神经网络应用于煤质发热量预测分析

煤质发热量是衡量煤质质量好坏的一个重要指标,针对一些计算发热量的经验公式通用性不强的问题,本文利用煤工业分析和元素分析数据作为输入,建立了发热量与输入间的神经网络模型,并对发热量进行了预测,预测精度相对误差最小0.039%,最大为2.139%,满足工程精度要求。     

基于优化广义回归神经网络的碟式太阳能温度预测研究

为了解决用传统数学模型预测碟式太阳能集热器出口温度过于复杂的问题,采用广义回归神经网络算法对太阳能集热器出口温度进行预测,引入交叉验证算法对神经网络模型进行优化,进一步提升预测的准确性,通过Matlab软件建立基于优化广义回归神经网络的蝶式太阳能出口气温预测模型.根据碟式太阳能光热系统试验平台的试验数据对所建立的模型进行了测试,预测结果符合预期,这表明优化后的广义回归神经网络能够实现对蝶式太阳能集热器出口气温的有效预测.该模型具有一定的应用前景,为预测模型研究提供了一个新的思路.     

煤的发热量与灰分的线性关系分析

通过对50组煤的发热量数据与灰分数据进行相关性分析,建立了两者之间的一元线性回归模型,并对该回归模型进行了检验,进而可借助该回归方程通过灰分数据快速地预测发热量值。     

基于4类神经网络的国债利率期限结构预测

以2011年1月至2016年7月的国债月度数据为样本,研究了在利率期限结构预测中,反向传播神经网络（BPNN）、小波神经网络（WNN）、径向基神经网络（RBFNN）和广义回归神经网络（GRNN）4种网络中相关参数的设定对精度的影响,并对预测效果进行实证比较。研究结果表明：广义回归神经网络预测效果较好,反向传播神经网络预测结果波动性较小,小波神经网络和径向基神经网络预测结果波动性较大。     

改进的CS-GRNN模型在城市需水量预测中的应用

为了更加准确地预测城市需水量,提出一种基于改进布谷鸟算法优化广义回归神经网络模型的城市需水量预测方法.该方法采用改进的布谷鸟算法对广义回归神经网络的平滑因子进行优化,建立改进布谷鸟算法优化的广义回归神经网络模型(ICS-GRNN),并应用于南宁市城市需水量预测中.通过使用南宁市2001—2012年城市需水量测试数据分别对传统GRNN法和ICS-GRNN法的预测结果进行比较,结果表明,该方法具有更高的预测精度和数据拟合能力.     

基于BP神经网络的垃圾热值预测模型

 入炉垃圾热值不稳定,对焚烧炉的稳定运行有很大影响。采用遗传算法优化BP神经网络的权值和阈值,建立垃圾焚烧炉入炉垃圾热值的预测模型。利用Garson方法和主成分分析法对某垃圾焚烧电厂在线运行数据进行分析后,作为BP神经网络的输入参数,实现入炉垃圾热值的在线测量和预测。研究结果表明,该模型预测平均相对误差为2.64%,检验样本相对误差平均值概率为95%的置信区间为[-1.75,2.59],有较高的准确性和置信度,具有较好的工程应用价值。     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

基于GRNN的电火花线切割加工工艺预测

将广义回归神经网络(GRNN)应用到电火花线切割多次切割加工预测中,减少参数选择的盲目性.采用正交试验的方法,进行放电脉宽、脉间、峰值电流、运丝速度、工作液及每次切割的偏移量对切割速度、表面粗糙度的影响试验,将实验数据作为神经网络的训练样本;将误差序列的均方差作为广义回归神经网络性能的评价指标.实验发现:利用GRNN网络的切割速度预测误差小于4％,表面粗糙度预测误差小于2％,预测精度较高,可以有效地指导加工参数的选择.     

快速测定煤发热量的数学模型及其应用

用回归分析的方法，对影响煤发热量的诸因素进行了探讨，建立起回归法的数学模型，继而提出了用回归法测定煤发热量的新方法。     

一种基于支持向量回归方法在RoboCup中的应用

对RoboCup中截球问题引入了支持向量回归方法,通过采集样本训练预测模型来预测Agent成功截到球时球运动过的距离。为了达到更好的预测效果,对此模型的参数选择问题进行了相应的研究,最后将此预测模型与广义回归神经网络等传统方法相比较,结果表明,在截球距离的预测精度方面要优于传统的广义回归神经网络。     

基于Elman神经网络的动力配煤发热量及着火温度的预测

针对采用实验法测定电厂动力配煤的发热量和着火温度存在操作繁琐和信息滞后较大等不足,建立Elman神经网络预测模型.该网络模型在学习过程中确定混煤的发热量和着火温度与单煤的水分、灰分、挥发分之间的非线性映射关系.模型利用单煤的水分、灰分和挥发分含量直接预测混煤的发热量和着火温度,预测结果误差较小.利用置信区间分析法对预测模型的预测效果进行检验.研究结果表明:预测模型具有较高的可靠性和置信度.     

综采面区段煤柱宽度预测GRNN模型构建与应用

以近水平煤层综采工作面区段煤柱合理宽度预测为目标,分析了近水平综采工作面煤层内聚力、煤层厚度、弹性模量、内摩擦角、容重、泊松比、埋深、工作面长度、煤层倾角对区段煤柱留设的影响因素与关系。基于广义神经网络算法构建了近水平综采工作面区段煤柱留设宽度的神经网络预测模型。以某矿典型工作面为背景,运用所构建的广义回归神经网络进行预测并运用四折交叉验证算法对光滑因子进行优化,消除了模型构建参数选择的人为影响。预测结果表明与工作面实际区段煤柱仅有1%左右的误差。为验证广义回归神经网络的优越性,建立了普通BP神经网络模型进行对比,得出GRNN模型对于多种影响因素非线性耦合预测结果具有较好稳定性与精确性,为实现近水平综采工作面的精准开采提供了参考依据。     

炼铁生产入炉焦化等指标的时间序列预测方法

研究了生产过程的时间序列预测方法,并对某厂炼铁生产的入炉焦比等指标进行预测,得到了较好的结果.文中阐述的基于BP神经网络的混沌时间序列预测方法,Box_Jenkins的自回归移动平均模型方法和混沌预测方法既有理论意义,也有实用价值.     

炼铁生产入炉焦化等指标的时间序列预测方法

研究了生产过程的时间序列预测方法 ,并对某厂炼铁生产的入炉焦比等指标进行预测 ,得到了较好的结果 .文中阐述的基于BP神经网络的混沌时间序列预测方法 ,Box_Jenkins的自回归移动平均模型方法和混沌预测方法既有理论意义 ,也有实用价值     

入炉煤性质对捣固焦炭性能的影响

采用30种配煤方案,在堆积密度为1.1t/m3的条件下进行捣固炼焦试验,利用线性回归分析方法研究入炉煤性质对焦炭性能的影响。结果表明,焦炭性能指标与入炉煤性质指标之间具有良好的相关性;适当降低入炉煤的挥发分有利于提高焦炭的冷态机械强度,而增加入炉煤的黏结指数有利于提高焦炭的耐磨强度,但不利于提高焦炭的抗碎强度;适当降低入炉煤的挥发分和催化指数、提高其黏结指数有利于改善焦炭的高温反应性。     

基于GRA和AHP的GRNN神经网络零件失效概率预测方法

为了提高对机械零件失效概率的预测精度,提出一种基于GRA和AHP的广义回归神经网络零件失效概率预测方法.在分析机械零件失效概率影响因素的基础上,首先利用灰色关联分析法(Grey Relational Analysis,GRA)分析影响机械零件失效概率的主要因素,通过层次分析法(Analytic Hierarchy Process,AHP)构建机械零件失效概率的评价指标层次体系,评估各个指标对于零件失效概率的权重;结合各个指标权重与初始值,以获取各指标的加权评价值;最后通过广义回归神经网络(Generalized Regression Neural Network,GRNN)建立以各指标加权评价值来预测机械零件失效概率的预测模型.利用本文方法所建立的预测模型对某企业数控转台的上齿盘失效概率进行预测,并与传统的GRNN神经网络预测模型、BP神经网络预测模型和回归预测模型进行对比,结果显示本文所建立的模型预测误差小于0.8%、残差在-0.2%～0.2%范围内,均优于对比模型的预测结果,表明所建立的预测模型具有更高的精度和更强的稳健性,适合于零件失效概率的预测.     

煤自燃预测的支持向量回归方法

煤自燃温度的准确预测是矿井煤自燃防控的关键。为了科学准确地预测采空区煤自燃温度,在大佛寺煤矿40106综放工作面开展现场观测实验,以现场束管监测系统数据为基础,采用粒子群优化算法(PSO)优化支持向量回归(SVR)参数,建立了煤自燃温度预测的PSO-SVR模型;同时,在保证训练和测试样本不变的前提下,建立了标准SVR模型、BP神经网络(BPNN)模型和多元线性回归(MLR)模型,并与PSO-SVR模型预测结果进行对比分析。MLR,BPNN,SVR和PSO-SVR模型训练样本预测结果的平均绝对百分比误差(MAPE)分别为:5.75%,0.84%,4.16%和1.13%,测试样本预测结果的MAPE分别为:5.17%,3.03%,3.83%和1.34%.结果表明:MLR模型预测结果最差,说明煤自燃温度与气体指标之间的非线性关系更显著,线性模型不宜于煤自燃预测;BPNN模型训练样本预测效果极佳,但测试样本预测效果较差,易出现"过拟合"现象,泛化性较差;PSO-SVR模型预测精度较标准SVR模型有了极大提高,更适宜于煤自燃预测。     

煤与瓦斯突出声发射的神经网络预测方法

以自适应神经网络的基本原理为基础,以声发射总事件、大事件、能率时间序列为基础数据,将神经网络模型应用于煤与瓦斯突出危险性预测.应用结果表明,煤与瓦斯突出声发射神经网络预测法具有预测方法简单、准确性高等特点,可应用于工作面煤与瓦斯突出危险性的预测.     

疾病费用预测的建模分析

根据重庆市某三级甲等医院2012年1月至2014年12月5种常见疾病（糖尿病、甲状腺功能亢进、顺产、肠息肉、脑梗死）的月人均治疗费用数据,采用BP 神经网络模型、广义回归神经网络模型、灰色GM（1,1）模型以及非线性回归模型,分别预测2015年1月至8月5种疾病的月人均治疗费用的变化情况,并与真实费用数据进行对比,判断4种模型预测的准确程度。结果表明：BP神经网络模型、广义回归神经网络模型、灰色GM（1,1）模型、非线性回归模型预测5种疾病的可决系数R2最小分别为0．278、0．565、0．048和0．097,最大分别为0．826、0．901、0．600和0．747;与2015年1月至8月的真实费用数据比较,4种模型预测的相对误差最小分别为9．845％、3．507％、5．897％和3．642％,最大分别为15．450％、13．940％、30．518％和17．204％。其中广义回归神经网络在疾病费用的预测结果相对于其他模型更准确。     

基于预测和矢量量化的高光谱图像压缩算法

针对高光谱图像波段数目多,存储空间大,为后续研究带来极大不便的特点,提出了一种基于广义回归神经网络预测与矢量量化算法结合的高光谱图像压缩算法。该算法通过预测前一波段的像素数据,将符合要求的预测结果继续预测下一波段,通过设置合理的参数,在预测步骤中95%以上的波段可通过预测结果来预测波段数据。利用矢量量化算法对预测数据进行压缩。该算法只需要已知图像的前2个波段数据,即可预测整个图像波段的数据。广义回归神经网络具有很强的非线性映射能力和学习速度,预测效果好。通过预测得到的数据在不同的压缩比下进行实验,结果表明,在保证图像质量的前提下,该算法与对比算法相比,有效降低了运算复杂度,节约了时间,提高了峰值信噪比。