非线性位移时间序列分析的遗传 神经网络方法

岩土结构的位移大都具有非线性动力学演化特征,针对目前所采用的时间序列分析方法中存在的模型选择和参数确定困难问题,用人工神经网络建模来取代传统的分析方法,提出了一种能自动确定输入时步长度和网络模型结构的遗传 神经网络方法,而且也解决了神经网络结构选择和“过训练”问题,提高了网络学习的效率和网络预测的能力·该方法可以对位移演化规律进行智能识别,获得全局最优解·     

非线性位移时间序列分析的遗传神经网络方法

岩土结构的位移大都具有非线性动力学演化特征,针对目前所采用的时间序列分析方法中存在的模型选择和参数确定困难问题,用人工神经网络建模来取代传统的分析方法,提出了一种能自动确定输入时步长度和网络模型结构的遗传神经网络方法,而且也解决了神经网络结构选择和“过训练”问题,提高了网络学习的效率和网络预测的能力·该方法可以对位移演化规律进行智能识别,获得全局最优解·     

基于时间序列与GWO-ELM模型的滑坡位移预测

针对三峡库区的阶跃型滑坡位移特征,以白水河滑坡为例,提出一种基于时间序列和灰狼优化的极限学习机(GWO-ELM)位移预测模型。首先,根据滑坡的内在演化规律和外部影响因素,建立滑坡位移的时间序列模型,将监测位移分解为趋势性位移和周期性位移,并运用稳健加权最小二乘法的三次多项式对趋势性位移进行拟合,以此得到周期性位移。其次,对位移监测数据进行分析,选取周期性位移的影响因子,分别通过GWO-ELM、极限学习机(ELM)和灰狼优化的支持向量机(GWO-SVM)模型对周期性位移进行预测。研究结果表明：GWO-ELM预测模型具有良好的泛化能力,能有效减少人为误差,在预测精度上,明显优于ELM和GWO-SVM模型。基于时间序列与GWO-ELM位移预测模型具有较高的预测精度和泛化能力,是一种有效的滑坡位移预测方法。     

关于时间序列预测法的探讨

时间序列预测法是一种根据动态数据揭示系统动态结构和规律的统计方法.本文给出了时间序列模型的模式识别和实现方法,建立了能够比较精确地反映时间序列中所包含的动态依存关系的数学模型,具有一定的自适应性,能更好地预测实际问题.     

非线性时间序列分析在股市行情预测中的应用

该文用非线性时间序列分析方法,对一般股市行情序列进行了拟合,指出可用逐段线性回归拟合趋势,用门发自回归模型拟合消除趋势后的平稳序列,通过对１９９７年４月２２日至５月１２日期间深圳股市行情预测值与实际值的对比,说明在正常状态（即无违规操作及无特殊政策出台）下,所建立的模型有较好的拟合效果,从而提供了一个行情预测的有效方法。     

构筑物动态变形行为的自组织进化识别

建筑物沉降变形行为是一个复杂的非线性动力学演化过程,针对这一过程,引入进化算法的全局优化思想,结合时间序列分析的基本理论,提出了一种新的构筑物变形动态预测模型进化识别算法·该方法将复杂的模型结构与参数混杂的搜索空间简化为两个相对简单的模型结构进化过程和模型参数进化过程,分别由遗传规划和遗传算法完成·设计了模型结构和参数的共同进化方案,实现对非线性动力学演化模型结构和参数的全局最优搜索·实例分析结果表明该方法具有较好的预测精度和推广预测能力,并且显示出较高的自组织能力,为构筑物变形预测提供了一个有效的分析工具·     

非线性时间序列的重构及预测

采用自适应前馈网络算法(AFN)进行非线性时序预测,对网络结构设计进行详细的探讨,并应用该方法对经典非线性时间序列数据进行预测,与传统预测方法(TAR)比较,结果证明此种方法具有较好的效果,网络的结构得到了简化。不仅满足了误差目标的要求,而且提高了网络的推广能力。且AFN方法可以对时间序列数据间的关系给出一种基于贡献率的解释。     

进化BP神经网络的围岩位移预测

利用遗传算法,在BP神经网络模型的基础上, 从连接权、网络结构和学习参数等三方面进行了进化,得到了进化BP神经网络模型,并在VC 6.0平台的基础上自主开发了遗传算法进化BP神经网络预测系统,且采用十进制编码.将该系统运用于通渝隧道围岩预测中,其预测结果表明,进化的BP神经网络模型在训练时的迭代次数比未进化的BP神经网络模型下降了约9倍,提高了运算的效率,其预测结果也较准确.     

时间序列分析模型构建与MATLAB实现

主要讲述了时间序列分析的基本思想,模型构建方法、过程及步骤,并通过假设的时间序列用MATLAB软件,实现了模型的定阶、模型参数的估计过程。     

基于遗传算法的RBF神经网络非线性时间序列预测

提出一种基于遗传算法和RBF神经网络相结合的时间序列预测模型,克服了单个神经网络在非线性时间序列预测中容易陷入局部极小值及网络训练速度缓慢的问题.以居民消费价格指数数据进行训练和测试,与传统的BP神经网络预测模型相比较,该模型的预测精度是令人满意的,数值模拟证明了该方法的有效性和可行性.     

遗传算法在建筑物沉降预测中的应用

结合遗传进化算法的全局优化思想和时间序列分析的基本理论,提出了一种新的基于遗传算法的建筑物沉降非线性动力学行为预测模型进化识别算法。设计了模型结构和参数分别进化,共同识别方案,实现对非线性时间序列分析模型结构和参数进行全局最优搜索。实例分析结果表明：该方法具有较好的预测精度和推广预测能力,为高大建筑物沉降预测提供了一个有效的分析工具。     

自适应邻域真空法

针对遗传算法的会聚问题,特别对于改进的遗传算法——邻域真空法进行了进一步讨论,提出了具有ε值自动选择的郜域真空法——自适应邻域真空法,对该方法的有效应用具有相当的意义。     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

基于北斗监测数据的高陡边坡变形Transformer-CNN预测模型

在大型工程的建设过程中常常会出现高陡边坡,其变形往往会导致坍塌、滑坡等地质灾害,给人们的生命财产安全带来危害,高效采集位移数据并建立合适的预测模型对高陡边坡的变形进行准确预测对保障工程的顺利实施和人民的生命财产安全至关重要。研究通过在Transformer模型中融合CNN(convolutional neural networks)卷积层和residual残差结构的方法构建Transformer-CNN混合模型,结合重庆某大型水利工程的项目背景,使用北斗卫星监测系统的采样数据集,通过对结果分析,发现Transformer-CNN模型的MAE(mean absolute error)、MSE(mean square error)、RMSE(root mean square error)的值较单一模型相比有所降低,且预测曲线和真实曲线的拟合程度较好,证明Transformer-CNN模型在提高预测精度上的有效性,为其他工程实施过程中对高陡边坡变形的预测分析提供可行性方案。     

过程综合的全局优化改进遗传算法

针对过程系统综合和蒸汽动力系统优化的复杂非线性规划问题，提出了改进和连续化全局优化的遗传算法，算例表明，该方法用于求解复杂优化问题是非常有效的，而且具有获得全局最优解的能力。     

一种新的快速进化策略的设计与实现

对遗传程序设计思想进行拓展 ,通过对传统的进化策略进行改进 ,设计出一种新的快速全局寻优算法 ,该算法克服了传统的进化策略的缺点。实验表明这种新算法收敛速度快、有极强的避免局部极值的全局优化能力。     

基于细胞状演化神经网络的黄河三角洲区域预测

将细胞状遗传算法（cGA）与反向传播（BP）神经网络相结合，构建了一个细胞状演化神经网络时间序列模型，以1984～2000年间的多时相遥感影像为主要数据源，应用该模型对黄河口地区陆地面积进行预测，并分析了其将来的演变趋势．结果表明，在2001～2010年间研究区域陆地面积将呈现增长与蚀退交替演变、增长高峰逐渐下降的趋势．