基于PCA与Elman网络的地下矿山岩层移动

 由于地下金属矿床地质与开采条件的复杂性,影响岩层移动的因素错综复杂且相互影响,使得对岩层移动的预测具有很大的不确定性。大量的样本数据减慢了神经网络的训练速度,并且使得神经网络不稳定。将主成分分析(PCA)与Elman网络相结合构建模型,对地下矿山岩层移动角进行预测研究。利用主成分分析对原始数据进行预处理,提取原信息的主成分,将输入变量减少且互不相关,提高神经网络训练速度;用Elman网络对训练样本进行训练,进而利用训练好的网络对预测样本进行预测,与不采用PCA时的预测结果相比,采用PCA的预测结果更为准确,通过期望输出与实际输出的对比,相对误差都在5%以内,其预测的结果精度高,表明了PCA与Elman网络相结合对地下矿山岩层移动进行研究是可行的。     

采用卷积神经网络的电站锅炉燃烧效率建模方法

针对电站锅炉燃烧效率经典建模方法精度较低的问题,提出了一种基于卷积神经网络(CNN)的新型建模方法。通过分析影响锅炉燃烧效率的各项因素,建立了以锅炉负荷、一二次风配风方式、烟气含氧量等参数为输入,锅炉燃烧效率为输出的建模数据集。由于CNN的核心特征是通过卷积运算从样本数据的空间关联中进行特征提取,所以为了加强输入样本数据的空间特征,利用主成分分析法(PCA)对数据进行重构。在此基础上,采用LeNet-5结构的CNN构建锅炉燃烧效率模型。仿真结果表明,经过PCA重构的锅炉燃烧效率CNN模型的检验集相对误差最小,相比经典模型减小了19.58%,该方法为锅炉燃烧效率的优化提供了新的思路。     

基于小波Elman神经网络的活塞环渗氮硬化质量预测控制

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基础。结果表明,该方法可以有效地改进渗氮硬化工序的质量控制,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.     

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.     

基于主成分分析线性回归的光伏发电功率预测研究

针对经典光伏发电功率物理模型预测精度不高、可能遗漏关键气象因子的问题,基于数据驱动思想提出一种主成分分析、逐步线性回归以及多种检验相结合的光伏发电功率预测模型混合建模方法.采用相关性分析提取关键气象因子自变量,通过逐步线性回归对历史样本数据进行训练得到初始模型;对初始模型进行拟合程度、有效性以及多重共线性等多种检验,根据检验结果,采用主成分分析对初始模型自变量进行降维重构,得到修正模型;通过残差分析实现修正模型正确性的自校验;基于多种时间尺度对经典模型、未修正模型以及修正模型的预测结果进行详细对比分析.仿真结果表明修正模型提高了预测精度及所提混合建模方法的有效性与优越性.     

区域经济社会发展综合评价与预测

针对主成分分析(PCA)在多指标综合评价中非线性分析上的不足,提出了综合评价的核主成分分析(KPCA)方法.利用核函数将原空间映射到高维特征空间,在高维空间进行线性主成分分析;通过对核参数的适当选取,可使得最大特征值的贡献率达到或接近85%,避免了多个主成分的不同组合而导致评价结果不一致.在此基础上,利用最小二乘法建立核主成分回归方程--KPCR,并将其应用于区域经济社会发展综合评价与预测.     

充填管道失效风险性预测精度研究

为更准确预测矿山充填管道失效风险性,建立主成分分析与改进BP神经网络相结合的评价模型。选取10项评价指标作为充填管道失效风险性的评判指标,统计10个矿山的样本数据,并运用主成分分析法对这10个样本数据进行预处理,得出主要成分,再利用改进的BP神经网络模型进行预测,最终得到更准确的管道失效风险预测结果。研究结果表明,所得到实际预测结果与期望值之间的相对误差分别为2.31%,1.68%,3.02%。预测相对误差控制在4%以内,较未经主成分分析处理的标准BP神经网络预测精度更为准确。利用主成分分析法与改进的BP神经网络相结合建立的充填管道失效评价模型具有分析速度快、预测精度高的特点,为矿山充填管道失效风险预测提供了一种更为完善的方法。     

OIF Elman神经网络在股市综合指数预测中的应用

利用具有动态反馈机制的OIF Elman(Output-Input Feedback Elman)人工神经网络模型对股市的综合指数进行预测,为股票市场的建模及预测提供了一种新的技术和方法。实验模拟结果表明,OIF Elman网络具有极佳的逼近性能,预测数据与实际数据基本吻合,因此,OIF Elman神经网络用于股市预测是可行、有效的,具有很好的预测潜能和广泛的应用前景。     

近红外光谱在印刷品颜色检测中的应用

为了对印刷品颜色进行快速、准确检测,应用近红外光谱技术(NIR)并结合偏最小二乘法(PLS)建立印刷品颜色检测模型.对近红外光谱获取的144个样本光谱曲线,应用主成分分析方法进行降维,维数为5.选取的主成分作为光谱优化特征子集以替代原来复杂的光谱数据.随后,将144个样本数据随机分为定标集和预测集,利用偏最小二乘法在103个定标集样本数据基础上建立印刷品颜色预测模型,应用此模型对41个预测集样本颜色进行预测.研究结果表明:利用PLS模型得到样本的实测值和预测值之间的预测决定系数(R~2)为99.74%,预测平均相对误差为0.636%,表明利用近红外光谱技术检测印刷品颜色是可行的.     

基于多图像特征的幼龄沉香全氮估测

【目的】应用计算机视觉技术提取幼龄沉香的多图像特征，对沉香叶片全氮含量进行估测，为实现沉香氮营养状态的快速无损估测提供新方法。【方法】采用基于色调-亮度-饱和度(HIS)颜色空间的最佳直方图(KSW)熵法和形态学处理对幼龄沉香图像进行分割，并提取了图像的颜色、形状和纹理特征。然后利用偏最小二乘法(PLS)对多图像特征进行有监督降维，提取图像特征主成分。最后构建了天牛须搜索算法(BAS)优化后的Elman神经网络(Elman neural network, ElmanNN)模型对幼龄沉香叶片全氮量进行估测，并将模型验证结果与其他常用模型进行对比。【结果】以幼龄沉香可见光图像为研究对象，应用的基于HIS空间的分割算法效果优于常用的RGB和Lab颜色空间分割；PLS算法对图像特征提取了6个主成分，快速降低了图像特征的维数，并有效消除了特征变量间的多重共线性；提出的PLS-BAS-ElmanNN模型能实现模型参数的自适应选取，且估测效果较好，决定系数R²为0.740 7,均方根误差(RMSE)为1.265 3g/kg,估测精度略高于偏最小二乘回归(PLSR)模型和偏最小二...     

基于相空间重构及Elman网络的停车泊位数据预测

针对停车诱导系统（PGIS）中短时空余停车泊位时间序列数据预测问题，提出应用相空间重构与Elman神经网络相结合的方法来进行预测．首先分析了相空间重构的技术原理，在此基础上导出时间序列预测模型，并以Elman神经网络训练模拟该模型．介绍了相空间重构与Elman神经网络相结合的预测方法的具体实现过程与步骤，提出了短时空余停车泊位数据的预测效果评价指标．通过预测实例表明，该方法用于停车诱导系统中短时空余停车泊位数据的预测具有较好的预测准确性和有效性．     

一种利用改进Elman神经网络的光伏I-V特性建模方法

为了准确表征和预测光伏（PV）组件在不同工况下的电流电压（I-V）特性,本文提出一种利用改进Elman神经网络的光伏I-V曲线黑盒建模新方法。首先通过皮尔森相关系数分析影响I-V曲线的环境因素;其次使用基于电压电流的双线性插值法对实测I-V曲线进行重采样,以提高I-V曲线上数据点分布的均匀性;进而使用基于辐照度温度的网格采样法对I-V曲线数据集进行下采样,降低数据冗余度;再利用量子粒子群（QPSO）算法优化Elman神经网络的初始权值和阈值,从而构造QPSO-Elman预测模型。最后根据美国国家可再生能源实验室（NREL）提供的I-V曲线数据集进行实验验证和测试。实验结果表明,所提出的建模预测方法精度更高,稳定性和泛化能力更好。     

GA-Elman网络的网络控制系统预测

为了消除网络时延对网络控制系统的影响,采用Elman神经网络预测系统时延采样值,并用遗传算法优化神经网络权值阈值.实验仿真表明:经遗传算法优化后的Elman神经网络具有很好的预测精度及动态性能,能够消除时延的影响,并验证了该方法对时延采样值预测的有效性.     

基于灰关联分析Elman网络的网上购物意向预测模型

利用灰关联方法分析了消费者网上购物意向与各影响因子的关系,建立了预测消费者网上购物意向的Elman神经网络模型.结果表明,根据灰关联度的计算得出消费者网上购物意向的影响程度由强到弱的顺序,与实测值吻合,表明利用所建立的Elman神经网络模型能有效地预测消费者网上购物意向.     

基于主成分分析与模糊BP方法的藻类繁殖状态预测

将主成分分析（PCA）与模糊反向传播（BP）网络建模方法相融合,提出了PCA-模糊BP方法并用于藻类繁殖状态的预测,建立了叶绿素a含量的预测模型.采用PCA对各类采集数据进行预处理,并将PCA所得各理化因子作为模糊BP网络的输入变量,叶绿素a的含量作为模糊BP网络的输出变量,经过学习训练,获得藻类繁殖状态的预测模型.结果表明,PCA-模糊BP方法降低了各类输入样本数据之间的相关性和模型系统的维数,加快了模糊BP网络的收敛速度,其与典型BP神经网络模型相比,具有更快的计算速度和更高的预测精度,能够较好地预测海洋藻类繁殖的生长状况.
     

基于GRNN神经网络的中厚板轧机厚度预测

根据4200轧机轧制45号钢的实测数据,利用Matlab神经网络工具箱,建立中厚板轧机厚度预测的GRNN神经网络模型.研究结果表明;GRNN神经网络模型能较好地预测轧件厚度的变化,相对误差很小;与BP网络和Elman网络模型相比,GRNN网络模型具有更高的精度和更强的稳定性.     

SARS传播规律函数的ELMAN神经网络逼近方法

提出了用ELMAN神经网络逼近传染病传播规律函数的方法,给出了影响传染病传播的影响因素简单近似的量化途径。用北京市和山西省的统计数据来验证该方法,验证结果表明,训练后的ELMAN神经网络能较准确的逼近传染病的传播规律函数,该方法对传染病的预测和控制有一定意义。     

基于邻域粗糙集和灰狼算法优化Elman的民航发动机滑油量预测

实时预测民航发动机滑油量对保障飞行安全具有重要意义.针对滑油量受发动机多个工作状态的多个参数影响,具有影响参数多,提取方法不确定等问题,提出了一种基于邻域粗糙集(neighborhood rough set,NRS)和灰狼优化(grey wolf op-timizer,GWO)-Elman相结合的方法预测滑油量.首先通过邻域粗糙集提取对滑油量重要度高的发动机工作阶段,将提取后的工作阶段有关参数作为特征向量输入到灰狼优化-Elman的网络模型中,灰狼算法通过计算和比较个体的适应度来优化El-man网络中的权值和阈值,保证Elman网络中的权值和阈值达到全局最优.预测结果表明,精度达到98.44％,满足工程应用的精度要求.研究结果为及时监测民航发动机滑油系统的健康状况提供理论依据.