基于组合神经网络模型的函数逼近方法

在通用函数逼近定理基础上,介绍了一种将反向传播神经网络和径向基神经网络模型相接合的组合神经网络模型,并将该模型应用于上海证券指数的预测.仿真实验结果表明,该模型很好地减小了预测值和实际值之间的误差,预测效果也优于普通的反向传播神经网络模型.     

SVM-RBF网络在混沌时间序列预测中的应用

混沌时间序列预测是非线性动力学研究中一个很重要的问题.支持向量机是一种基于统计学习理论的新颖的机器学习方法,为混沌时间序列的预测提供了一种有效的算法思想.本文基于支持向量机与径向基神经网络在结构上的相似性,将支持向量机用于径向基神经网络中心的选取,并对混沌时间序列进行预测,仿真结果表明,其效果优于其他方法.     

浅海混响时间序列的支持向量机预测

把基于结构风险最小化原则的支持向量机应用到混响时间序列预测中,与径向基函数(RBF)神经网络方法预测结果进行了对比分析。采用海上实验混响数据进行预测,处理结果表明,支持向量机的方法优于RBF神经网络的方法,对混响时间序列有很好的预测效果。     

基于LSSVM的VVP推力系数预报

针对神经网络存在结构较难确定、训练易陷入局部最优以及容易过学习等问题和标准SVM训练速度较慢等问题,提出最小二乘支持向量机算法,最小二乘支持向量机算法(LS-SVM)具有比其他非线性函数逼近方法具有更强的泛化能力;并且LS-SVM采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.将最小二乘支持...     

基于支持向量机的嵌入式软仪表

过去几年中，神经网络尤其是径向基网络得到广泛了应用，支持向量机作为一种新兴的学习机和神经网络相比有着极大的优越性，以某炼油厂催化裂化单元中的轻柴油凝固点为例，从Matlab算法验证和工程实践两方面说明了支持向量机在软测量建模中的巨大优越性。     

基于多分类支持向量机的中医舌诊诊断的研究

研究基于多分类支持向量机的中医舌诊诊断,构建一个中医舌诊诊断的神经网络模型.依据支持向量机理论,选取径向基函数(RBF)作核函数,采用"一对一"方法构造基于支持向量机的多分类分类器.将舌象的特征参数作为分类器的输入样本,对病证进行分类.以肝病病证分类作仿真,实验结果表明:基于支持向量机的多分类分类器用于中医舌诊诊断的研究是可行的和有效的.     

基于量化参数的脂肪醇沸点QSPR研究

应用HyperChem7．0计算与脂肪醇沸点相关的结构参数对119种脂肪醇的沸点做定量结构性质关系(QSPR)研究。在逐步回归算法筛选出影响脂肪醇沸点的分子偶极矩μ、分子最高占有轨道能EHOMO、分子最低空轨道能ELUMO、分子范德华表面积Sg、摩尔折射率Rm、极化率α、分子质量M和疏水参数logP 8个主要结构参数的基础上,采用ε-支持向量机、多元线性回归,以及径向基函数神经网络算法,通过留一法交叉验证建立脂肪醇沸点的QSPR预测模型,3种模型中ε-支持向量机、多元线性回归和径向基函数神经网络模型留一法预测结果的相关系数R分别为0．993、0．988、0．987,标准偏差s则分别为4．774、6．501、6．724,表明ε-支持向量机模型具有最好的预测效果。     

基于ELM的硫熏强度软测量模型

硫熏强度是亚法糖厂澄清工段的关键工艺参数之一;硫熏强度过低会影响澄清效果,过高会造成成品糖二氧化硫残留过高;目前由于缺乏合适的硫熏强度在线测量装置,该参数主要采用人工取样和离线化验的检测方式,化验滞后时间较长,难以根据该指标及时指导实际生产的问题;为此文章采用极限学习机(ELLM)方法建立了硫熏强度软测量模型,并与基于支持向量机(SVM)、径向基函数(RBF)神经网络和反向传播(BP)神经网络的硫熏强度软测量模型进行对比分析;结果显示,基于ELM的硫熏强度软测量模型具有训练收敛速度快、模型精度高和泛化性能好等优点,可以满足实际糖厂澄清工段的要求.     

多传感器室内环境监测系统

针对室内环境舒适度及安全性监测需求,设计并实现了一种基于多传感器的室内环境监测系统.在分析并比较反向传播(BP)神经网络、径向基函数(RBF)神经网络、支持向量机(SVM)、遗传算法优化的BP神经网络在此应用中的性能与误差的基础上,在Android端实现了ISO国际标准的PMV热舒适度算法及有害气体浓度预警算法,从而实现室内空气质量的各参数的实时监测,并能更好地预测火灾等高危险灾害.此系统可全面反映室内的空气质量,让居民能更有针对性地改善自己的居住环境.     

基于支持向量机的图书馆借阅量预测

为了准确预测图书馆借阅量,本文提出基于支持向量机的图书馆借阅量时序预测方法,支持向量机能有效解决非线性、高维、小样本等问题,并采用遗传算法选取合适的支持向量机训练参数,以此增加支持向量机的泛化能力。首先提出了支持向量机预测模型,并进行实例分析,将华北科技学院图书馆流通部1997-2007年度借阅量作为本文的实验数据。实验结果表明支持向量机的图书馆借阅量预测效果优于径向基(Radial Basis Function,RBF)神经网络。     

Modelling of diesel engine performance using advanced machine learning methods under scarce and exponential data set

Traditional methods on creating diesel engine models include the analytical methods like multi-zone models and the intelligent based models like artificial neural network (ANN) based models. However, those analytical models require excessive assumptions while those ANN models have many drawbacks such as the tendency to overfitting and the difficulties to determine the optimal network structure. In this paper, several emerging advanced machine learning techniques, including least squares support vector machine (LS-SVM), relevance vector machine (RVM), basic extreme learning machine (ELM) and kernel based ELM, are newly applied to the modelling of diesel engine performance. Experiments were carried out to collect sample data for model training and verification. Limited by the experiment conditions, only 24 sample data sets were acquired, resulting in data scarcity. Six-fold cross-validation is therefore adopted to address this issue. Some of the sample data are also found to suffer from the problem of data exponentiality, where the engine performance output grows up exponentially along the engine speed and engine torque. This seriously deteriorates the prediction accuracy. Thus, logarithmic transformation of dependent variables is utilized to pre-process the data. Besides, a hybrid of leave-one-out cross-validation and Bayesian inference is, for the first time, proposed for the selection of hyperparameters of kernel based ELM. A comparison among the advanced machine learning techniques, along with two traditional types of ANN models, namely back propagation neural network (BPNN) and radial basis function neural network (RBFNN), is conducted. The model evaluation is made based on the time complexity, space complexity, and prediction accuracy. The evaluation results show that kernel based ELM with the logarithmic transformation and hybrid inference is far better than basic ELM, LS-SVM, RVM, BPNN and RBFNN, in terms of prediction accuracy and training time.     

Empirical comparisons of feed-forward connectionist and conventional regression models for prediction of first lactation 305-day milk yield in Karan Fries dairy cows

In this paper, two connectionist models are proposed based on different learning paradigms, viz., back propagation neural networks (BPNN) and radial basis function neural networks (RBFNN) to predict the first lactation 305-day milk yield (FLMY305) in Karan Fries (KF) dairy cattle. Also, a conventional multiple linear regression (MLR) model is developed for the prediction. In this study, all the models have been developed using a scientifically determined optimum dataset of representative breeding traits of the cattle. The prediction performances of the connectionist models are compared with that of the conventional model. This study shows that the RBFNN model performs relatively better than the MLR model. However, the BPNN model performs more or less in the close vicinity of the conventional MLR model. Hence, it is inferred that the connectionist models have potential as an alternative to the conventional models for predicting FLMY305 in KF cattle.     

间歇制浆蒸煮终点预测方法

在分析常用蒸煮模型的基础上,提出了基于神经网络的制浆蒸煮过程建模方法,与BP神经网络相比,RBF神经网络具有最佳逼近能力、收敛速率快和不存在局部极小点等,因而选用了RBF神经网络作为建模工具。在决定RBF神经网络的输入和输出变量时,充分利用了现场可测量的物理量和制浆蒸煮过程知识、其输入变量比常用蒸煮模型增加了硫化度和木片合格率,其输出变量有用实际过程测量所需的终点H因子的对数,这样就减少了RBF神经网络的规模,提高了训练速度。对工厂的实际数据应用表明,该RBF神经网络模型的预测精度高于传统的Hatton模型。     

基于径向基函数神经网络的泥石流危险性评价*

泥石流危险性的主要评价指标与危险程度之间有着某种复杂的非线性的关系,通常采用统计分析、模糊评价、BP神经网络等评价方法,但这些方法均存在不足之处,难以进行准确评价。为了克服以上方法的不足,结合泥石流危险性评价指标,建立了基于径向基函数神经网络的泥石流危险性评价模型,并将该模型结果与BP神经网络的评价结果进行了对比。实验结果表明,径向基函数神经网络的模拟结果比BP神经网络更接近测量数据,精度更高,训练所需时间更少。因此,径向基函数神经网络经过充分训练后,能够较为准确地对泥石流的危险性进行评价,具有较好的应用     

基于深度学习的城市轨道交通短时客流量预测

我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明,DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型——GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax.     

核k均值RBFNN的煤与瓦斯突出预测研究

针对BPNN模型在煤与瓦斯突出预测中存在收敛慢、误差较大等问题,建立了RBFNN模型对煤与瓦斯突出进行预测。采用对样本具有普适性的核k均值聚类算法来确定RBF的中心、梯度下降自适应算法优化网络宽度参数和递推最小二乘法算法调整网络权值。并用国内煤矿的煤与瓦斯突出实测数据对该混合算法及模型进行了验证。实验结果表明,本研究的方法在预测精度和收敛速度上均优于BPNN和基于经典k均值聚类算法的RBFNN,具有良好的实用性和有效性。     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

计及光伏及风电并网的电力系统短期负荷预测

为提升光伏、风电等分布式能源大量接入电网后短期电力负荷的预测精度,促进电网消纳能力提升,本文对光伏出力及短期用电负荷采用小波——径向基函数(RBF)神经网络预测方法;对风力发电首先利用总体平均经验模态分解(EEMD)方法对其功率数据分解,再采用BP神经网络、RBF神经网络、小波神经网络、ELMAN神经网络四种神经网络预测方法进行预测,并用粒子群算法(PSO)和灰色关联度(GRA)修正。最后,利用等效负荷的概念,分析光伏、风力发电并网对于短期电力负荷预测的影响,并将三种模型有效结合,得到了考虑光伏及风力发电并网的电力系统短期负荷预测的等效负荷预测模型。实例分析表明,本文所提方法相较于其他方法在该预测项目上具有相对更高的预测精度。     

Neural network modeling of time-dependent creep deformations in masonry structures

Stresses and deformations in concrete and masonry structures can be significantly altered by creep. Thus, neglecting creep could result in un-conservative design of new structures and/or underestimation of the level of its effect on stress redistribution in existing structures. Brickwork has substantial creep strain that is difficult to predict because of its dependence on many uncontrolled variables. Reliable and accurate prediction models for the long-term, time-dependent creep deformation of brickwork structures are needed. Artificial intelligence techniques are suitable for such applications. A model based on radial basis function neural networks (RBFNN) is proposed for predicting creep and is compared to a multi-layer perceptron neural network (MLPNN) model recently developed for the same purpose. Accurate prediction of creep was achieved due to the simple architecture and fast training procedure of RBFNN model especially when compared to MLPNN model. The RBFNN model shows good agreement with experimental creep data from brickwork assemblages collected over the last 15 years.