基于BP神经网络的氧化锆氧量计的非线性补偿研究

氧化锆氧量计的工作原理是氧浓差电池原理,其氧浓差电势的计算是严重的非线性函数;选用只含一个隐含层的三层BP神经网络结构,充分利用BP神经网络的非线性函数逼近能力,无需模型只要适量的学习样本通过反复训练,即可按指定精度完成对氧化锆氧量计非线性特性的辩识和输出信号的非线性补偿;就隐含层节点数、学习率、误差指标等参数对该方法中BP神经网络训练次数和收敛过程的影响进行了比较研究。     

基于径向基函数神经网络的机器人系统辨识

介绍了一种三层径向基函数神经网络,其学习算法采用正交最小二乘算法.首先根据正交最小二乘算法得到径向基函数神经网络的结构;然后对该网络的权值进行训练使它逼近给定的函数.为了验证径向基函数神经网络所具有的对任意非线性映射的任意逼近能力和自学习、自适应能力,以两关节机械手为辨识对象来进行实验研究.实验结果表明,该径向基函数神经网络具有良好的模型学习和逼近能力,并且学习速度快、收敛性好、鲁棒性强,尤其适合于具有连续线性与非线性对象的复杂系统的控制实时性要求.     

Chebyshev神经网络辨识器

基于逼近论，将一组Ｃｈｅｂｙｓｈｅｖ正交多项式取代ＢＰ网络中的Ｓ型函数，构成一种新的神经网络模型。理论分析和仿真实验表明，该网络可逼近任意非线性系统，且建模容易，收敛速度快，学习次数远远少于ＢＰ网络。     

改造前向神经网络结构以求网络权值直接确定——Jacobi正交基神经网络实例

根据多项式插值与逼近理论,以一组零阀值特例Jacobi正交多项式(第二类Chebyshev正交多项式)作为隐层神经元的激励函数,构造一种基于Jacobi正交基的前向神经网络模型.该神经网络模型采用三层前向结构,其中输入、输出层神经元采用零阀值线性激励函数.为改进传统神经网络收敛速度较慢及其局部极小点问题,针对该Jacobi正交基前向神经网络模型,提出了一种基于伪逆的直接计算神经网络权值的方法(即,一步确定法),并利用该神经网络进行预测.计算机仿真结果表明,相对比传统的BP迭代训练方法,权值直接确定法计算速度更快、预测精度更高.     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

前向代数神经网络的函数逼近理论及学习算法

文中对ＭＰ神经元模型进行了推广,定义了多项代数神经元、多项式代数神经网络,将多项式代数融入代数神经网络,分析了前向多项式代数神经网络函数逼近能力及理论依据,设计出了一类双输入单输出的前向４层多层式代数神经网络模型,由该模型构成的网络能够逼近于给定的二元多项式到预定的精度。给出了在Ｐ－ａｄｉｃ意义下的多项式代数神经网络函数逼近整体学习算法,在学习的过程中,不存在局部极小,通过实例表明,该算法有效,最     

神经网络在热电厂对象建模中的应用

针对一个375 MW热电厂的锅炉-汽轮机系统仿真模型,采用多层前向神经网络进行离线建模;讨论了网络结构设计、训练算法等神经网络建模问题;采用相同的固定负荷数据分别建立了线性ARX模型和局部神经网络模型并做多步预测比较;通过对基于一层隐层的全局神经网络模型的训练和仿真,结果证实了神经网络在非线性系统建模和辨识上的有效性.     

基于改进 BP 网络模型的公路流量预测

针对公路客货运量预测的问题,对现有的常用预测方法进行研究,提出改进 BP 神经网络预测模型.该模型首先采用动态陡度因子改变激励函数的陡峭程度,改善激励函数的响应特征,得到更好的非线性表达能力;其次利用附加动量因子,通过将以前的经验进行积累,降低了神经网络对误差曲面的局部细节敏感性,较好地遏制网络陷于局部最小;再次采取变学习率学习算法,先给一个较大初值,随着学习过程的进行,学习率不断减小,网络趋于稳定.改进 BP 算法既可以找到更优解,又可以缩短训练时间.结合某地区的公路运量相关数据,对改进 BP 神经网络预测模型进行了验证.实验结果表明,该模型的相对误差和迭代次数都取得了较大的改善,对公路客货运量预测很有效     

基于LLE-FOA-BP模型的煤与瓦斯突出强度预测

针对目前煤与瓦斯突出强度预测精度低、稳定性差及训练速度慢等问题,提出了一种基于局部线性嵌入法-果蝇优化算法-BP神经网络(LLE-FOA-BP)模型的煤与瓦斯突出强度预测方法。借助LLE算法的非线性数据特征提取优势,提取煤与瓦斯突出影响因素原始数据的本质特征,形成重构有效因子,降低数据间的冗余信息及噪声;利用FOA算法较强的全局寻优能力优化BP神经网络的权值和阈值,避免陷入局部极小,提高参数寻优效率;将重构有效因子输入优化后的BP神经网络进行训练,实现煤与瓦斯突出强度快速、准确预测。测试结果表明,LLE-FOA-BP模型的平均相对误差为8.06%,相对误差的方差为3.69,经过24次迭代训练就达到10~(-8)的训练精度,能够在保证预测精度的基础上,提高鲁棒性和学习效率。     

基于SVR的用电负荷特征三维回归模型

针对用电负荷的周期性特点,将用电负荷特征学习建模为小时、天数、负荷数3个维度的回归问题,提出一种基于支持向量回归机的三维回归模型。将支持向量机的核函数设计为多个核函数的线性组合分别进行参数训练,并给出多路径逐步逼近的参数训练算法。仿真结果表明,与三层神经网络、最小二乘非线性拟合模型相比,该模型具有较好的用电负荷特征学习与预测能力。     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。     

基于小波神经网络的非线性误差校正模型及其预测

针对非线性系统的预测问题，在线性和非线性协整理论涵义的基础上，提出利用小波神经网络进行非线性协整系统的非线性误差校正模型的研究，并给出该模型的建模方法．对沪深股市进行实证研究，与线性向量自回归模型进行比较．研究证明，小波神经网络所建立的非线性误差校正模型有较好的预测效果，能够有效地预测非线性经济系统．     

基于灰色神经网络的烧结矿碱度组合预测

针对钢铁生产过程中烧结矿碱度检测的难题,利用灰色预测的GM(I,1)模型与BP神经网络进行组合,建立了灰色神经网络的烧结矿碱度组合预测模型,选取10W与矿碱度有关的输入变量,对这些变量分别进行灰色GM(1,1)预估,再进行BP神经网络预测,获得烧结矿碱度预测结果,仿真结果的相对误差小于0.005%.     

探空仪湿敏电容器的误差校正模型研究

为了减小探空仪湿敏电容器在高空大气,特别是低温环境下的测量误差,设计了一种基于改进型pi-sigma模糊神经网络的误差校正模型,采用了K-means聚类算法和权值直接确定法提高了网络性能。通过实际测试和BP神经网络进行比较,结果显示:pi-sigma模糊神经网络和BP神经网络对于-30～40℃的144组训练样本的最大相对误差分别为4.774%,15.27%,收敛时间分别为0.01,2 s。4组检验样本结果证明:pi-sigma模糊神经网络有效实现了湿敏电容器在低温条件下的温度补偿和非线性校正,同时在预测精度、泛化能力以及训练速度上均优于BP神经网络。     

基于生成式对抗神经网络的股票预测研究

针对股票价格具有非线性、非平稳的特点,提出一种结合自注意力机制和残差网络的生成式对抗神经网络模型（SAR-GAN）。该模型的生成器（generator）由长短期记忆网络（LSTM）层、自注意力机制层、残差层等构建而成,用于生成所预测股票的价格;判别器（discriminator）用于鉴别生成的股票价格与真实的股票价格。为验证模型良好的泛化性,选取上证指数及不同股票市场的热点行业龙头股票进行预测实验。实验结果表明,与LSTM、GRU、CNN-LSTM、CNN-GRU等模型相比,SAR-GAN模型能不同程度地减少预测误差。     

基于遗传神经网络的股票价格短期预测

该文在总结非线性时间序列预测模型的基础上,将遗传算法和人工神经网络相结合,提出了遗传神经网络模型。并将其应用到股票价格的短期预测。最后,针对仿真结果进行分析,该文得到的结果为平均相对误差小于0.086,实际值与预测值之间的相关系数大于0.91。结果表明该模型有较好的预测能力。     

高速列车速度跟踪神经网络PID控制器的设计

高速列车速度跟踪控制系统是一个复杂的非线性系统,难以取得高精度的跟踪性能。为了减少速度跟踪误差,设计了高速列车神经网络PID控制器。首先建立了描述列车运行过程的单位移多质点模型,该模型考虑了列车的基本阻力和附加阻力以及车厢之间的相互作用力。然后阐述了BP神经网络PID控制,并设计了列车速度跟踪控制器,根据速度误差用神经网络PID控制决定牵引力和制动力。最后与模糊控制和常规PID控制进行了仿真对比,结果表明,神经网络PID控制具有很小的速度跟踪误差和优越的速度跟踪性能,可以满足列车正点运行的需求。     

电容式降雨传感器及其特性曲线拟合方法

针对将电容式传感器应用于降雨测量时,特性曲线的非线性误差较大问题,分别采用最小二乘曲线拟合法和径向基函数(RBF)神经网络对其输出特性曲线进行拟合.结果表明:RBF神经网络模型具有更强的非线性映射能力,其拟合精度明显高于最小二乘多项式模型.     

基于Adaboost算法和BP神经网络的税收预测

针对传统税收预测模型精度较低的问题,提出一种将Adaboost算法和BP神经网络相结合进行税收预测的方法。该方法首先对历年税收数据进行预处理并初始化测试数据分布权值;然后初始化BP神经网络权值和阈值,并将BP神经网络作为弱预测器对税收数据进行反复训练和调整权值;最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器并进行预测。通过对我国1990—2010年税收数据进行仿真实验,结果表明该方法相比传统BP网络预测,平均误差相对值从0.50%减少到0.18%,有效地降低了单个BP陷入局部极小的影响,提高了网络预测精度。     

Legendre神经网络非线性信道均衡

在分析Chebyshev正交多项式神经网络非线性滤波器的基础上，利用Legendre正交多项式快速逼近的优良特性以及判决反馈均衡器的结构特点，提出了两种新型结构的非线性均衡器，并利用NLMS算法，推导出自适应算法．仿真表明，无论通信信道是线性还是非线性，Legendre神经网络自适应均衡器与Chebyshev神经网络均衡器的各项性能均接近，而Legendre神经网络判决反馈自适应均衡器能够更有效地消除码间干扰和非线性干扰，误码性能也得到较好的改善．