基于BP神经网络的混凝土抗压强度预测模型的建立

本文采用误差反向传播神经网络(BP)建立了混凝土抗压强度的预测模型,在不同的误差目标值及隐含层节点数条件下,探讨模型的预测精度。实验结果表明,当误差目标值设定为0.01、隐含层节点数为3时,模型的预测精度最高,平均误差百分数为6.6%。当误差目标值设定较大时,样本的预测值与实测值会发生明显的偏差,预测效果不佳。     

基于空间相关性和小波-神经网络的短期风电功率预测模型

为准确预测风电功率,该文提出1种预测模型。利用风速空间相关性把握风速时间序列的变化规律。将小波基函数植入神经网络的神经元节点中作为传递函数,对风电功率进行预测。对2相邻风电场短期风电功率预测算例进行仿真与对比分析。结果表明基于空间相关性和小波-神经网络(SC-WNN)的预测模型与逆传播神经网络(BPNN)和小波-神经网络(WNN)预测模型相比,平均百分比误差最大降低了0.164 3。     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

基于人工蜂群算法的Elman网络板形预测

针对常规Elman网络泛化能力差的缺点,以及工业生产中对高精度板形预测模型的需要,用人工蜂群算法（ABC）代替误差反传算法训练Elman网络,建立了一个基于Elman网络的板形预测模型．神经网络的隐层节点数通过经验公式和仿真试验来确定．通过仿真验证,用人工蜂群算法训练的Elman网络在同等条件下比常规Elman网络具有更强的泛化能力,其板形预测精度更高．     

基于GA-BP神经网络与敏感性分析的带钢厚度预测

为提高带钢厚度预测精度,构建了融合GA-BP神经网络和敏感性分析的T-GA-BP预测模型。首先通过循环迭代方式确定较优的BP神经网络隐含层的层数与节点数,再采用遗传算法对BP网络的权阈值进行优化。在此基础上,利用Tchaban算法进行敏感性分析,研究输入层中各工艺参数对带钢厚度的影响程度,筛选出重要参数作为新的输入样本来训练T-GA-BP神经网络模型,以降低网络复杂度。采用实际生产数据进行测试,结果表明,T-GA-BP模型的带钢厚度预测精度要高于BP、GA-BP、RBF、Elman神经网络等其他优化模型。同时,工艺参数敏感性分析结果可为轧制工艺调控方案的制定提供参考。     

模糊优选神经网络及其在综合后评价中的应用

将模糊优选理论与神经网络理论相结合,确定网络拓扑结构：隐含层数、隐含层节点数与节点激励函数的合理模式。将模糊优选的相对优属度模型作为人工神经网络的激励函数,建立模糊优选神经网络权重调整BP模型,实证研究表明,模糊优选BP神经网络模型,可以较好地应用于综合后评价。     

基于LSTM-XGboost组合的超短期风电功率预测方法

受数值天气预报信息影响,风电功率变化具有较强的随机波动性,传统单一预测模型精度较低,难以满足现实预测需求。为此,提出基于LSTM-XGboost组合的超短期风电功率预测方法。首先,基于风电场的气象数据,采用皮尔逊相关系数法筛选与风电功率强相关的气象数据,建立风电功率预测模型数据集;然后,将归一化处理的数据集作为LSTM和XGboost的模型输入,分别构建LSTM和XGboost的超短期风电预测模型,在此基础上,采用误差倒数法对LSTM和XGboost的预测数据进行加权构建组合预测模型;最后,以张家口某示范工程风电场实际运行数据验证组合模型的有效性。结果表明,相较于其他四种单一预测模型,组合模型具有更高的预测精度。     

基于梯度提升决策树的风电功率预测

针对风电功率预测问题进行研究,为了提高风电功率预测的精度,首先利用拉依达法则对原始数据进行预处理,以此来保证数据的完整性和准确性,其次利用梯度提升决第树算法构建时间预测模型,并对该模型进行计算和验证。根据本研究的日前预测问题,将其同常规BP神经网络算法相比较,结果显示所提出的基于GBDT的风电功率预测模型较BP神经网络在该问题上具有更优的预测性能。     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于CNN-LSTM和lightGBM组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用华北某风电场的风电数据集,以未来4小时风电功率为预测目标,验证了组合模型的有效性。预测结果表明,相较于其他三种单一模型,组合模型具有更高的预测精度。     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

双向Elman神经网络在卫星电池阵功率预测中的应用研究

针对神经网络预测电池阵功率存在的模型阶数难以确定及预测精度低下的问题，提出一种基于改进的Elman神经网络的双向预测模型。该模型利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合。使网络对时间序列特征信息的记忆得到加强，从而提高预测精度。用该文提出的双向预测模型对电池阵功率进行预测，输入层仅需一个节点，不需事先对模型进行定阶。仿真预测表明，预测精度比单向模型明显提高，且网络具有较好的泛化能力。     

模糊优选神经网络模型在泥石流平均流速预测中应用研究

泥石流平均流速是防治工程设计的重要参数,其设计预测精度直接影响工程投资.应用模糊优选神经网络模型,以模糊可变识别模型当优化准则参数等于2,距离参数等于1的特例为神经网络激励函数,研究隐含层在不同隐节点数情况下的泥石流平均流速预测精度,并以精度最高的隐节点数构建神经网络的拓扑结构, 对云南蒋家沟黏性泥石流平均流速进行预测.研究结果表明,预测精度较高,有参考应用价值.     

基于模糊聚类分析的风电功率预测研究

提高短期风电功率预测精度是风电大规模发展的迫切要求,同时也是保障风电并网运行的关键。笔者在不增加模型复杂度的前提下,提出了聚类建模方法。该方法首先采用减法聚类与模糊C均值聚类(FCM)方法相结合对训练样本进行处理,然后建立不同聚类集下对应的预测模型库,最后将预测数据与聚类后的样本数据进行匹配,选择合理的模型进行预测。采用山西某风电场实际数据进行大量仿真,并将预测结果与单一模型结果对比,结果表明,该方法可以减少大的预测误差点数,有效提高风电功率预测精度。     

反向传播神经网络对多结构翅片管换热器变工况性能预测适应性研究

基于多结构翅片管换热器变工况实验数据,研究神经网络模型在水-空气翅片管换热器性能预测方面的可行性.建立2排管、3排管翅片管换热器在制冷、制热工况下的反向传播神经网络模型,优化并确定单隐含层和双隐含层情况下较优的网络结构,模型预测误差达到1%左右.以指定结构翅片管换热器数据作为测试集,对比单隐含层和双隐含层网络模型在性能预测方面的效果.研究结果表明:对于制冷工况,双隐含层模型不能提高模型精度,反而会因为过拟合导致部分参数的预测精度降低;对于制热工况,双隐含层模型在预测结果精度上有明显的提高.     

烟草类消费价格指数预测模型的研究

用神经网络中的：BP网络建立了烟草类消费价格指数预测模型,首先选定历年数据为训练组,初步确定烟草类消费价格指数预测网络结构,然后计算出网络各层上的权重值,并使其达到稳定,通过比较网络精度,确定其最优隐含层层数和各层节点数,从而确定烟草类消费价格指数预测最优模型,使用了LevenbergMarquardt优化方法,克服了传统BP算法收敛速度慢,难以确定隐含层和隐含层节点数的缺陷,从而使学习时间更短,运用该模型对城市居民烟草类消费价格指数进行了预测,用检验样本验证训练结果,绝对误差为-2.0,相对误差为2,0964％,预测某城市3年烟草类消费价格指数分别为97.3752,97.3973和97.400O。获得了可信的结论。     

基于BP神经网络的岩土工程预测模型研究

BP神经网络具有自适应机制,通过训练和学习,达到对知识进行分类、模式判别、联想记忆等能力.岩土工程的灾害预测问题可以看作是一个模式识别问题,而岩土工程中变形情况的监测和预测模型的研究是矿山、建筑、水利等工程的一项重要课题,近年来安全监测技术发展有了巨大的飞跃,呈现出"实时"、"远程"、"非接触"的特点.针对BP神经网络预测模型监测在岩土工程方面的应用,应用BP人工神经网络实现了对岩土工程安全监测数据的预测预报,并对预测结果进行了分析,说明了隐含层数对预测结果误差的影响.通过比对,选择了误差最小的较优组合对岩土工程进行预测.     

模糊优选神经网络多目标决策理论

把笔者建立的模糊优选理论与神经网络理论结合起来，提出确定网络拓扑结构：隐含层数，隐含导节点数与节点激励函数的合理模式，提出模糊优选神经网络权重调整ＢＰ模型；且网络有良好的学习功能。神经元激励函数具有明确的物理意义。     

基于灰色Elman-NN模型的粮食产量预测与分析

设计灰色Elman神经网络预测模型,用于陕西地区人均粮食占有量及粮食单产量数据的预测与分析。根据神经网络能有效修正灰色预测模型的思路,设计灰色Elman神经网络预测模型。在对陕西地区人均粮食占有量及粮食单产量数据进行分析的基础上,建立灰色GM(1,1)模型,并利用Elman神经网络对粮食单产量数据预测模型进行残差修正。所设计的Elman-NN组合模型效果及预测精度优于单一的灰色预测模型。组合预测模型可用于农业及粮食产量领域的预测,为政府制定、实施农业经济政策提供科学依据。     

风电功率波动特性研究

采用概率分布拟合和基于遗传算法的BP神经网络的预测建模对风电功率波动特性进行定量分析。首先,针对风电功率实测数据建立了概率分布拟合模型并分析了拟合结果;其次,建立了基于不同时间间隔历史实测数据的BP神经网络预测模型,数据检验表明该模型对于峰值有很理想的预测精度且整体精度较高。     

自适应变异粒子群优化BP的短期风电功率预测模型

针对反向传播(BP)神经网络预测模型在风电预测中预测精度低、输入变量多的问题,提出一种基于互信息的自适应变异粒子群优化BP的短期风电功率预测模型.首先,采用互信息筛选出原始数据中与输出功率相关度较大的影响因素,减少冗余信息;然后,引入具有自适应惯性权重系数和变异因子思想的粒子群算法对预测模型进行优化.结果表明:与传统预测模型相比,该预测模型具有收敛速度快、预测精度高等特点.