盾构滚刀磨损的多元非线性回归预测

为了解决硬岩地层盾构滚刀的磨损检测问题,提出了一种基于多元非线性回归预测模型预测滚刀磨损的方法.利用滚刀正常磨损阶段的盾构掘进参数数据建立回归预测模型,根据依此模型预测的掘进速度与实际掘进速度偏差来预测滚刀的磨损状况.结合盾构工程项目研究结果表明:预测模型是正确的,预测结果与实际换刀情况是相符的,预测方法是有效的.研究结论可为类似地质条件下的盾构滚刀磨损检测和更换提供有益的指导.     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题.因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关健问题.根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模.该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果.应用结果表明:该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要.     

基于循环神经网络的超大直径盾构掘进地表沉降预测方法研究

为了研究超大直径盾构掘进过程地面沉降规律,以武汉市和平大道南延线盾构工程为研究对象,首先收集了超大直径盾构下穿过程掘进参数和地层地质参数,并使用盾构掘进过程深跨比描述超大直径盾构影响特征;其次,通过收集现场沉降测点数据分析盾构隧道施工阶段地表沉降的影响范围,计算了90%、95%、99%三种置信区间下地表沉降影响范围;最后,选取不同范围内的多元时序数据作为输入参数,分别建立了基于贝叶斯优化算法（BO）的长短期记忆（LSTM）、BP神经网络和随机森林（RF）大直径盾构地面沉降预测模型.模型运行过程中,通过贝叶斯优化算法分别寻找三种不同模型下的最优超参数,并通过四种评价指标对比模型精度.结果如下：(1)在90%置信水平下三种算法均表现出最高精度,通过区间计算筛选有效输入参数能有效提高模型预测精度;(2)LSTM对隧道沉降的预测结果优于传统机器学习算法模型,MAPE最低达到8.91%,R2达到90%.     

基于Elman神经网络的污染源数据预测

为了给环境保护决策提供有价值的预测数据,提出利用Elman神经网络建立污染源数据预测模型的方法,以大气中的主要污染物SO2为例,用预测模型表征SO2的浓度和气温、相对湿度、风速、时间等影响因子及其历史数据之间的复杂关系.使用训练后的模型对数据进行模拟仿真,结果表明所建立模型的计算输出值与实际样本数据有着较好的一致性,模型预测效果优于基于BP神经网络的预测模型.     

基于Elman神经网络的移动通信系统智能预测方法

由于复杂多变的通信环境,移动通信面临着严峻挑战.为了及时处理复杂事件,预测移动通信系统的中断概率(outage probability,OP)性能就非常重要.研究了移动通信系统OP性能预测,并且提出了一种基于Elman神经网络的移动通信系统OP性能智能预测方法.针对OP性能,推导了其精确闭合表达式.和径向基函数(rad...     

基于神经网络的受流器滑块材料载流磨损预测

针对我国电气化铁路和磁浮交通对受流器滑块材料的性能要求,采用冷压烧结粉末冶金法制备了铜石墨材料,考察了该材料的载流磨损行为.结果表明:试样的磨损率随着试验载荷、速度、电流密度的增加而增大.载流条件下电流产生的电弧热是磨损率增加的主要因素.建立了摩擦磨损试验参数与磨损率之间的人工神经网络模型.以载荷、速度、电流密度作为网络的3个输入,以运行100km后试样的磨损率作为网络的1个输出,调试设计了一个3×3×1的反向传播(BP)神经网络.对神经网络的训练和检验表明该BP神经网络能够较好地预测影响因素对材料载流滑动磨损的作用,预测值与试验值的误差在10%以内,其仿真精度能够满足实际的磨损预测要求.     

基于Elman神经网络的时间序列股票价格短期预测

Elman神经网络是一种典型的回归神经网络,比BP神经网络具有更强的计算和适应时变特性的能力,因而非常适用于预测股市这一类极其复杂的非线性动力学系统。文章给出一种基于Elman神经网络的股票市场建模、预测及决策方法,对浦发银行股价在时间序列上作了连续若干天的短期预测,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

基于集成Dropout-DNN模型的盾构掘进速度预测方法

为了提升土压平衡盾构机的掘进速度预测精度,提出一种集成Dropout-DNN模型的盾构掘进速度预测方法。依据济南地铁R1线盾构隧道段工况数据,将数据集划分为五份,并选取刀盘转速、刀盘扭矩、总推进力、螺机转速、土仓压力这五个参数为输入参数,分别建立了五个Dropout-DNN模型并进行集成实现了盾构掘进速度的预测,进一步对不同的预测方法进行了对比分析。研究结果表明：各Dropout-DNN模型预测精度具有一定的差异性但基本良好,其决定系数均大于0.6、平均绝对百分误差均小于10%,而集成的Dropout-DNN模型决定系数为0.695、平均绝对百分误差小于5%,可见集成模型预测精度较高;基于BP神经网络、DNN模型实现的盾构掘进速度预测模型其决定系数分别为0.502、0.566,可见提出的集成Dropout-DNN模型预测精度提升明显。     

基于Elman型回归神经网络的公交客流预测

文章将动态回归神经网络(Elman)预测方法应用于城市公交客流量的预测, 通过对合肥市公交量的历史数据分析得到公交客流量的时间序列,将时间序列视为一个从输入到输出的非线性映射,对网络进行学习与训练仿真实验,并与BP神经网络输出结果进行了比较,并对网络模拟结果和历史数据进行了线性回归分析,求得一定的相关系数.结果表明,应用Elman神经网络方法比BP神经网络对公交客流量进行短期预测,预测精度高及效果好.     

基于遗传算法和改进Elman神经网络的股价预测

针对Elman神经网络在股价预测中存在网络结构的隐节点个数难以确定和网络训练极易陷入局部解的不足,以未来两天股票最高价作为预测对象,采用改进Elman神经网络结构.以辨识更高阶的动态系统;同时又利用遗传算法优化该神经网络的初始连接权和确定网络隐节点个数,从而解决上述网络在股价预测中的不足,并在遗传进化计算过程中采用保留最佳个体的策略,进行预测建模.结果表明这种模型对股价的预测精度较高,具有一定可行性.     

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。     

基于GA-Elman神经网络的交通流短时预测方法

以单断面的交通流量为研究对象,采用动态Elman神经网络进行短时交通流量的预测,提出一种基于GA-Elman神经网络的交通流短时预测方法.该方法通过遗传算法优化Elman神经网络的权值和阈值,克服了Elman神经网络易陷入局部最小的缺陷,同时提高了Elman神经网络的泛化能力和预测精度.实验仿真表明,本文方法可用于城市快速路上预测实时交通流量,预测效果优于Elman、GA-BP预测模型.     

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。     

基于Elman神经网络的路面附着系数识别

准确、高效地识别路面附着系数为汽车主动安全系统提供了重要输入参数。笔者提出了基于Elman神经网络识别路面附着系数方法,采用Carsim/Simulink联合仿真,获取了某车辆的63个行驶工况,共20个重要动力学响应。构建了Elman神经网络的路面附着系数识别模型,对附着系数为0.2～0.9的路面进行了识别,识别平均绝对百分比误差为4.92%,准确率为91.22%。相对于传统的BP神经网络方法,该方法使路面附着系数的识别平均绝对百分比误差降低了2.24%,准确率提升了9.82%,并且在潮湿沥青路面以及干燥沥青路面进行了实车实验,验证了该方法的有效性、可行性。     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

基于改进Elman网络的燃气负荷预测

为提高燃气负荷预测的精度,分析了燃气小时负荷的变化规律和影响因素,建立了燃气小时负荷预测模型,采用具有输出-输入反馈机制的改进Elman(OIF Elman)网络对燃气小时负荷进行预测.与传统的Elman网络比较,OIF Elman网络不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明,在样本点较少时,无论在训练速度上,还是在预测精度上,OIF Elman网络明显优于Elman网络.OIF Elman网络提高了网络的泛化能力,既降低了对训练样本个数的需求,又能提高预测精度,在燃气负荷预测中得到成功的应用.     

Elman回归神经网络在大坝安全监控中的应用

给出了E1man回归神经网络的网络结构和学习方法。基于E1man回归神经网络能够逼近任意非线性函数的特点，提出了一种基于E1man回归神经网络建立安全监控模型的方法。实验表明，所建立E1man神经网络模型收敛速度快，并且其拟合及预报精度高于统计模型和BP网络模型。     

基于多因素影响的负荷预测神经网络方法

电网的负荷是一个受多种因素影响的量。负荷预测的准确性对电网的安全、经济运行有着重要的影响。把各个影响因素与负荷之间建立解析表达式是非常困难的。本文考虑多种影响因素,用神经网络的方法对农网进行负荷预测,具有方法简便、预测精度高,速度快的特点。     

Elman神经网络在中子解谱中的应用

人工神经网络由于其优良的自我调节能力及学习能力,已经被广泛地应用在各领域的非线性分析中.在中国锦屏极深地下实验室(CJPL)中的低本底液闪中子探测器一直在记录着中子的本底数据,探测器输出的能谱实际上是核反冲能谱,与输入能谱可一一对应,并随着输入能谱的改变而发生改变;因此可以将探测器输出信号输入到训练过的神经网络中判断输入能谱.本论文采用的神经网络为Elman神经网络,训练神经网络采用的数据为Geant4模拟所得.将实验获取的核反冲能谱输入到训练过的神经网路进行反解,最后Elman网络反解出的Am-Be中子源能谱与真实谱误差在0.1%～11.8%,反解出的~(252)Cf中子源能谱与真实谱误差在0.1%～8.9%.     

基于Kalman滤波的基本Elman网络训练新算法

Kalman滤波算法应用于基本Elman网络学习时,收敛速度较快,但收敛精度往往不高;而基于梯度下降的BP算法可以以很高的精度实现输入输出的非线性映射,但在极值点处收敛速度缓慢.针对上述问题,提出一种将Kalman滤波算法应用于基本Elman网络的新学习训练算法.该算法结合Kalman滤波算法和基于梯度下降的BP算法的优点来训练网络,以基本Elman网络隐层单元输出作为非线性系统的状态变量,通过Kalman滤波算法实现状态变量的快速准确跟踪,然后通过梯度下降法修正权值以保证精度.另外,在训练过程中,通过增加训练样本的信息内容来提高网络收敛的精度.仿真结果表明了该算法的有效性.