基于GPCA和GAPSO-NN的中国区域经济预测方法研究

结合全局主成分分析(GPCA)和遗传微粒群-神经网络(GAPSO-NN),对中国区域经济发展水平进行预测.首先构建区域经济发展水平的评价指标体系并提取相关数据;然后借助GPCA获得全局主成分分值、综合评价值,作为GAPSO-NN的输入、输出;接着构建GAPSO-NN预测模型并训练网络;最后通过预测仿真,表明基于GPCA和GAPSO-NN预测方法的有效性.     

基于GPCA的中部省际农村居民生活水平动态分析

文章首先构建评价农村居民生活水平的指标体系,之后运用全局主成分分析法(GPCA),实证研究了我国中部各省农村居民从2001年-2006年生活水平的时间演变,并对结果进行了比较分析。     

基于主成分分析和支持向量机的区域降水预测应用研究

将主成分分析和支持向量机回归相结合, 以广西5、6月区域平均日降水量作为预报对象, 进行区域日降水量预测研究.首先,整理分析大量的T213数值预报产品信息数据进行主成分分析, 得到主成分数据序列; 其次, 根据主成分数据序列建立训练集训练支持向量机, 并利用遗传算法优化参数; 最后, 输入支持向量机所需数据, 得到主成分预测结果, 建立广西日降水预报模型. 实例计算结果表明, 支持向量机回归模型比逐步回归模型有更好的预测能力.     

一种区域经济发展差异分析智能混合算法及应用

该文提出一种区域经济发展差异分析智能混合算法:首先有机融合主成分距离加权和遗传算法、模拟退火算法对FCM算法进行优化,采用优化FCM算法对各子区域经济发展水平进行分类;其次采用主成分分析法给各子区域经济发展水平进行综合评分并排名;然后依据分类和排名情况,对区域经济发展差异进行研究分析.该文以西部省份经济发展差异为例研究表明:该算法能够有效对西部省份经济发展差异进行综合分析,很好地反映了各省份经济发展的特征,是一种改进的、可行的大区内子区域经济发展水平差异分析方法.     

遗传神经网络在铁矿石需求预测中的应用

将遗传算法与BP神经网络结合,利用遗传算法的全局搜索优化BP网络的初始权重,有效地克服了BP算法的局部收敛和收敛速度慢等问题.使用主成分分析法选取输入变量,并将建立的混合模型应用于铁矿石需求预测中.实验表明,该方法改善了预测精度,达到了较好的预测效果.     

山西省区域经济发展水平动态分析

基于2006—2012年统计数据,构建区域经济发展评价指标体系,运用主成分分析法和聚类分析法,对山西省11个地级市的经济发展水平进行了时序研究和空间分析.结果显示:山西省区域经济发展水平差距在不断扩大;根据区域经济发展水平综合得分,将11个地级市的发展水平划分为4个等级:优秀、良好、一般和落后.最后,针对研究结果提出转变煤炭产业发展方式、合理调整产业结构、优化城市体系结构等建议和措施.     

基于改进果蝇的混合小波神经网络交通流预测

为了提高交通流预测精度,提出了一种基于果蝇算法的混合小波神经网络模型.首先,选择果蝇优化算法对小波神经网络的初始参数进行调节,解决了小波神经网络预测对初始参数敏感的问题.其次,将迭代次数和当前解的情况作为搜索半径和种群规模的动态调整因子,对果蝇算法进行了改进,提高了果蝇算法的全局寻优能力和局部收敛速度.最后,鉴于小波神经网络预测误差存在一定的规律性,使用误差补偿法将调参后的小波神经网络与其他模型进行组合,进行二次误差提取.实验证明,所有混合模型均提高了交通流预测的准确度,其中,与随机森林模型的结合预测精度最高.     

基于小波与DBN的负荷预测模型

针对原始数据存在干扰以及BP神经网络和深度置信网络(DBN)局限性的问题,提出了一种小波与DBN相结合的负荷预测模型.该方法主要是先将原始负荷数据进行小波降噪,将降噪后的数据用来训练DBN模型,最后用该模型进行负荷预测.分别对比BP、DBN以及小波与DBN组合模型对负荷的预测结果与真实值的差异,仿真结果表明小波与DBN组合预测模型预测曲线趋势和真实值的一致性最好,从数据中得出BP、DBN以及组合模型预测结果的均方根误差分别为23.862、13.656和10.477,说明小波与DBN组合模型对负荷预测的准确性最高.     

基于轨迹灵敏度的协同分布式模型预测电压控制

为克服集中式模型预测电压稳定控制的局限性,基于系统分区和预测电压控制模型分解提出了一种适于大型电力系统的协同分布式模型预测电压控制方法.该方法以所有子区域目标函数的凸组合来构建全局目标代价函数,利用轨迹灵敏度技术预测节点电压变化轨迹,将目标代价函数转化成与所有子区域控制变量有关的二次函数,从而避免了各子区域之间目标优化可能存在的冲突.在两个试验系统上的仿真结果表明,文中方法能获得与集中式模型预测电压控制相近的效果,且计算效率显著提高.     

湖北省旅游产业-交通运输-区域经济耦合协调度

以湖北省为例,构建相关指标体系,结合熵值法、灰色关联度法与主成分分析法确定指标最优组合权重,并利用耦合协调度模型与弹性系数对2006-2014年旅游产业-交通运输-区域经济系统的耦合协调性及子系统之间发展适应度进行实证分析.结果表明:研究期内,旅游产业、交通运输与区域经济综合发展水平稳步提升;三者之间存在明显的耦合关系,但未实现深度融合;耦合度协调度不断上升,完成了从2006-2010年失调阶段向2011-2014年协调阶段的转变;三者之中交通运输与区域经济发展表现较为协调.针对研究结果,提出旅游产业水平优化路径.     

一种新的GPCA方法

Generalized PCA(简写GPCA)是主成分分析(PCA)的一个非线性推广方法,主要用于数据压缩和特征提取.在经典的GPCA方法中,每个训练数据在构建主成分时的作用是相同的.然而,在许多实际问题中,训练数据的意义和作用是不同的,通常有些数据比其它数据更为重要,对于重要的数据我们应给予充分的重视,而对于不可信数据(可能是异常数据),应限制其作用.文中给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的GPCA方法.数值实验表明,该方法能够有效控制异常点对主成分的影响,同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

区域经济动态发展水平的全局主成分分析方法

时序立体数据表全局主成分分析方法能够为动态评价区域经济发展水平提供一种高效科学的量化工具,是一种多指标综合评价分析方法.运用该方法从地理空间和时间变化的角度动态描述区域经济差异,并对内蒙古各盟市区域经济发展水平的现状进行分析评价,得到了与实际情况非常一致的结果.     

基于交通数据融合技术的行程时间预测模型

针对当前城市道路行程时间的预测多限于单源数据且预测精度不高的问题,构建了基于浮动车GPS数据、微波检测器交通数据的行程时间预测融合模型.利用遗传算法优化小波神经网络,解决了小波神经网络初始参数选取时盲目与随机性问题,大大提高了网络搜索效率与训练速度.预测行程时间与视频观测数据吻合良好,表明该模型是有效的和可靠的.     

基于小波网络的复杂系统建模方法研究

提出一种基于小波网络建立复杂系统模型的方法。利用改进的粒子群优化算法对小波网络的权参数进行调整,使小波网络结构全局最优或近似于全局最优,同时神经网络权值参数能够更快、更有效地向全局最优解收敛。     

基于小波神经网络的建筑工程沉降变形预测

变形监测是安全化、信息化工程建设和管理的重要内容,贯穿于建筑物设计、施工和运营整个过程.本文基于小波分析、BP神经网络、小波分析与神经网络结合的相关理论,借助MATLAB编程,建立了改进的BP神经网络、辅助式小波神经网络、嵌入式小波神经网络3种变形预测网络模型.结合工程实测数据,利用建立的3种模型,分别应用累积沉降和期间沉降不同模式数据进行预测.结果表明,两种小波神经网络组合模型的预测效果明显优于单一的BP神经网络模型,具有更高预测精度和更快的收敛速度,且训练样本数目越多,模型精度越高,预测效果越好.     

基于小波Elman神经网络的活塞环渗氮质量预测控制

针对活塞环渗氮硬化工序建模困难的情况,通过主成分分析法(PCA)提取氮化工序特征参数,降低了质量模型输入样本维数,建立了基于小波Elman神经网络的活塞环制造关键工序的质量预测模型,实现了工序过程质量波动趋势的预测,为后续的工艺优化和质量改进奠定了基础.结果表明,文中方法可以有效地改进渗氮硬化工序的质量控制,所建立的质量预测模型对输出质量特征值的预测准确率达到89%,具有比标准Elman网络更好的预测精度和收敛速度.     

GA-WNN网络在风电功率预测中的应用研究

利用遗传算法的全局优化能力和小波神经网络的高精度特性,提出了一种基于遗传算法、小波与神经网络的风电功率预测方法,应用某风电场的58台风电机组的输出功率数据作为实例,验证了GAWNN模型的预测鲁棒性好,精度高,有效减小了预测误差.     

基于小波能谱熵和改进ELM的转辙机故障预测

为了进一步提高铁道转辙机故障预测精度和维修效率,提出了一种基于小波能谱熵和改进极限学习机(Extreme Learning Machine, ELM)的转辙机故障预测方法.首先,将采集到的转辙机功率数据用完备集合经验模态分解方法进行预处理;然后,计算各个固有模态函数的小波能谱熵值,通过核主元分析原理方法将多维特征数据降至1维,构建转辙机的退化性能指标,得出失效阈值;最后,利用自适应鲸鱼优化算法对ELM预测模型的权值和阈值进行全局寻优,以获得最优的预测模型,实现对转辙机故障趋势的预测.用Matlab软件对新方法进行实例分析,并与支持向量机和ELM模型进行对比.仿真结果表明,与传统预测模型相比,基于改进ELM模型均方误差更接近于0,决定系数更接近于1,表明该模型预测精度更高,性能更佳,证明了该方法应用于转辙机故障预测的可行性.     

基于偏最小二乘法的BP网络在舰船维修费用预测中的应用

针对在建立多层前馈(BP)神经网络模型时,存在收敛速度慢、易陷入局部极小等问题,应用偏最小二乘法(PLS)得到的主成分数和主成分与自变量、因变量的权值对BP网络进行改进,并构建用于舰船维修费用预测的PLS-BP神经网络模型。实验结果表明,采用PLS-BP网络模型对舰船维修费用进行预测可以获得更高的精度。     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.