混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐.研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中.仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值.     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测

提出了一种基于混沌参数优化径向基函数(radial basis function,RBF)神经网络的预测模型.通过混沌理论获得了ENPEMF信号的有效嵌入维数和最优时延,然后利用所获得的参数优化RBF神经网络.采用训练好的参数优化RBF神经网络预测ENPEMF.数值仿真结果表明,改进的RBF算法可以较为准确地预测Rossler混沌时间序列且误差较小.将优化的RBF模型应用于芦山Ms7.0级地震前ENPEMF数据,可以有效预测震前14d的ENPEMF数据强度趋势,且预测效果及精度优于传统RBF神经网络算法,期望为地质灾害及强震前的电磁监测分析提供支持.     

基于RBF神经网络的混沌背景下瞬态弱信号检测

针对海杂波背景下瞬态弱信号检测的问题,采用海杂波混沌模型,基于神经网络重构混沌序列相空间,提出了基于RBF神经网络预测混沌时间序列和瞬态弱信号检测方案。理论分析和仿真结果表明这种方法能够有效实现混沌背景噪声中瞬态弱信号的检测。     

一种基于改进型RBF神经网络的非线性时间序列预测模型

RBF神经网络具有收敛速度缓慢、全局搜索能力差等缺点,提出了一种基于遗传算法的RBF神经网络,经过自适应遗传算子参数优化,提高了RBF神经网络模型的预测精度,实现了非线性时间序列的预测.仿真实验结果表明,基于遗传算法的RBF网络预测模型非常适合非线性时间序列的预测,是可行的、精准的、有效的.     

基于SVM的瓦斯体积分数混沌时间序列预测

文章针对瓦斯体积分数时间序列的非线性和不确定性特征,提出了一种基于SVM的混沌时间序列预测方法.该方法采用改进的最大Lyapunov指数法识别时间序列的混沌特性,通过多次试验选取合适的参数构造SVM预测模型,最后使用优化的预测模型对φ瓦斯的变化趋势进行预测.仿真结果表明,该模型能够较好地解决φ瓦斯时间序列的预测问题,与RBF神经网络模型相比,具有较高的预测精度.     

一种基于混合模型WRC的流量预测方法

针对当前网络流量预测方法在刻画网络流量多重特性方面存在的准确性及噪声干扰的问题,提出了一种基于混合模型WRC的流量预测方法,该方法利用小波分解将网络流量混沌时间序列分解为流量特性不同的近似时间序列和细节时间序列,并利用RBF神经网络和混沌模型分别对这两种时间序列进行处理,得到预测时间序列后再进行小波重构,得到最终的预测值.仿真实验结果表明模型预测有效,且预测精度较高.     

基于递归网络的混沌时间序列预测

为了能对时问序列充分建模,从混沌的慨念入手,将混沌与神经网络相结合,利用人工神经网络的拟合特性,提出了递归网络的混沌时间序列预测方法。给出了递归神经网络预测的基本理论、数学模型、及具体步骤,并通过由杜芬方程所产生的混沌时间序列对该神经网络进行了模拟实验。仿真结果表明,该方法远好于前馈网络的预测效果,其预测误差在10^-15的数量级上。     

三亚地区电离层foF2的混沌特性分析及其预测研究

利用三亚台站2013年电离层foF2观测数据,讨论了电离层foF2的混沌特性及其预测.采用改进的C-C算法确定时间延迟和嵌入维数,计算最大李雅普诺夫指数,定量地印证foF2时间序列具有混沌特性.基于RBF神经网络的方法对foF2参量进行短期预报,并将预报结果与Volterra模型、IRI模型和实测数据进行对比.结果表明,采用RBF神经网络法可成功预测foF2的变化,相比于国际参考电离层模型有较大提高,较Volterra模型也有一定提升.在一定时间尺度内,RBF神经网络预测结果较为准确,预测误差较小,超出该预测范围,预测效果将变差.     

打折最小平方RBF网络及其时间序列预测研究

借用打折最小平方(DLS)原理构建了基于误差平方准则的DLS-RBF网络的学习算法.打折最小平方原理考虑了时间序列本身的结构性变化,较好地刻画了预测点与其他时刻数据的相关性,而这些恰恰是现有的径向基函数神经网络(RBF)在预测过程中所忽视的.实验表明DLS-RBF网络在非平稳方差时间序列和某城市自来水实际的月用水量预测中的效果明显,并优于RBF网络,但在混沌时间序列预测的实验中,因其自身的混沌特性,预测效果并不十分明显.     

基于增广RBF神经网络的混沌系统辨识

混沌系统的建模与辨识是混沌控制的基础。提出一种动态线性子系统与ＲＢＦ神经网络并联的增广ＲＢＦ神经网络模型,该模型不仅对动态非线性系统具有良好的逼近能力,而且网络学习速度很快。对Ｈｅｎｏｎ系统时间序列的仿真预测结果表明,增广ＲＢＦ网络能有效地用于混沌系统辨识。     

基于混沌神经网络的交通流预测算法

为提高 RBF 神经网络的交通流预测精度,提出基于混沌-RBF（Chaos-RBF,C-RBF）神经网络的交通流预测算法,该算法首先计算混沌相空间的嵌入维数和嵌入延迟,构造得到的相空间向量作为 RBF 神经网络的输入,其相空间次邻向量作为期望输出值,滚动训练得到神经网络的权值,然后以实际交通流作为输入,经由网络计算得到预测值。仿真结果表明该算法相比于 RBF 神经网络,预测精度提高 96%,证明了该算法的有效性。     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

混沌噪声背景下弱谐波信号的GRNN检测

针对BP(Back Propagation)神经网络方法存在训练时间长,收敛性能不理想;RBF(Radial BasisFunction)神经网络的隐层结构对鲁棒性影响大的问题,将广义回归神经网络GRNN(GeneralizationRegression Neural Network)引入混沌背景下的弱谐波信号检测中,提出了一种提取混沌噪声背景下微弱谐波信号的GRNN检测方法.该方法利用GRNN建立噪声混沌背景的最优一步预测模型,再结合频域处理预测误差提取微弱信号,以Duffing系统产生混沌时序作为混沌背景,使用该方法用MATLAB6.1验证在没有噪声、存在高斯白噪声和存在色噪声情况下的混沌背景下的弱谐波信号检测.实验结果表明,谐波对混沌的信噪比达到-36dB时仍然可以检测出谐波.     

城市燃气负荷的混沌特性与预测

采用混沌理论分析方法,对燃气负荷时间序列进行了相空间重构,通过计算关联维数和最大李亚普诺夫指数判定燃气负荷具有混沌的性质.在此基础上,分别采用基于混沌理论的加权一阶局域法、最大李亚普诺夫指数法和贝叶斯正则化神经网络模型对城市燃气日负荷进行了预测.实例预测结果表明,混沌时间序列分析方法可应用于燃气负荷预测研究,特别是结合了混沌理论、神经网络与贝叶斯正则化方法各自优点的神经网络模型取得了较好的预测效果.     

基于IFA优化RBF神经网络的短时交通流预测模型

针对短时交通流不确定性极强引起的预测结果精度低的问题,提出一种改进萤火虫算法(IFA)优化RBF神经网络的短时交通流预测模型(IFA-RBF).该模型通过引入线性递减惯性权重和混沌机制,来改进FA后期存在的易陷入局部极值和种群多样性匮乏的不足,利用IFA优化RBF神经网络的连接权重和基函数宽度,以提升RBF神经网络的短时交通流预测精度.实验结果表明,与Elman、BP、RBF和FA-RBF模型相比,构建的短时交通流预测模型(IFA-RBF)具有更高的预测精度,预测值与实际值拟合度较高.     

基于RBF网络的混沌动力系统辨识

提出用RBF神经网络对混沌动力系统进行辨识，设计了一个三层RBF网络结构，仿真实验说明了RBF网络用于学习混沌动力系统时的基本性质。用辨识模型重建吸引子方法定性地评价辨识模型，通过计算辨识模型的Lyapunov指数定量地评价辨识模型的性能，同时推导了RBF网络模型Lyapunov指数的计算公式。仿真结果表明，该辨识模型能很好地逼近原混沌动力系统，准确地体现原混沌系统的动力学特性。