基于灰色关联度的BP神经网络模型短期用电量预测

本文为了克服单一用电量预测模型的局限性,提高预测精度,构建了基于灰色关联度的BP神经网络模型。BP神经网络预测模型过程中引入灰色关联度分析预测确定全社会用电量主要影响因素,以安徽省2000-2015年全社会用电量数据为例对2016-2018年用电量进行预测,计算结果证明基于灰色关联度的BP神经网络模型计算精度较高,并对2019-2023年全社会用电量进行预测,具有较高的实用性。     

天气因素在短期电力负荷预测中的应用

为了更有效地提高地区电网短期负荷预测的精度,提出基于BP人工神经网络原理,利用神经网络高度非线性建模能力,根据电力系统短期负荷变化的特性,建立了既反映电力系统负荷连续性、周期性及其负荷变化趋势,又包含天气因素变化对系统负荷影响的天气因素敏感模型,并对岳阳地区短期负荷进行预测,预测结果表明天气因素应用于电力系统短期负荷预测后使预测精度明显提高,故这种方法是可行和有效的。     

基于时间序列模型的重庆港货物吞吐量预测

对基于时间序列预测的BP神经网络模型,进行了matlab编程,并应用于重庆港货物吞吐量预测。实现了各影响因素之间的非线性关系计算,从而解决了影响因素资料收集困难这一问题。结果表明该模型有较好的预测精度和非线性拟合能力,可以用来对非线性时间序列数据的发展趋势做预测。     

基于BP算法的多层前馈网络在质差建模中的应用

BP神经网络算法可以以任意精度逼近任何非线性函数,且具有并行分布存储、高度鲁棒性与容错能力,适合解决受多重因素交叉影响的复杂的非线性问题。主要提出了一种基于BP神经网络的预测方法,并详细阐述神经算法的基本原理、建模方法以及其在质差预测中的应用。     

基于改进PSO-BP神经网络的回弹预测研究

在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。     

基于遗传算法优化BP神经网络的预测建模

为了进一步提高基于BP神经网络的预测模型精度,本文针对BP神经网络收敛速度慢,参数选择随机等特点,采用了遗传算法对BP神经网络进行优化,并提出了一种基于遗传算法优化BP神经网络的预测模型,从而进一步提高预测模型的预测精度,通过对比未使用遗传算法优化的BP神经网络的预测模型发现基于遗传算法优化BP神经网络的预测模型在提升预测精度方面具有非常好的效果,是一种非常高效的方法.     

基于气象因素敏感模型的短期电力负荷预测

为了充分考虑地区电网短期负荷易受气象因素影响的特点,提出了一种具有天气敏感性的基于快速BP算法的神经网络预测模型,模型中合理地考虑了影响负荷变化的主要气象因素,使其能够适应天气的变化。通过对咸阳地区电网的仿真预测,证明了天气因素敏感模型应用于地区电网短期负荷预测后使预测精度明显提高,故建立的模型是可行和有效的。     

移动源排放遥测主要影响因素分析及预测

由于移动源污染遥感监测受到复杂外部环境影响, 难以通过传统统计方法建立车辆行驶工况与污染排放之间 的相关性模型, 为此开展了基于移动源遥感监测的影响因素分析及排放预测的研究。首先利用 Spearman 相关性分析 排除与移动源污染物主要排放气体 CO、 HC、 NO 气体浓度无相关性的因素; 其次使用 Lasso 算法确定各成分的关键 影响因子, 并采用神经网络构建污染物排放预测模型; 最后在测试集上验证该模型用于移动源污染排放主要成分预测 的有效性。模型预测的结果表明, 基于特征筛选的移动源污染排放数据预测神经网络模型具有较高的预测精度, 可以 降低城市移动源污染排放检测成本并为相关部门制定相关政策提供数据支持。     

BP和RBF神经网络的地下水位预测结果比较

地下水位的变化是一个复杂的非线性过程,并且地下水位与其影响因素之间存在着复杂的非线性关系。对于处理这类问题神经网络是一种合适的方法。本文对BP和RBF神经网络在地下水位预测中的应用进行比较和研究。通过仿真实例结果显示,BP神经网络和RBF神经网络都能很好的对地下水位进行预测,但是RBF神经网络比BP神经网络的训练速度更快,精度更高,充分体现了RBF神经网络中在地下水位预测中的优越性。     

选择用于平台罗经故障检测的神经网络结构的方法

在基于神经网络的平台罗经故障检测中,为了提高故障检测的灵敏度,要求神经网络拟合平台罗经动态系统时均方预测误差的均值及其标准差均小。影响神经网络对系统拟合精度的因素既有隐层节点数也有输入延迟数。本文以均方预测误差的均值和标准差共同作为评价神经网络逼近平台罗经动态系统性能的指标,并借用系统化交叉证实法的结构,且增加一个外循环用以同时选择输入延迟数,构建选择用于平台罗经故障检测的神经网络结构的方法。     

基于QPSO-WNN和模糊理论的电力系统短期负荷预测方法

电力系统的短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济的供电。针对负荷预测方法的多样性,在小波神经网络用于负荷预测的基础上,提出基于量子粒子群优化算法（QPSO）优化神经网络权值,并运用模糊理论进行修正。某电网负荷的拟合数据表明QPSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也比较高。     

基于深度卷积神经网络的气象雷达噪声图像语义分割方法

针对新一代多普勒气象雷达的散射回波图像受非降雨等噪声回波干扰导致精细化短时气象预报准确度降低的问题,该文提出一种基于深度卷积神经网络(DCNN)的气象雷达噪声图像语义分割方法。首先,设计一种深度卷积神经网络模型(DCNNM),利用MJDATA数据集的训练集数据进行训练,通过前向传播过程提取特征,将图像高维全局语义信息与局部特征细节融合;然后,利用训练误差值反向传播迭代更新网络参数,实现模型的收敛效果最优化;最后,通过该模型对气象雷达图像数据进行分割处理。实验结果表明,该文方法对气象雷达图像的去噪效果较好,与光流法、全卷积网络(FCN)等方法相比,该文方法对气象雷达图像中真实回波和噪声回波的识别准确率高,图像的像素精度较高。     

MSBR法污水处理模糊神经网络控制的研究

模糊神经网络(FNN)技术的迅速发展及其理论的不断完善为其在各个领域的应用奠定了基础。简述了FNN技术的发展以及在污水处理过程中的应用现状和重要性,详述了模糊神经网络控制在MSBR法污水处理中的应用,提出了一个具有5层的模糊神经网络控制器,通过仿真实验表明该控制系统具有很强的鲁棒性与容错性,该控制器能够自动调整隶属度函数、动态优化控制规则,将其应用于溶解氧控制和出水水质预测,结果表明可以快速、有效地使溶解氧浓度达到期望值,实际出水水质预测结果也具有很好的收敛性和预测精度。     

Fitting VFC's Output Using Functionally Connected High-Order Neural Networks

1　IntroductionIntheprocessofdesigningandapplyingamea surementsystem ,weshouldoftendeterminetheex actoutputfunctionsofA/Dconvertersorsensors.FormostADC ,theoutputfunctionofA/Dcanberegardedasalinearfunctionwithinthepermittedprecision .However,fortheVoltage to FrequencyConverter (VFC)chip ,theoutputfunctionisoftennonlinearbecauseofthenon linearityoftheintegralcircuitinitsintegratedcircuit.ForthesameVFC ,thehigherthefull scaleoutputfrequencyis ,thelargerthenon linearityis.However,itiswellk…     

基于神经网络的智能手机安全监控系统

针对现有的智能手机杀毒软件和防火墙存在更新滞后的问题,提出利用神经网络的自学功能对病毒进行识别。神经网络在对变种病毒的辨别功能上具有一定优势,能够适应智能手机运算能力较弱的特点。通过神经网络建模,提出了一种基于神经网络的安全监控机制。分析表明,该机制是可行的。     

应用灰色理论预测混合动力汽车蓄电池的剩余容量

电池剩余容量预测是混合动力汽车一个非常关键的问题,文章在分析混合动力汽车蓄电池充电和放电特性的基础上,针对蓄电池内阻与剩余容量之间的非线性关系,采用了一种在线的灰色GM（1,1）模型群方法对蓄电池单元的剩余容量进行预测。但是采用简单的灰色模型对蓄电池的容量进行预测会带来很大的误差,文中首先用灰色GM（1,1）的常规模型原理并对蓄电池剩余容量建立了简单的模型,其次详细分析了采用灰色GM（1,1）模型群的方法来提高预测精度的原理及方法。仿真模型的结果不但表明灰色GM（1,1）的模型群能有效地提高预测精度,而且避免了单个灰色GM（1,1）的模型由于不稳定信息造成的不足;最后通过残差检验,检测误差较小,具有较强的可信度,适用于混合动力汽车的蓄电池剩余容量预测。     

一种双向脉动数据流的全卷积神经网络加速器

全卷积神经网络近年来被应用于深度学习中的多个领域,其不仅能处理简单的图像分类任务,还能应用于例如物体检测、语义/图像分割以及基于生成式对抗网络的生成型任务.典型的全卷积神经网络中不仅包括了传统的卷积层,还有反卷积层,它们都是计算密集型的.现在大多数研究者大都关注卷积层的设计优化,而反卷积的加速优化很少.本文提出了一种双向脉动数据流的全卷积神经网络加速器,可以同时高效地处理普通卷积层以及反卷积层.实验中选取了多个具有代表性的全卷积神经网络模型,例如DCGAN,Cascaded-FCN等.相较于以往传统的未优化的加速方案,本文所设计的加速器平均可以达到2.8倍的加速比,并且能耗降低了46.3%.     

基于信息熵和概率神经网络的海战场目标识别

海战场目标识别是态势评估的基础,采用信息熵进行属性的约简,去除冗余属性,减少无关属性对识别的干扰。利用概率神经网络综合使用RBF神经网络和竞争神经网络进行目标识别。信息熵与概率神经网络结合可以过滤掉传感器信息中的冗余信息,有效地对海战场目标进行识别,并具有一定的泛化能力。通过仿真证明了本方法的有效性。     

A comparative study of neural network structures in identification of nonlinear systems

This paper investigates the identification of nonlinear systems by neural networks. As the identification methods, Feedforward Neural Networks (FNN), Radial Basis Function Neural Networks (RBFNN), Runge–Kutta Neural Networks (RKNN) and Adaptive Neuro Fuzzy Inference Systems (ANFIS) based identification mechanisms are studied and their performances are comparatively evaluated on a three degrees of freedom anthropomorphic robotic manipulator.     

A New Nonlinear Compound Forecasting Method Based on ANN

1　ＩｎｔｒｏｄｕｃｔｉｏｎＩｔｉｓｋｎｏｗｎｔｈａｔｔｈｅｒｅａｒｅｍａｎｙｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｓｔｈａｔｃａｎｂｅａｄａｐｔｅｄｔｏｔｈｅｓａｍｅｐｒｅｄｉｃｔｉｏｎｐｒｏｂｌｅｍ .Ｔｈｅｙｓｈｏｗｖａｒｉｏｕｓｃｈａｒａｃｔｅｒｉｓｔｉ