基于小波分解-Elman网络的灌区地下水埋深预测模型

地下水埋深受多种因素的影响,其演变具有趋势性、突变性与非平稳性。小波分解通过将时间序列分解成高频与低频分量来减少序列的非平稳性,其在处理非平稳信号方面具有明显的优势;Elman网络对非线性问题具有适应时变和动态记忆的优点。基于小波分解与Elman网络的优点,提出了一个新的地下水埋深预测耦合模型,并将其应用到人民胜利渠地下水埋深预测中;为验证模型的可靠性,将其预测结果分别与CEEMD-Elman模型和BP网络模型的预测结果进行了对比。结果表明:基于小波分解-Elman网络预测模型的最大相对误差为30.7%,最小相对误差为0.2%,平均相对误差为2.2%,预测效果较好;随着小波分解-Elman网络预测模型分解层数的增加,子分量与地下水埋深的相关性有增强的趋势,序列的平稳性越来越好;CEEMD-Elman模型和BP网络模型的平均相对误差分别为8.1%、3.8%,说明小波分解-Elman模型的精度最高。     

基于集对分析和GA-BP神经网络的 地下水埋深预测研究

针对地下水位与其影响因素之间存在非线性映射关系的特点,提出了基于SPA方法筛选地下水埋深时空自变量、再基于遗传算法优化BP神经网络进行地下水埋深预测的SPA-GA-BPNN模型。将该模型应用于安徽省蒙城县地下水埋深的预测中,并与全变量-LR、全变量-BPNN、全变量-GA-BPNN、SPA-LR和SPA-BPNN共5种模型进行对比。结果表明:SPA-GA-BPNN模型预测误差的MPAE值为0.088,MSE值为0.068,NSE值为0.848,误差指标均优于5种对比模型,在泛化性和稳定性方面也有显著优势。基于SPA方法筛选自变量,避免了自变量选取的主观性,且在理论上优于相关系数法,同时,遗传算法对神经网络的预测性能起到了显著的改进作用,可为地下水埋深变化过程的影响因素识别及预测提供可靠、有效的参考依据。     

基于SOM-RBF神经网络的用电量预测模型研究

随着我国电网建设的高速发展,从日常电力负荷变化趋势剖析未来年度用电量已经成为电网建设的关键问题之一。根据1997~2016年湖北省年用电量及其10个影响因子的数据作为样本,提出了一种自组织特征映射神经网络(Self-organizing Feature Maps,SOM)与多变量的径向基函数(Radial Basis Function,RBF)结合的人工神经网络预测模型新方法。采用先聚类、再分类预测的方法,解决了由于RBF神经网络对于少量样本和训练样本点分散所导致的预测精度降低的问题,改进的神经网络泛化能力有所提高。结果表明:通过SOM-RBF组合算法进行预测,其相对误差维持在3%以下,平均相对误差为1.88%,预测效果较BP神经网络和RBF神经网络有较大的提升。这表明SOM-RBF组合算法可有效的用于用电量预测,具有较高的实用价值。     

基于混沌相空间技术的地下水埋深预测的BP网络模型

随着社会经济的不断发展,地下水开发和利用程度日益增加,造成了地面沉降、地裂缝、海水入侵等一系列环境地质问题。为了探求人民胜利渠灌区地下水位变化的特征,并对地下水位进行合理的预测,在相空间重构理论的基础上,首先使用自相关函数法对灌区地下水埋深时间序列的延迟时间进行求解,然后运用G-P算法求出时间序列的最佳嵌入维数,最后采用小数据量的方法从时间序列中提取出Lyapunuov指数,对灌区地下水埋深时间序列的混沌特性进行研究。并建立基于混沌相空间技术的BP神经网络模型,对灌区2013年地下水埋深进行预测。通过与实际观测值的对比分析知,预测结果合理,预测精度较高。     

基于预测稳态差的神经网络预测控制

提出了一种基于预测稳态差的神经网络预测控制方法,稳态预测模型采用径向基函数网（ＲＢＦ网）,优化采用一维直接方法－－黄金分割法。为了改善其动态响应性能,又加入一个ＲＢＦ网作为动态预测模型。通过对一个控制ｐＨ值的非线性过程的仿真研究,表明该算法具有良好的稳定性和动态响应特性。     

莫索湾灌区1998—2007年地下水埋深变化及影响因素

依据玛纳斯河中游莫索湾灌区1998—2007年(共120个月)的地下水位监测资料,分析地下水埋深年际变化情况,采用主成分分析法对灌区地下水埋深变化的影响因素进行分析.结果表明:地下水埋深年际变化持续或波动下降;灌水量和抽水量是影响地下水埋深的主要因子,其荷载分别为0.801和0.769,埋深随灌水量的减少、抽水量的增加而增大;蒸发量仅次于灌水量和抽水量,也是影响地下水埋深的重要因子;而降雨量对地下水埋深没有显著的影响,其贡献率只有15%.分析了主要影响因素与地下水埋深变化动态的关系,认为灌区地下水埋深在自然因素和人为活动的交互影响下年内季节变化明显.     

基于预测稳态差的神经网络预测控制

提出了一种基于预测稳态差的神经网络预测控制 ,稳态预测模型采用径向基函数网 ( RBF网 ) ,优化采用一维直接方法——黄金分割法 .为了改善其动态响应性能 ,又加入一个 RBF网作为动态预测模型 .通过对一个控制 p H值的非线性过程的仿真研究 ,表明该算法具有良好的稳定性和动态响应特性 .     

基于RBF神经网络的网络安全态势预测方法

基于径向基函数(radial basis function,RBF)神经网络,给出一种网络安全态势预测方法。依据网络安全态势值之间的非线性映射关系进行态势预测。采用布谷鸟搜索算法对RBF神经网络的结构参数进行优化,并在其间引入模拟退火算法思想和动态发现概率机制,以提升预测精度。仿真实验显示,所给预测方法有效,改进后的布谷鸟搜索算法搜索效率更高,寻优结果更精确。     

基于PCA-RBF神经网络模型的航空备件预测方法

提出了基于PCA—RBF神经网络模型的备件预测方法．首先利用主成分分析去除原始输入层数据的相关性,以解决RBF神经网络模拟备件需求时输入变量过多、网络规模过大导致效率下降的问题,最后选择合适的径向基函数密度训练神经网络．通过结合实例进行分析,取得了较好的效果．     

基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。     

应力状态下混凝土碳化深度的神经网络预测

为计算应力状态下预应力混凝土在一定条件下的碳化深度,将混凝土应力水平取为影响碳化速度的参数.在已有试验结果的基础上,分别建立了预应力混凝土碳化深度实用计算模型,以及BP网络、径向基函数(RBF)网络和广义回归(GRNN)网络的三个神经网络预测模型,并通过实例将碳化深度试验值、实用公式计算值及神经网络预测值进行了比较分析.结果表明:考虑混凝土应力水平对碳化深度的影响是合理的,试验回归得到的实用碳化模型计算误差在9%以内;同时,所建立的BP、RBF以及GRNN网络模型均具有较高的计算精度以及良好的泛化能力,仿真和预测误差基本上在5%和4%以内,均低于实用计算模型的误差值.由此可见,所建神经网络模型的仿真及预测结果是理想的,可同时考虑各种影响因素组合、行之有效的混凝土碳化深度预测方法.     

径向基函数神经网络在大坝安全监测数据处理中的应用

建立了大坝安全监测数据处理坝段挠度预测的径向基神经网络模型 ,与通常的BP神经网络模型进行对比 ,并与实测结果进行校核 .结果表明 ,对于所研究的问题 ,径向基函数网络避免了BP网络的局部极小及收敛速度慢等缺点 ,在精度、训练速度等方面优于BP网络     

对RBF神经网络的改进及应用

为了提高传统RBF神经网络的收敛速度、网络精度以及更好地满足实际需求,提出一个线性—非线性并列的新型结构的RBF神经网络模型,并且将该模型应用到水轮机数字协联模型的建立。实例表明,利用该模型对协联关系进行拟合,提高了精度,取得了较好的效果。由于改进后的RBF神经网络具有良好的性能,在许多领域具有应用前景。     

基于BP神经网络的两阶段疾病预测模型

为了理论解决BP神经网络在进行多目标预测中出现的识别率和可信度不高的问题,提出了一种基于DS证据理论优化的BP神经网络预测模型用于疾病预测,实验中,对心脏病数据进行处理,结果表明,在预测准确度和算法鲁棒性方面,都具有较好的效果。     

基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。     

基于单调约束的径向基函数神经网络模型

径向基函数(radial basis function, RBF)神经网络是一种高效的前馈式神经网络。它结构简单,具有良好的泛化能力,已经被广泛的应用于数据分类中。但是对于一些特殊的分类场景,如单调数据场景,神经网络还未充分发挥其潜能。针对此,提出单调径向基函数神经网络(monotonic radial basis function neural network, MC-RBF)。MC-RBF引入Tikhonov 正则化方法确保优化问题解的唯一性与有界性。试验结果表明,在处理具有单调性的数据集时,MC-RBF比原始的RBF神经网络具有更好的分类性能。     

基于小波和神经网络拱坝变形预测的组合模型研究

传统方法只能近似地描述拱坝变形与各影响因子之间的关系.文章以小波变换提取影响大坝变形的主要影响因子———温度与水位的有效信息和大坝变形信息一起作为输入,实测变形值作为输出,通过对模型的合理优化和有效的数据处理,成功建立了拱坝变形的BP监控预测分析网络模型.通过模型的运算,得出了满意的结果,并且模型的预测精度较高.     

径向基神经网络在摩擦学中的应用

建立了润滑油摩擦学特性影响规律的径向基神经网络模型，可以较准确地计算和预测润滑油摩擦系数与负荷之间的关系，并进一步基于神经网络给出了两种不同润滑油之间的泛函数关系．为摩擦学设计和程序化计算和分析提供了一种方便且有效的工具．     

基于RBF神经网络的转炉炼钢终点预报

转炉炼钢控制目标是终点温度和碳含量，由于炉温过高，无法在线连续测量.用传统的机理模型建立的终点温度和碳含量模型不够精确.基于RBF神经网络任意逼近函数能力，隐层中心采用最近邻聚类算法，避开K-均值法依赖于聚类中心的初始位置，易陷入局部极小点的缺点.权值调整采用带加权因子的递推最小二乘算法，建立基于RBF神经网络的转炉炼钢终点温度及碳含量的预报模型，并结合某钢铁企业一座180 t转炉的实际数据进行模型验证研究.结果表明,预报精度高于传统的机理模型及BP模型.     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性,实时准确的交通流预测是智能交通系统,特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点,给出了基于遗传算法的小波神经网络的交通预测模型GA WNN,用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练,部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法,克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA WNN预测模型对短时交通流的预测的有效性.