混沌相空间的卡尔曼滤波模型及其应用

针对混沌时间序列,提出将混沌分析方法和卡尔曼滤波实时技术相耦合,建立混沌相空间的卡尔曼滤波模型.以混沌系统的相点为状态变量构成相点的状态空间描述,运用卡尔曼滤波实时预测并校正相点的未来演化规律,据此对四川省电力系统的日负荷时间序列进行短期预测.实例表明,该模型有利于跟踪相空间中相点的非线性演化轨迹,预测精度高、效果好.     

改进的相空间模式及其在月流量预测中的试验研究

讨论了基于混沌理论的相空间近邻等距模式及该理论中的预见期T、延迟时间τ、相空间维数d等,提出了实际应用中根据预见期T建立的新时间序列,满足T=τ=sδt,消除了相空间时滞τ的变化对T的影响。应用改进前、后的预报模式以不同相空间维数d对水文月平均流量进行逐月的预报试验和检验。结果发现,改进后的模式提高了预报准确率,延长了预报时效,尤其是提前1 a的最佳预报效果。     

基于相空间重构的BP神经网络月径流预测模型及应用

针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络结构,建立了基于相空间重构理论的BP神经网络月径流预测模型,并采用该模型预测了瀑布沟水库的径流时间序列。结果表明,该BP神经网络预测模型收敛速度快、预测精度较高。     

城市需水量预测的混沌神经网络模型

将人工神经网络原理引入城市需水量预测中，针对BP网络收敛速度慢、易陷入局部极小的缺陷，提出了基于混沌神经网络的城市需水量预测模型，该模型简便易行，收敛速度快、预测精度高，具有良好的应用前景。     

基于混沌相空间重构与支持向量机的风速预测

讨论了基于混沌相空间重构和支持向量机的风速预测。对风速数据的混沌特性进行分析,在此基础上进行相空间重构,采用C-C算法求取嵌入维数m和延时时间τ,确定预测模型的输入维m与样本集;在样本集中,采用粗搜索和细搜索的方法选取预测点的参考点,在进行细搜索的过程中提出相关性分离速率的方法,提高了预测精度。利用支持向量机强大的泛化能力,构造出风速预测回归函数,避免了传统的人工神经网络所存在收敛速度慢、结构选择困难和局部极小点问题。最后采用新西兰某风电场采样周期为10min的风速测量数据进行风速预测,实验结果表明采用Chaos-SVR方法有效降低了风速预测误差,且此方法与神经网络法相比具有更好的泛化能力和更高的预测精度。     

神经网络在柴油机放热规律预测中的应用

引言 柴油机喷油规律与放热规律之间是一种非线性的因果关系。由于神经网络具有高度非线性映射功能,本文以２４０直喷式柴油机为样机建立了一个从喷油规律预测放热规律的ＢＰ神经网络模型。该模型采用误差反向传播算法即ＢＰ算法,以长期运行的试验数据为样本对网络训练,通过删除冗余权值和节点对网络结构进行了优化,选择了样本的确定原则、处理方法及输人方式,针对２４０柴油机放热规律具有双峰的特点,采取了分段预测的方法。该模型以喷油规律作为输入,可对放热规律进行预测,为柴油机放热规律的预测研究提供了一种新方法。１　放热…     

径流序列的混沌神经网络预测方法

介绍了径流序列的混沌性识别技术,并提出了一种基于混沌序列的神经网络预测方法．     

基于混沌相空间重构上隅角瓦斯研究

针对工作面上隅角瓦斯实测数据,采用混沌相空间重构技术,提出工作面上隅角瓦斯预测的一种新方法,并成功预测了未来一段时间工作面上隅角瓦斯含量。实践证明这种方法是可行、可靠的,为煤矿瓦斯灾害的预测与治理提供可靠的信息。     

数学物理方程模型在水文预报中的应用

将基于水动力学、河流水动力学、地下动力学原理推导出的分布式降水径流模型,应用于龙口流域洪水预报中,同时与新安江模型进行对比,结果表明,该模型具有物理概念清晰、参数意义明确、计算精度高等优点。     

基于Sine-SSA-BP神经网络模型的风机叶根载荷预测

针对风机叶根载荷影响因素复杂、计算量大、非线性和强耦合,采用传统数理分析方法难以建模的问题。文章首先分析了叶根载荷的主要影响因素,并结合多元回归模型建立载荷预测模型;然后采用Bladed对2MW风机实验所得仿真数据划分训练数据集和测试数据集,并利用所得数据对Sine混沌映射改进麻雀算法优化的BP神经网络（Sine-SSA-BP）预测模型进行训练,使用训练后的模型进行叶根载荷预测;最后将预测结果与测试数据、BP神经网络预测模型和极限学习机（ELM）预测模型的预测结果进行对比分析。结果表明,Sine-SSA-BP预测模型性能更佳,预测精度更高,验证了所提方法的可行性和有效性。     

基于相空间重构和GA-BP网络的径流预测

将相空间重构理论与神经网络以及遗传算法相结合提出了径流时间序列预测模型,通过相空间重构将一维径流时间序列拓展为多维序列,挖掘了更为丰富的信息,反映出系统的非线性特征,有利于神经网络建模和训练。研究表明,基于相空间重构理论的遗传算法和BP神经网络组合模型可较好地解决径流预测。以深圳宝安铁岗水库月径流为例,采用小波消噪对数据预处理,利用遗传算法训练BP神经网络,计算结果表明模型具有较高的预测精度。     

基于混沌神经网络预测模型的最优控制决策及应用

为了实现非线性、大时滞系统的自适应控制，首先根据具有混沌特性的非线性、大时滞系统的时序列重构相空间，计算出相空间的饱和嵌入维数和最大Lyapunov指数，并以此为指导，建立混沌神经网络预测模型，该模型即便在网络输入不完整或发生变异的情况下，仍能对系统作高精度的短期预测；在此基础上，将预测模型的输出通过反馈校正．再将校正误差和控制增量引入性能函数最优，最后得到最优控制决策，实现了对非线性、大时滞系统高精度的自适应控制。最后将预测控制决策应用到非线性、大时滞的锅炉过热汽温控制中，仿真结果表明了该控制的有效性、快速性和鲁棒性。图6参6     

城市用水量组合预测模型及其应用

针对城市用水量时间序列包含逐步增长趋势、季节性趋势及不确定性的非线性波动特点,单一预测模型往往很难充分反映原始数据中全部的有效信息,结合季节性时间序列模型(SARIMA)和BP神经网络二者优点,构建了一种新型的组合预测模型,对上海市用水量进行不同时间尺度的预测。结果表明,在不同时间尺度上组合预测模型均比单一预测模型精度高、预测质量稳定。     

基于马尔科夫链修正的RBFNN模型在碾压混凝土重力坝变形预报中的应用

针对径向基神经网络(RBFNN)预报模型的不足,提出了一种基于马尔科夫链修正的RBFNN预报模型,以RBFNN模型的预测结果为基准,利用马尔科夫链进行误差修正,进而显著提高模型的预报精度。以某碾压混凝土重力坝的变形监测为例,建立大坝变形预报模型,并将其结果与单一的RBFNN模型的预报结果做了对比,结果表明,基于马尔科夫链修正的RBFNN预报模型精度更高,结果更符合实际。     

基于RBF神经网络的面状水体识别模型及其应用

针对面状水体识别过程中面状水体数据特征不宜提取、伪洼地易与面状水体混淆的问题,通过分析面状水体的面积、深度和潜在出水口等基本DEM数据特征,构建了面状水体识别模型,并将面状水体的三个数据特征和面状水体识别模型的计算结果作为输入输出神经元,利用RBF神经网络对建立的面状水体识别模型进行了仿真验证。从全国1∶250 000 DEM数据中选取150组洼地数据作为样本数据,采用减聚类算法对RBF神经网络进行训练,训练时样本的最小平均相对误差为2.75%,仿真的准确率为98%,表明面状水体识别模型可解决面状水体和伪洼地难以区分的问题,并提高了面状水体识别的准确率。     

考虑预报因子选择的神经网络降雨径流模型

为优化神经网络模型的应用效果,研究了基于神经网络的降雨-径流模型,根据Copula熵法确定预报因子,并与传统的线性相关法进行比较分析,采用BP、RBF、GRNN三种神经网络建立降雨-径流模型,应用均方根误差、合格率、确定性系数三个指标为模型选取评价准则。通过对金沙江流域的径流预报,发现基于Copula熵法的BP模型预报结果更接近实测值,精度更高。     

热电厂热负荷预测的神经网络模型

提供了一种基于改进的ＢＰ网络－合成ＰＢ网络的热电厂热负荷预测模型,并对网络结构的构造方法及拟合精度进行了讨论,实际预测结果表明,基于合成了ＢＰ网络的预测模型能很好地实现对热电厂热负荷的预测。