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.     

一种优化的RBF神经网络模型用于网络流量预测

采用径向基RBF神经网络对网络流量数据的时间序列进行建模与预测。采用传统的学习算法对RBF网络训练时,对网络流量数据容易出现过拟合现象,提出了自适应量子粒子群优化AQPSO算法,用于训练RBF神经网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改善了RBF神经网络的泛化能力。实验结果表明,采用AQPSO算法获得的RBF神经网络模型具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于改进小波神经网络的网络流量预测研究

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对传统小波神经网络训练算法的不足,提出了自适应量子粒子优化算法——AQPSO,用于训练小波神经网络,优化网络参数,建立基于AQPSO算法优化的小波网络预测模型。实验结果表明,该模型对网络流量的短期预测是有效可行的,并具有良好的收敛性和稳定性。     

Elman神经网络的板形模式识别方法

针对静态网络设计和识别时间模式的能力弱、泛化能力差、学习速度慢等缺点,建立了一个基于Elman神经网络的板形模式识别系统.该系统由于考虑到了神经网络的过学习或过拟合问题,且通过经验公式和对比实验来确定神经网络的隐层节点数,具有简单、有效的优点.系统通过对6种基本板形模式及其组合模式的学习,具有了一定的泛化能力.经仿真验证,实际输出的误差均小于0.1,识别效果良好,可以证明基于Elman动态网络的系统,其板形识别能力要强于BP网络构成的系统.     

高速公路匝道回归神经网络控制器的设计

提出用回归神经网络进行入口匝道控制的思路。阐述了Elman回归神经网络原理与入口匝道控制原理,选取上、下游时间占有率和车速作为匝道控制器的输入量,并设计了Elman回归神经网络入口匝道控制器,采用一种改进的算法对回归神经网络进行训练。仿真实验表明,该控制器学习误差小,泛化能力好,具有良好的应用前景。     

改进型Elman神经网络发酵过程建模研究

依据发酵过程的机理和改进的Elman神经网络动态建模原理,提出了一个新的发酵过程建模分批训练算法。通过发酵过程仿真实验,与传统的BP建模算法比较,改进的Elman神经网络建模算法具有收敛速度快、泛化能力强等特点。此外,利用该算法编制的软件可以内嵌到发酵过程监控系统中,实现发酵过程在线建模与状态参量的在线预估。     

基于Elman神经网络的高速公路限速控制

限速控制是高速公路交通控制的重要措施和手段，为了提高限速控制精度，提出Elman神经网络建模方法。阐述了Elman神经网络的原理，根据高速公路主线上车辆群状态、路面状况、气象条件等信息，建立交通流速度限制Elman神经网络模型，Elman神经网络的输入层、上下文层、隐含层和输出层的节点数目分别选为2、12、12和1，采用Levenberg—Marquardt算法对Elman神经网络进行训练，并与RBF神经网络进行仿真对比。结果表明。Elman神经网络和RBF神经网络的训练误差分别为9．99769×100和2．38112×10^-4，与RBF神经网络相比较，Elman神经网络自适应能力强、泛化能力好，能准确地建立交通流速度限制模型．具有良好的应用前景。     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

量子门Elman神经网络及其梯度扩展的量子反向传播学习算法

针对Elman神经网络的学习速度和泛化性能, 提出一种具有量子门结构的新型Elman神经网络模型及其梯度扩展反向传播(Back-propagation)学习算法, 新模型由量子比特神经元和经典神经元构成. 新网络结构采用量子映射层以确保来自上下文单元的局部反馈与隐藏层输入之间的模式一致; 通过量子比特神经元输出与相关量子门参数的修正互补关系以提高网络更新动力. 新学习算法采用搜索然后收敛的策略自适应地调整学习率参数以提高网络学习速度; 通过将上下文单元的权值扩展到隐藏层的权值矩阵, 使其在与隐藏层权值同步更新过程中获取时间序列的额外信息, 从而提高网络上下文单元输出与隐藏层输入之间的匹配程度. 以峰值检波为例的数值实验结果显示, 在量子反向传播学习过程中, 量子门Elman神经网络具有较快的学习速度和良好的泛化性能.     

基于Elman神经网络变风量空调系统研究

变风量空调控制系统具有非线性和动态特性.目前,在VAV空调控制领域应用最广泛的神经网络是静态前馈Bp神经网络,而在多层前向Bp网络中引入特殊关联层,形成有"记忆"能力的Elman神经网络,可以映射系统的非线性和动态特性.其在网络训练算法中,采用自适应学习速率梯度下降反向传播算法,显著提高了网络的训练速率,有效抑制了网络陷入局部最小点.文中分别采用Bp神经网络与Elman神经网络建立模型,对VAV空调系统的少量参数的数据进行仿真预测,经比较分析,证明后者具有收敛速度快、预测精度高的特点.     

Research on using genetic algorithms to optimize Elman neural networks

There is a function of dynamic mapping when processing non-linear complex data with Elman neural networks. Because Elman neural network inherits the feature of back-propagation neural network to some extent, it has many defects; for example, it is easy to fall into local minimum, the fixed learning rate, the uncertain number of hidden layer neuron and so on. It affects the processing accuracy. So we optimize the weights, thresholds and numbers of hidden layer neurons of Elman networks by genetic algorithm. It improves training speed and generalization ability of Elman neural networks to get the optimal algorithm model. It has been proved by instance analysis that new algorithm was superior to the traditional model in terms of convergence rate, predicted value error, number of trainings conducted successfully, etc. It indicates the effect of the new algorithm and deserves further popularization.     

基于PSO-Elman模型的火电厂烟气含氧量预测

针对火电厂烟气含氧量测量精度较低、测量成本较大等问题,提出基于PSO-Elman网络模型的烟气含氧量预测方法。选择合理的相关辅助变量,引入Elman神经网络建立辅助变量与烟气含氧量的关系模型;利用PSO对Elman中所有的权值、阈值进行寻优,将其最优权值和阈值作为初值赋给Elman;经过训练,建立基于PSO-Elman模型的预测模型,完成火电厂烟气含氧量的软测量。通过仿真,与Elman网络和LSSVM模型的预测结果作对比,所提模型具有较高的预测精度和良好的泛化能力。     

基于自适应鲸鱼优化算法结合Elman神经网络的股市收盘价预测算法

针对Elman神经网络在基于股市网络舆情的收盘价预测中存在的收敛速度慢且预测精度低的问题,提出了结合基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进鲸鱼优化算法(IWOA)结合Elman神经网络预测模型。首先,通过文本挖掘技术对上海证券交易所股票价格综合指数(SSE)180股的网络舆情进行挖掘和量化,并利用Boruta算法筛选重要属性以降低属性集的复杂度;然后,通过CEEMDAN算法在属性集中添加一定数量特定方差的白噪声,实现属性序列的分解与降噪;同时,利用自适应权重改进鲸鱼优化算法(WOA)以增强其全局搜索及局部开采能力;最后,利用WOA在迭代过程中不断优化Elman神经网络的初始权重和阈值。结果表明:比起单独使用Elman神经网络,所提模型的平均绝对误差(MAE)从358.8120降低至113.0553;与未采用CEEMDAN算法的原始数据集相比,该模型的平均绝对百分比误差(MAPE)从4.9423%降低到1.44531%,说明所提模型有效提高了预测精度,为股市网络舆情的预测提供了一种有效的实验方法。     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测。文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

混沌粒子群优化神经网络的井下人员无线定位方法研究

针对井下人员定位系统定位精度较低,不能满足智慧煤矿的需求,提出一种基于混沌粒子群算法优化Elman神经网络的井下人员无线定位方法。该定位方法首先在井下巷道无线网络环境中,利用无线终端采集一定数量的样本点指纹数据库。其次初始化Elman神经网络,利用混沌粒子群优化算法对神经网络权值和自连接反馈增益因子寻优。再次用指纹数据库对优化过的Elman神经网络进行训练和测试,建立神经网络定位算法模型。最后通过无线终端采集定位点的指纹数据,由神经网络定位算法模型进行实时定位。经试验表明,该井下人员无线定位方法平均定位误差为1.35 m;而混沌粒子群算法优化Elman神经网络定位算法,其算法全局搜索能力更强,更适合井下时变环境中应用。     

季节周期性Elman网络的网络流量分析与应用

针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出了一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。     

Design and performance of an intelligent predictive controller for a six-degree-of-freedom robot using the Elman network

The aim of this paper was to propose a recurrent neural network-based predictive controller for robotic manipulators. A neural network controller for a six-joint Stanford robotic manipulator was designed using the generalized predictive control (GPC) and the Elman network. The GPC algorithm, which is a class of digital control method, requires long computational time. This is a disadvantage in real-time robot control; therefore, the Elman network controller was designed to reduce processing time by avoiding the highly mathematical and computational complexity of the GPC. The main reason for choosing the Elman network, amongst several neural network algorithms, was that the presence of feedback loops have a profound impact on the learning capability of the network. The designed neural network controller was able to recover quickly because of its significant generalization capability, which allowed it to adapt very rapidly to changes in inputs. The performance of the controller was also shown graphically using simulation software, including the dynamics and kinematics of the robot model.