水的有效信息,并以这些信息为基础,运用K均值聚类方法将历史洪水分类,对各类型洪水分别率定参数,通过计算洪水指标到各聚类中心的距离来判别即将发生洪水的归属类别,采用对应的模型参数进行预报.应用于实际流域,结果表明,基于主成分分析的分类洪水预报能够有效减小运算量,提高洪水预报精度.     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

基于MGU的大规模IP骨干网络实时流量预测

为克服长短时记忆网络(long short-term memory, LSTM)计算成本相当大的弊端,提出基于最小门控单元(minimal gated unit, MGU)的大规模IP骨干网络实时流量预测方法。试验结果表明,与基于LSTM的流量预测方法相比,该方法以较少的模型训练时间获得了相当甚至略优的流量预测性能,在流量预测精度和实时性方面也优于已有的前馈神经网络(feed forward neural network, FFNN)和门控循环单元神经网络(gated recurrent unit, GRU)方法。     

基于卡尔曼滤波技术的人工神经网络权重估算及应用

为改进神经网络模型算法,将神经网络技术与卡尔曼滤波技术进行耦合.在样本训练过程中,将卡尔曼滤波递推算法用于神经网络权重的训练,然后用训练得到的权重进行检验.文中以岷江上游段紫坪埔水文站的流量预报为实例,并与单一的神经网络模型以及卡尔曼滤波模型进行了比较.应用结果表明,卡尔曼技术用于神经网络权重估算,可改善水文预报精度.     

基于改进的FNN的无线信道模型研究

根据多层前馈类神经网络(FNN)的机制,提出了一种基于多层前馈神经网络和改进的BP算法的无线通信信道的模型和仿真方法。仿真结果表明,FNN模型可以很好地追踪无线信道不稳定的时变特性,反映了无线通信信道中用多层FNN系统建模的优越性。     

SOFM神经网络的聚类问题研究

从自组织特征映射（SOFM）神经网络的本质出发,提出了合理确定网络结构的方法。对网络竞争层的实际输出作奇异值分解,根据奇异值大小的分布情况决定竞争层神经元元点的个数,消除了分类数目不合理引起的聚类混乱现象,为SOFM网络的应用提供了科学依据。仿真结果证明此方法的有效性。     

基于神经网络的不规则件排样技术

提出一种利用人工神经网络求解不规则件排样问题的方法。对于二维不规则零件在排样区域上的优化排列,采用自组织特征映射模型(SOM)和Hopfield人工神经网络相结合的方法,寻找排样件在排样时的最优位置及各自的旋转角度,实现了二维不规则件自动排样,得到满意的优化排样结果,实例证明了该算法的有效性和实用性。     

基于NLPCA的聚类可视化方法

为了将高维输入空间的数据映射到低维空间,利用可视化技术探测数据的固有特性,提出了用非线性主成分分析（NLPCA：NonLinear Principal Component Analysis）和自组织映射网络相结合的方法对生物信息学中基因表达数据进行聚类可视化分析。实验结果表明,该方法有较高的分类正确率,用于基因表达数据的聚类分析是行之有效的。     

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。     

用三层网络逼近任何连续函数

在神经网络基础理论中，有一个这样的问题：怎样用三层网络实现对任意连续函数的映射，本文利用Ｋｏｈｏｎｅｎ提出的Ｓｅｌｆ－ＯｒｇａｎｉｚｉｎｇＦｅａｔｕｒｅＭａｐ竞争型网络以及区域的２Ｍ－分割概念，解决了用具有有限个隐层单元的三层网络以任意精度逼近一个连续函数的问题，具体的网络结构和学习算法已给出．     

基于模糊聚类的电力系统负荷特性分析

以变电站负荷构成比例作为基本特征向量,提出采用自适应矢量量化(AVQ)神经网络模糊聚类方法对电力负荷特性进行分类与综合.将AVQ神经网络模糊聚类方法和模糊C均值(FCM)聚妾方法进行了对比研究.通过对福建电网44个变电站进行聚类分析,得出两种聚类方法不仅具有良好的聚类综合能力,同时能够通过优化理论获得聚类中心矩阵,与其他聚类方法相比有明显优势;两者相比,AVQ神经网络模糊聚类算法本身机时小,处理速度更快,而且结果更为合理.     

基于BP-GA的融合算法实现

搜索和寻优是控制、预测等应用技术的基础。在人工智能领域，人工神经网络和遗传算法是解决搜索和寻优这2个问题的基本方法。对BP算法和遗传算法进行了研究，指出了其优缺点；研究了传统的将BP和GA结合起来求解问题的几种方式。鉴于这几种方式存在的实际应用缺陷，提出了一种新型的融合算法，阐述了其基本原理，给出了设计流程图，并详细研究了该融合算法的设计步骤。最后，运用示例验证该算法。     

模糊C均值聚类在萃取精馏塔软测量中的应用

丁二烯萃取精馏过程中 ,副产品抽余液 (BBR)的质量 (丁二烯含量 )和很多工艺参数有关 ,工艺参数之间又是相互关联、耦合的 ,并具有噪声。应用主元分析法 (PCA)将这些工艺数据进行压缩和抽提 ,解决了工艺参数间的相关问题 ,同时去掉了一些信息量不大 ,并带来噪声的主成分。用模糊C均值聚类算法将训练集分成具有不同聚类中心的子集 ,每一子集用径向基函数 (RBF)网络进行训练来获得子模型 ,然后用模糊聚类产生的隶属度将各子模型的输出加权求和得到BBR中顺丁烯的含量 ,由顺丁烯的含量来估计丁二烯含量。结果表明 ,这种软测量算法具有较好的建模效果 ,由于采取了数据分组训练 ,大大节省了建模的训练时间 ,比单纯的基于神经网络的方法要快得多。这种方法有很好的泛化结果和预报精度 ,对工艺操作具有指导意义     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

Biomedical Image Processing Using FCM Algorithm Based on the Wavelet Transform

An effective processing method for biomedical images and the Fuzzy C-mean ( FCM ) algorithm based on the wavelet transform are investigated. By using hierarchical wavelet decomposition, an original image could be decomposed into one lower image and several detail images. The segmentation started at the lowest resolution with the FCM clustering algorithm and the texture feature extracted from various sub-bands. With the improvement of the FCM algorithm, FCM alternation freqneney was decreased and the accuracy of segmentation was advanced .