岛礁地形畸形波演化过程的试验及小波谱分析

为研究某岛礁周边波浪演化过程及其特征,本文选取西太平洋的一个典型岛焦地形为研究对象,在试验水池中建立了礁地形三维模型(1∶100)。造波机输入谱为Goda改进的JONSWANP谱,谱峰升高因子γ取2.0,对不同有效波高和有效周期的定向随机波工况进行了试验。在岛礁周围布置多个浪高仪测定波浪的时间序列,并基于小波变换分析波面序列的小波谱特征。通过分析试验中的波浪演化过程,发现多个工况在地形突变处存在畸形波。通过分析小波能谱发现在畸形波近后方出现波群时,该波群会获得畸形波的能量,导致该波群的波能增大,并生成二次畸形波。试验发现地形突变会增大畸形波发生的概率。畸形波的形成与波浪的群性有关,且单次畸形波与二次畸形波演变特点存在差异。     

基于外海环境预报的近岸岛礁桥址区波高ANN推算模型

中国跨海桥梁多建于近岸岛礁海域，桥址区的波浪要素随时空演变复杂。桥址区波高的准确推算对于桥梁结构设计和施工组织具有十分重要的意义。提出一种基于外海环境预报数据的近岸岛礁桥址区波高人工神经网络（ANN）推算模型，并以平潭海峡公铁两用大桥桥址海域为研究对象，运用ANN算法中常用的BP神经网络对外海海洋预报台提供的波高、风速数据以及在桥址区实测波高数据进行训练，建立二者之间的映射关系及ANN推算模型。为验证推算模型的可行性和有效性，运用上述模型对桥址区连续80 d的海浪波高进行推算，通过对比前人模型和实测数据发现，推算波高和实测波高的变化趋势基本吻合，均方根误差满足预测要求，获得了理想的预测效果。研究表明，提出的波高ANN推算模型可以利用外海预报信息进行近岸岛礁桥址区的波高推算，且建模过程较为简单。     

小波网络模型及其在日流量预测中的应用

基于小波分析和人工神经网络两者的优点,本文尝试将小波分析与ANN结合建立松散型WNN耦合模型,通过小波变换把南告水库的日流量序列分解成不同频段的子序列,再对这些子序列分别采用BP神经网络进行预测,最后利用小波重构得到整体的预测效果,并与传统BP模型结果相比较.研究结果表明,该方法提高了预报精度,可以成功地用于水文模拟和预测.     

灰色自记忆神经网络模型在年径流预测中的应用

径流序列是一种非线性、弱相依高度复杂的动力系统,径流预测还处于探索阶段,提高径流预测精度关键在于对有限样本包含的信息进行充分发掘.采用一种理论和方法很难充分挖掘径流序列所包含的信息.基于组合预测思想,应用灰色理论,自记忆性原理与BP神经网络三种理论与建模方法对年径流序列进行挖掘,在此基础上提出年径流预测的灰色自记忆神经网络模型.结果表明,模型能够很好地反映径流的变化规律与极值趋势,具有较好的拟合与预报精度.     

基于小波和神经网络模型的邮电业务总量预测

引入极大重叠离散小波变换的概念,利用极大重叠离散小波变换的多分辨分析特性,对邮电业务总量序列进行分解.然后对分离得到的光滑项和细节项两部分利用小波神经网络模型进行建模和预测,最后再重构得到邮电业务总量序列的预测值.数据测试结果表明:本文方法可实现多步预测,且对邮电业务总量的预测精度比单纯的用小波神经网络模型或BP神经网络模型高.     

基于小波神经网络的水文时间序列预测

复杂时间序列预测是时间序列分析的主要研究内容之一,已成为一个具有重要理论和实际应用价值的热点研究领域。基于小波和神经网络组合模型,提出一种多因子小波预测模型以提高水文时间序列的预测精度。并根据不同小波函数对水文时间序列数据的适应性,提出了一种基于加权相关系数的小波函数选择准则。以国家重要水文站淮河王家坝站汛期的日流量时间序列预测为例,对各种常用小波函数进行了实验。结果发现选择得到的Haar小波和B3 spline小波函数预测精度较高,从而验证了小波函数选取准则的有效性;通过和传统单序列小波神经网络模型比较,发现提出的多因子小波神经网络模型的预测合格率在不同预见期均提高了10％以上,并且对洪水高流量方向预测合格率提高了15％。     

改进的BP神经网络在潮汐预报中的应用

应用传统的调和分析方法对潮汐水位进行预报时,要想获得精确的潮汐预报水位,需要大量的长期潮汐观测数据.为了突破传统方法的限制,应用一种改进的BP神经网络模型,利用短期的潮汐观测数据,对潮汐水位进行精确有效的预报.结果显示,对比传统的调和分析方法,应用改进的BP神经网络模型可以有效的改善潮汐水位的预报精度.     

基于小波和神经网络的供热负荷预测

目的研究供热系统热负荷预测方法,使供热量及时跟随用户需热量进行控制.方法通过分析供热负荷特性及其变化规律,用小波包变换对热负荷序列进行分解,再结合Elman神经网络分别对各序列建立模型,进行单步预测,最后重构各序列,得出热负荷预测序列.结果仿真试验表明,与未采用小波分析的BP、Elman神经网络相比,该方法预测精度较高,跟踪能力强.结论基于小波和神经网络的供热负荷预测方法能较好地跟踪预测用热量,适合于短期供热负荷预测的应用.     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

基于小波变换和BP神经网络的短期风电功率预测

风电功率预测的准确性对风电大规模接入的电力系统安全稳定运行具有重要意义。提出一种基于小波变换和BP神经网络的风电功率预测模型,通过小波变换将风电功率序列在不同频率上进行分解,对分解后的单支序列分别采用相匹配的BP神经网络进行建模和预测,最后,叠加各序列的预测结果得到完整的预测值。基于该模型的内蒙古某风电场输出功率预测算例结果表明:该模型可以有效提高预测精度。     

基于小波变换的BP神经网络参考作物腾发量预测模型

受气温、日照、风速、水汽压等因子随机变化的影响,参考作物腾发量时序过程具有非线性、多时间尺度变化等特性.为研究参考作物腾发量在时间尺度上的分布规律,提出了一种基于小波变换与人工神经网络相结合的参考作物腾发量预测模型.该模型吸取了小波分析的多分辨分析功能和人工神经网络的非线性逼近能力,具有较高的预测精度.以韶山灌区参考作物腾发量时间序列为样本,论述了上述模型的优越性.     

基于小波神经网络的时间序列预报方法及应用

传统的时间序列预测模型在处理具有非线性特性或非平稳时间序列问题,特别是对有人参与的主动系统、社会经济系统的预测上,无法取得满意的预测效果.寻求处理这类系统的方法是人们一直努力的方向.这里以小波理论为基础,重点研究了小波网络在非线性时间序列中的建模预测方法,利用深圳综合指数数据,建立了股票指数预测模型.该模型克服了传统的时间序列预测模型仅局限于线性系统的情况,避免了BP神经网络模型固有的缺陷.仿真结果表明,该方法比神经网络预测方法的预测精度高,可以很好地应用于某些非线性时间序列的预测中.     

小波神经网络的大坝变形预测研究

为了达到掌握大坝变形规律,确保大坝安全运行的目的.通过对小波神经网络和BP神经网络的对比,从隐含层激励函数的构造分析,得出两种网络本质相同,从BP算法的权值调节分析两种网络的预测性能包括收敛性能和泛化性能,并结合实践应用到具体的大坝预测问题上,验证小波神经网络在预测方面精度高,误差不超过0.1mm,同时泛化性能好的优势.     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,而索力值是衡量索的力学状态的重要指标。目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素。为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证并生成模拟数据,然后以索长、线密度、抗弯刚度、一阶频率、二阶频率、三阶频率为输入参数,以索力值为输出参数结合振动模拟数据分别建立BP神经网络和广义回归神经网络索力预测模型,并将两种神经网络索力预测模型和已有索力计算公式应用于实际工程中进行对比验证。结果表明：BP神经网络索力预测模型的神经网络结构为6-13-13-1,输入层与隐含层1、隐含层1与隐含层2、隐含层2与输出层之间的激励函数分别为tansig、tansig、purelin,训练算法为L-M优化算法trainlm,学习速率为0.1,网络迭代次数为1000,显示间隔为100,均方误差为0.001,索力预测模型的预测效果良好,但还有进一步优化的空间;广义回归神经网络索力预测模型的最佳spread值为0.00215,索力预测模型的预测效果优于BP神经网络和已有索力计算公式,且预测误差基本控制在5%以内。利用广义回归神经网络对桥梁索力进行预测,避免了索的边界条件判别错误对索力识别结果准确性的影响,提高了索力的识别精度,具有良好的工程应用价值。     

DB小波与RBP神经网络的短期电力负荷预测

基于DB小波与BP神经网络,提出一种DB小波与RBP神经网络的方法对短期电力负荷预测.运用DB小波能够精确地提取时间序列的细微特性和RBP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了DB与RBP预测模型,经实际数据证明该方法提高了预测的精确性.     

基于小波神经网络的CFG桩复合地基承载力预测

针对BP神经网络学习时间长、收敛速度慢等缺陷,借助小波分析理论,将母小波平移和伸缩构成的小波基作为神经网络的激励函数,通过指导网络的初始化和参数选取,使网络以较简单的拓扑结构实现函数逼近,利用网络训练建立起承载力与其影响因素之间的非线性关系.在相同结构和参数下,与BP神经网络进行分析对比.结果表明:利用小波变换对数据时...     

基于多尺度小波神经网络的工程车辆换挡策略

介绍了以提高工程车辆传动系效率为目的的自动换挡原理,以多尺度小波神经网络为基础构建了换挡模型,并利用自动变速控制实验数据对建立的模型进行验证性实验.实验结果表明,基于多尺度小波神经网络的换挡模型比遗传BP神经网络的换挡模型准确度更高,能更准确地实现换挡,更进一步提高了工程车辆传动系统的效率,达到了节约能源、增加效率的目的.     

港口集装箱吞吐量预测方法研究

介绍了BP神经网络预测法、回归分析预测法和二次指数平滑预测法,以厦门港集装箱吞吐量的预测为例进行比较和分析。结果表明:BP神经网络预测法的预测精度高于后两种预测方法,其预测结果的可靠性最高。     

基于级联神经网络的年降雨量预测

降雨量是农业生产的一个重要影响因素,如何准确预测降雨量成为指导农业、水利等一项重要的科技指标。从信息利用角度来看,单一预测模型仅能利用降雨量数据部分有效信息,而组合模型将单一模型的优势互补,可获得更佳的预测效果。基于神经网络理论的快速发展及级联神经网络预测模型被广泛应用于各个方面并取得了很好的结果,针对降雨量曲线的特点,深入分析BP神经网络及RBF神经网络发现,BP神经网络可很好的拟合对降雨量有很大影响的气候信息和其它因素,输出同一类型的降雨量影响信息; RBF 网络的特点就是可很好地提取同一类信息特征,二者的组合可很大程度的提高降雨量预测精度。鉴于此,将BP-RBF级联神经网络引入降雨量预测研究中,实例计算表明,该方法高于单一神经网络预测精度,证明该方法应用于降雨量预测是合理有效的。     

小波神经网络分类算法在教育信息管理系统中的应用

小波神经网络在预测及分类应用中较之前馈神经网络RBF及单隐层BP神经网络有着无法比拟的优势.本文将小波神经网络的强大分类功能用于教育信息管理系统的数据分析中,完成了200多所中小学各项指标的综合分析、数据统计和学校分类划分.系统实际运行表明,该算法预测和分类功能强,分析结果准确率高达96%,有很好的应用价值和工业推广意义.