基于神经网络模型的时间序列预测算法及其应用

提出了一种神经网络模型的时间序列直接多步预测算法。网络的学习采用具有遗忘因子的ＢＰ算法与时差方法相结合的混合算法，解决了经典ＢＰ算法在直接多步预测中不能渐进计算的问题，同时网络具备一定的结构学习能力。采用该算法对现场采集的高炉铁水含硅量时间序列数据进行预报实验，表明本文提出的直接多步预测方法是可行的。     

基于免疫遗传算法的前向神经网络设计

针对传统BP算法训练速度慢、易陷入局部最优等缺点，该文提出了一种采用免疫遗传算法设计前向神经网络的方法。为解决神经网络权值随机初始化带来的问题，介绍了一种基于免疫的多样性模拟退火法(SAND算法)来进行神经网络权值初始化。仿真结果表明，该算法比混合遗传算法有更高的性能。     

基于复合差分进化算法与极限学习机的高炉铁水硅含量预报

针对铁水硅含量无法直接在线检测的问题,本文提出了一种基于优化极限学习机(ELM)的高炉铁水硅含量预报方法.该方法利用复合差分进化算法(CoDE)的快速定位全局最优解的能力来优化极限学习机的输入权值和隐层节点阈值,在此基础上建立了基于复合差分进化算法优化极限学习机(CoDE-ELM)的高炉铁水硅含量预报模型.以某钢铁厂2650 m~3的高炉为例,利用实际采集数据进行模型检验,结果表明,当绝对误差小于0.1时,铁水硅含量的预报命中率为89%,均方根误差为0.047,实际目标值序列与预报值序列的相关系数为0.851.所建模型的预报结果优于支持向量机(SVM)、前馈神经网络(BP-NN)、极限学习机以及差分优化极限学习机(DE-ELM),对高炉炉温的实际调控具有较好的指导意义.     

基于主成分分析的动态神经网络预报方法及其应用

提出一种基于主成分分析法(PCA)和改进型多步E lm an网络的实时预报方法.该方法能够在保留大量原始数据信息的前提下,消除样本数据间相关性,简化网络结构,通过动态递归算法实现复杂非线性系统实时预报.将该网络应用于宝钢某高炉铁水含硅量的预报,以±0.05作为预报误差,预报命中率达到88.17%.     

多维AR模型在高炉铁水含硅量预报中的应用

本文提供了用统计学方法建立的多维AR模型,用该多维AR模型对本钢五号高炉进行 了铁水含硅量预报的离线实验.     

高炉铁水硅含量预报的ICA-SVM建模方法

提出了一种基于改进的动态独立分量分析（independent component analysis, ICA）和支持向量机(support vector machine, SVM)的高炉铁水硅含量预报模型建模方法．采用动态ICA方法对样本数据进行特征提取,消除生产工艺参数之间的相关性．在此基础上,再使用目前计算复杂性较小的最小二乘SVM算法建立高炉铁水硅含量预报的动态递推模型,并引入了遗传算法以优化模型性能．以某钢厂高炉实际生产数据进行了应用实验,并与现有的时间序列分析、人工神经网络和基本SVM建模方法进行了对比．实验统计结果表明,本文方法显著提高了铁水硅含量的预测命中率．     

基于Bootstrap的高炉铁水硅含量二维预报

高炉铁水硅含量的实时准确预报对调控高炉炉温和稳定炉况具有重要作用, 但其预报结果一直存在准确度不高和缺乏可信度表征等问题, 特别是在炉况不稳、运行数据波动较大时, 预报结果的准确度和可信度急速下降, 不利于现场操作人员根据预报结果进行生产操作. 为此本文融合神经网络和Bootstrap预报区间方法, 构建高炉铁水硅含量的二维预报模型, 实现在预报硅含量值的同时给出了该预测值的可信度.应用实例表明, 本文提出的方法提高了硅含量点预测结果的准确度, 且预测区间宽度能正确地表征点预测结果的可信度, 对实际生产操作具有较好的指导意义.     

基于免疫规划的模拟退火算法

通过对模拟退火算法优缺点的分析，提出了一种新型的模拟退火算法——基于免疫规划的模拟退火算法。该算法借鉴了生物免疫概念与理论，将免疫规划的全局寻优能力与模拟退火算法的局部寻优能力相结合，克服了模拟退火算法运算效率低的缺点。理论分析和仿真结果表明，该算法不仅能够有效地保持种群的多样性，而且收敛速度和稳定性都有了明显提高，收敛到最优值的比例可达到91%。     

铁水含硅量预测系统中数据预处理技术的研究

通过使用自适应预报模型与时差方法相结合的方法对铁水含硅量进行预测,模型所需的工艺参数的原始数据经采集后需使用OPC技术标准进行传输以存入数据库系统中;硅预测程序通过对数据库查询得到所需的操作数据,由于生产环境对数据的干扰,需对其作均值滤波和插值运算的一次处理,然后进行求平均值、梯度和标准差统计学运算的二次处理,之后运用模糊理论将各个工艺参数归一化以提取参数特征值,作为铁水含硅量预测模型的输入参数,在预测过程中使用多元线性回归不断修正模型中的权重系数,以提高数学模型预测的准确率。     

基于粒子群算法的神经网络短期降水预报建模研究

用多样性粒子群算法优化神经网络的网络结构和连接权，获得神经网络集成个体；进一步用二次规划方法，计算各集成个体的最优非负权系数进行组合集成，生成神经网络集成的输出结论，进行短期降水预报建模研究．以广西全区的月降水量实例分析，结果表明该方法能有效提高系统的泛化能力．     

Simulated annealing-based immunodominance algorithm for multi-objective optimization problems

Based on the simulated annealing strategy and immunodominance in the artificial immune system, a simulated annealing-based immunodominance algorithm (SAIA) for multi-objective optimization (MOO) is proposed in this paper. In SAIA, all immunodominant antibodies are divided into two classes: the active antibodies and the hibernate antibodies at each temperature. Clonal proliferation and recombination are employed to enhance local search on those active antibodies while the hibernate antibodies have no function, but they could become active during the following temperature. Thus, all antibodies in the search space can be exploited effectively and sufficiently. Simulated annealing-based adaptive hypermutation, population pruning, and simulated annealing selection are proposed in SAIA to evolve and obtain a set of antibodies as the trade-off solutions. Complexity analysis of SAIA is also provided. The performance comparison of SAIA with some state-of-the-art MOO algorithms in solving 14 well-known multi-objective optimization problems (MOPs) including four many objectives test problems and twelve multi-objective 0/1 knapsack problems shows that SAIA is superior in converging to approximate Pareto front with a standout distribution.     

免疫神经网络在固井质量预测中的应用研究

为了克服传统BP网络收敛速度慢,隐含层节点数不确定等缺点,将免疫算法与BP网络理论相结合,提出了应用免疫神经网络建立固井质量预测模型.在免疫神经网络算法实现中,增添了抗体浓度进行免疫调节,提高了群体的多样性.仿真结果表明,方法比BP网络建立的模型具有更短的训练时间和更高的预测精度,能够提高固井质量,实现固井质量的预测和跟踪分析,对固井中各种未知信息的预测有着较好的适用性,为固井质量预测提供了一种新方法.     

一种基于学习型人工免疫算法的股价预测模型

In traditional artificial immune algorithm, there is no differentiation in clone step and variation step, and BP neural network is prone to obtain local minimum value. This paper presents a hybrid model combining a learning artificial immune algorithm and BP algorithm for stock shares forecast and investment strategy analysis. This model overcomes the shortcomings of artificial immune algorithm in cloning antibody and antibody variation without differentiation, and adds the antibody learning function in the model, accelerating the convergence speed and accuracy of antibody optimization. The simulation results show that the stock price prediction model with learning artificial immune algorithm is superior to BP stock price prediction model in the stock price prediction accuracy and investment strategy.     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明：与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。     

时序神经网络算法的短期风速预测研究

采用神经网络对风速进行短期预测,研究BP型短期风速预测网络中BP算法、BP网络构建以及网络训练方法.结合时间序列法和神经网络法提出了时序神经网络预测方法,对短期风速预测网络中输入变量数量和隐舍层节点数量的选择方法进行了探讨.仿真实验结果表明,时序神经网络法建立的网络,训练时间明显缩短,网络输出的预测值与真实的观察值之间...     

基于神经网络的链路预测算法

针对当前基于网络拓扑结构相似性的链路预测算法普遍存在精确度较低且适应性不强的问题,研究发现融合算法能够有效改善这些问题。提出了一种基于神经网络的融合链路预测算法,主要通过神经网络对不同链路预测相似性指标进行融合。该算法使用神经网络对不同相似性指标的数值特征进行学习,同时采用标准粒子群算法对神经网络进行了优化,并通过优化学习后的神经网络模型计算出融合指标。多个真实网络数据集上实验表明,该算法的预测精度明显高于融合之前的各项指标,并且优于现有融合方法的精度。     

粒子群算法优化BP神经网络的粉尘浓度预测

对综采工作面粉尘浓度预测的方法是建立BP神经网络预测模型.为了提高算法的拟合能力及预测的准确度,使用粒子群算法对目标函数进行改进,即将粒子群算法寻到的最优权值和阈值应用于神经网络预测模型求综采工作面粉尘浓度.比较分析新的预测模型与常用的灰色模型以及标准的BP神经网络算法,结果表明粒子群优化的神经网络算法的拟合能力和预测的准确率显著提高.     

Prediction of service life of large centrifugal compressor remanufactured impeller based on clustering rough set and fuzzy Bandelet neural network

In order to predict the service life of large centrifugal compressor impeller correctly, the rough set and fuzzy Bandelet neural network are combined to construct the novel prediction model which can give full play to theirs advantages. The attribute reduction algorithm based rough set and clustering method is firstly designed to optimize the inputting variables of fuzzy Bandelet neural network. And then the prediction model based on fuzzy Bandelet neural network is proposed, the Bandelet function is used as the excitation function of hidden layer and is combined with fuzzy theory to improve the prediction effectiveness of the prediction model. The training algorithm of fuzzy Bandelet neural network is designed based on improved genetic algorithm, the improved genetic algorithm introduces the adaptive differential evolution method into the traditional genetic algorithm, which can effectively optimize the parameters of fuzzy Bandelet neural network. Finally, the original 30 input variables of fuzzy Bandelet neural network are reduced to 9 input nodes based on rough set using 500 remanufacturing impellers as research objects. The service life of remanufacturing impeller is predicted based on three prediction models, and simulation results show that the fuzzy Bandelet neural network optimized by improved genetic algorithm has highest prediction precision and efficiency, which can correctly predict the service life of remanufacturing impeller.     

基于免疫神经网络模型的油气浓度预测研究

将免疫算法与神经网络理论相结合，提出了免疫神经网络预报模型，以预报油库油气浓度。该模型首先用历史数据对网络进行训练，然后利用训练好的模型进行油气浓度的趋势预测，最后结合某油气预报实例检验了免疫神经网络模型的可行性。结果表明，该智能预报模型能够较好地识别油气扩散的变化规律，预报精度明显高于神经网络模型。该结论拓宽了免疫神经网络模型的应用范围，为油库油气浓度的科学预报提供了一种新方法。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用改进的人工蜂群算法与BP神经网络融合生成进化神经网络,然后使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先,获取历史负荷数据。然后,将获取到的数据输入到进化神经网络模型中进行训练。在训练过程中,采用了改进的人工蜂群算法对进化神经网络对神经网络的权重和偏置进行优化,提高模型的预测精度。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,找到最优的模型参数组合,从而提高模型的预测精度。为了验证所提出的负荷预测方法的有效性,我们使用了火电网负荷数据进行了测试。实验结果表明本文提出的进化神经网络在短期电网负荷预测方面表现出了良好的预测精度和实用性。与传统的预测方法相比,该算法的预测误差更小,预测结果更加准确可靠。