神经网络模型用于多变量综合预测

本文研究神经网络用于多变量时间序列预测的原理与方法，提出组合多种信息的综合预测方法。以股票交易为例，用神经网络组合各类信息，运用信心股价理论对中国股市的发展进行跟踪预测。在此基础上进一步从信息利用的角度说明了神经网络预测方法的特点。结果表明，神经网络模型用于多变王时间序列预测，其精度和趋势均较统计方法有所提高；神经网络综合预测，对中短期股票价格的预测，有实用价值。     

区间型时间序列数据的点预测方法研究

区间型时间序列数据大量存在,但在时序数据的预测方法中,对这种类型的数据进行点预测没有相关研究。借助支持向量机(SVM),在区间时间序列数据回归算法的基础上,通过区间数据相空间重构,建立了时间序列的支持向量区间预测SVIP方法。在实验仿真环节中,通过两个仿真实例验证了该方法的良好性能,同时与采用Elman神经网络方法的预测结果进行了分析比较,说明了SVIP方法的优点。     

基于混沌和RBF神经网络的短时交通流量预测

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题，论文从非线性时阅序列的角度对短时交通流量预测进行探讨，提出采用基于混沌理论的RBF神经网络预测方法。首先在采用小数据量的Lyapunav指数计算方法判定交通流存在混沌的前提下，对交通流量数据进行相空间重构。构建了RBF神经网络，并对模拟产生的Lorenz和Rossler混沌时间序列数据以及实际采集的高速公路交通流量数据进行了仿真研究。结果表明，该方法对模拟产生的混沌时间序列具有很好的预测效果，在交通流量的短时预测上也具有较高的预测精度。     

分段逆回归与神经网络组合建模方法

通过将人工神经网络技术和分段逆回归技术相结合，提出一种针对多因素非线性时间序列数据的预测建模方法。这种方法在保证原有函数形式不变的前提下，简化了输入变量，缩小了神经网络的规模，增强了模型的泛化能力。同时利用此方法建立北京市就业人口需求总量的预测模型，证实该方法的预测效果，并且为该方法运用于实际预测建模提供参考。     

基于混合算法的电力系统负荷预测

电力系统负荷预测是电力系统中的一个重要的研究课题。对神经网络算法和时间序列预测算法进行加权融合,提出一种混合算法对EUNITE竞赛数据进行了短期电力负荷预测。实验结果表明负荷预测精度得到了很大的提升。     

基于改进多孔算法的时间序列预测

针对小波分析技术存在的边界问题,提出一种改进的多孔算法。使用该算法得到的系数序列,在具备时移不变性的同时,消除了右侧边界存在数据畸变的现象,使小波分析技术结合神经网络等传统预测模型的方法应用于单变量时间序列预测任务具备可行性。为进一步提高预测精度,引入了神经网络集成技术以改善网络泛化能力。实验表明,这种组合预测模型预测效果与稳定性优于传统预测模型。     

基于小波网络的非线性组合预测方法研究

提出了一种基于小波网络的非线性组合预测新方法，以克服线性组合预测方法在解决非平衡时间序列组合建模问题所遇到的困难和存在的不足，并给出了相应的学习算法求解小波函数线性组合的尺度和时延参数以及神经网络权值。理论分析和大量的应用实例表明：本方法具有很强的泛化能力与自适应数据和函数变化的能力，在处理诸如经济时间序列这种具有一定程度不确定性的非线性系统的组合建模和预测方面有较高的应用价值。     

基于模糊C均值聚类和神经网络的短时交通流预测方法

短时交通流预测是动态交通控制和诱导的前提。提出一种模糊C均值聚类和神经网络相结合的短时交通流预测方法。用同一组实测数据对比计算了该方法与BP神经网络预测方法、模糊神经网络预测方法分别得到的预测结果。计算结果表明：所提出的方法的预测准确性明显地高于其他两种方法。     

基于CEEMD-CNN-LSTM的股票指数集成预测模型

为有效应对金融时间序列数据的高噪声、时间依赖性和非线性，本文构建了一种CEEMD-CNN-LSTM模型。该模型基于互补集成经验模态分解(CEEMD),以及卷积神经网络(CNN)与长短期记忆网络(LSTM),将原始金融时间序列分解重构为高频项、低频项和趋势项，同时应用CNN-LSTM模型分别对各分项进行预测，并将各分项的预测值集成为最终预测结果。为验证CEEMD-CNN-LSTM模型对金融时间序列数据预测的准确性和有效性，选取沪深300、标准普尔500(S&P500)股票指数收盘点数进行了实证分析。实证结果表明，CEEMD-CNN-LSTM模型能同时提取序列依赖关系和局部特征，可有效避免数据直接输入模型导致预测结果右偏等问题，与其他主流预测模型相比，其预测精度更高，预测误差显著降低。     

基于MEEMD-PE与CS-WNN模型的网络时延预测

针对网络控制系统诱导时延具有的随机性、非平稳性、非线性等特点，提出了一种基于改进的集总平均经验模态分解（modified ensemble empirical mode decomposition，MEEMD）-排列熵和布谷鸟搜索（cuckoo search，CS）优化的小波神经网络（wavelet neural network，WNN）时延预测算法。首先通过MEEMD对网络诱导时延序列进行处理，分别计算各模态的排列熵值，对复杂度相近的模态进行重组后得到新的子序列，从而达到降低建模复杂度和减少计算量的目的；然后利用CS算法优化的WNN预测新的子序列；最后叠加各子序列预测结果以获得时延序列的最终预测值。仿真表明，该算法具有较好的预测精度，能反映时延序列的总体趋势，可有效地降低异常值影响等优点。     

移动机器人多超声波传感器信息融合方法

采用多超声波传感器来获取移动机器人的环境信息，并利用人工神经网络对获取的信息进行分析和融合，从而达到对被测物体影像比较准确的认识，试验表明效果良好，具有很好的使用价值。     

基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例

针对农产品价格波动的非线性特征明显、传统时间序列方法在预测农产品价格短期波动存在不足等状况,本文将混沌理论和神经网络技术应用到农产品价格短期预测研究中,充分利用相关技术优势,设计了动态混沌神经网络时间序列预测模型.在此基础上,选取2008年1月21日-2012年7月1日的中国马铃薯日度价格为研究对象,对所构建的动态混沌神经网络时间序列预测模型进行学习、训练和测试,并用统计分析方法对模型性能进行评价与分析,最后,将所构建模型的预测结果与传统预测方法预测出的结果进行比较研究.结果显示:整个动态混沌神经网络结构为27-12-1,所设计的基于动态混沌神经网络的马铃薯价格时间序列预测模型在预测精度和性能上较ARMA模型均具有明显优势,这一预测模型在农产品价格时间序列短期预测研究上将具有广阔的应用前景.     

基于LSTM神经网络的短期轨道预报

针对基于动力学模型的轨道预报方法对卫星自主轨道预报与大量非合作目标轨道预报中存在建模成本过高和缺少目标空间环境信息的问题,提出一种基于误差数据驱动的神经网络轨道预报方法.该方法在解析法动力学模型的基础上,使用长短期记忆神经网络对历史轨道预报的误差进行学习,预测未来短期动力学模型的预报误差,以此对预报结果进行修正.选用A...     

多源信息处理技术——数据融合

在介绍数据融合技术的基础上，分析了不同融合层次的性质和作用，提出了数据融合大脑功能模型，进而给出一种广义的多传感器数据融合通用结构，该结构具有神经网络的特性，但不涉及权值和学习算法问题；总结、分析了不同融合层次的原理、结构和算法，强调了神经网络在数据融合技术中的应用；分析了数据融合技术中存在的问题，并探讨了其宏观和微观的发展方向。     

基于循环神经网络的船舶航迹预测

在海事搜救、海关缉私等应用中,对目标船舶进行航迹预测是一个关键问题。为提高预测的精度和效率,提出了一种基于循环神经网络的船舶航迹预测方法,该方法包含数据预处理和神经网络预测两个部分。在数据预处理中,设计了一种基于对称分段路径距离的数据预处理方法,消除了大量冗余数据及噪声的影响;在神经网络预测中,构建了基于门控循环单元的循环神经网络模型,实现船舶位置信息精准且高效的预测。通过大量船舶自动识别系统数据进行了对比实验,实验结果证明了方法的实用性和有效性。     

时间序列的小波神经网络预测模型的研究

针对非线性时间序列,建立了小波神经网络预测模型,通过计算小波分解和小波级数,达到最优的逼近效果．经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型的固有缺陷.     

飞机研制费用的组合预测方法

针对飞机研制费用预测样本数据较少、影响因素复杂,单一预测方法预测质量不高的问题,采用组合预测方法预测飞机研制费用。组合了径向基函数（radial basis function, RBF）神经网络、格拉姆施密特回归、偏最小二乘回归(partial least squares regression, PLSR)3种预测方法,基于样本数据建立了飞机研制费用组合预测模型,并与单项预测进行了对比分析。结果表明,组合预测具有满意和稳定的预测精度,并可以降低单项预测的质量风险,是飞机研制费用预测可靠而有效的方法。     

防空C3I雷达情报网数据融合算法的研究

传统C3 I系统的数据融合算法运算量大、融合精度不高。根据我国防空C3 I系统的现状 ,提出了一种新的基于神经网络的防空C3 I系统数据融合算法。由于神经网络是全并行工作的 ,所以此算法具有处理速度快、精度高等优点。仿真结果表明 ,航迹交接算法和航迹融合算法的性能都比较好 ,对真实雷达网数据融合有很好的参考价值。     

递归神经网络在堆石坝地震响应分析中的应用

针对堆石坝系统的地震响应分析问题，提出了一种递归神经网络建模方法。该神经网络模型包含内部状态神经元的反馈并具有状态空间形式。借助于该网络模型的逼近能力和动态信息存储能力，从观测的结构动态系统输入输出数据中重构原系统的输入输出特性，并对新的输入信号做出相应的预测和响应。分别对理想的有限元响应数据和实测的响应数据进行了仿真。结果表明，所提出的神经网络方法较好地学习了这两组结构系统的动态特性，并显示出较好的预测效果。