小波神经网络在短期电力负荷预测中的应用

针对小波网络建模存在难以有效对小波级数进行截断的问题,提出一种基于频带能量的小波级数截断方法,该方法能克服传统方法对个人经验的依赖,确保小波网络的逼近能力;结合正交最小二乘法,将其应用于电力负荷预测中,建立负荷预测的小波网络模型.仿真结果表明:用该方法建立的小波网络模型简洁、明了,结果有效、准确,具有较好的预测能力.     

一种用于混沌系统辨识的小波神经网络及学习算法

提出了一种适用于高精度逼近和泛化建模的小波神经网络的学习算法,它可用来辨识混沌系统.文中给出了小波网络的基本原理和详细的网络训练算法.仿真实验通过用小波网络来辨识hernon混沌系统,并用Lyapunov指数验证了小波神经网络(WNN)在辨识混沌系统时的系统输出性能指标.     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点.本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算.预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络.     

α阶时延逆系统的小波神经网络实现

研究采用小波神经网络(WNN)构造α阶时延逆系统的工程实现问题,并给出了α阶时延逆系统小波神经网络存在的充分条件.文中利用小波具有的时频局域化特性,完成小波神经网络的初始化,并去除网络中大量不必要的节点,使网络大大简化.仿真研究表明,该方法对α阶时延逆系统的实现具有良好效果.     

小波网络和BP网络在负荷预测中的比较研究

从收敛速度、网络稳定性、泛化性能及预测结果等方面分析BP网络和小波神经网络的预测过程,探讨了差异的原因.发现:(1)BP网络预测稳定性强,易取舍数值,但预测速度较慢,预测精度不够理想;(2)小波网络预测速度快,精度高,泛化性能好,但稳定性能差,实际运用中还没有合适的数值取舍方法;(3)小波网络总体超过BP网络,但实际预测时技术问题较大.     

基于多分辨率B样条小波网络的船体曲面光顺和重建

为用于船体型线设计中船体曲面重建和光顺,基于多分辨率小波网络原理,引入三次B样条函数作为小波基函数,三次B样条基函数作为尺度函数,利用小波网络的权值和激励函数的线性组合,构造了新的二维多分辨率B样条小波网络(multi-resolution B-splinewavelet net work,MRBWN).将曲面分解为相互正交的u、v方向函数,用该网络来拟合自由曲面;并利用梯度下降法对网络进行训练.最后对船体曲面进行了光顺,实例证明了该方法的有效性和正确性.     

基于遗传算法的小波神经网络研究及应用

目的 为改进小波神经网络算法的缺陷.方法 当网络的输出层节点的输出值与1之差或输出层节点输出值小于等于设定的阚值,使用变系数法调整输出层的误差,然后再利用遗传算法优化小波网络的参数.结果 在齿轮箱故障诊断中,变系数法有效地防止了误差无法逆向传播下去,使网络失去学习能力.然而,通过遗传算法的全局优化搜索能力得到网络的最优参数,从而避免了网络陷入局部最小.结论 提出的基于遗传算法的小波神经网络即提高网络的诊断精度,又加快了其收敛速度.     

自适应小波神经网络在故障诊断中的应用

为提高传统BP神经网络在故障诊断中的效率,提出用小波神经网络加以改进.采用动量法和学习率自适应调整结合的网络训练算法对小波网络的初始参数进行设置,提出自适应小波神经网络的故障诊断方法,详述其诊断原理,并结合实例证实了该方法应用于故障诊断的有效性.     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

改进的小波神经网络及其Matlab仿真

针对小波神经网络存在的不足,对其结构进行改进：构造四层结构的小波网络,增加一层隐含层,并在这一层中将网络输入不同类型的参数进行分类综合.改进后的网络结构更具直观性和物理意义,且网络权值被大大精简,提高了网络的训练和收敛速度.     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

陀螺随机漂移的神经网络预报方法研究

针对惯性导航系统中陀螺仪的漂移特性,在时间序列分析及神经网络理论的基础上提出了一种时间序列神经网络结构,并采用此种网络模型对某捷联惯导系统中所用的陀螺仪漂移数据进行了预报。预测结果表明,这种预测方法对于陀螺漂移建模及预报是可行的。     

基于灰色理论与BP神经网络的工序质量预测研究

工序质量预测在质量控制中起着重要的作用,灰色理论GM(1,1)新陈代谢模型及BP人工神经网络技术在预测领域较为广泛地得到应用,尽管具有常规预测方面无法比拟的优势,但均有各自的局限性,因此提出了基于灰色理论与BP神经网络相结合的工序质量预测方法.在充分利用两者在预测领域的优势基础上建立了综合质量预测模型,实例计算表明该预测方法是可行的.     

Dynamic learning rates algorithm for BPNN to forecast time series of dam security

Time series data of dam security have a large number of observed values and should be forecasted accurately in time. Neural networks have the powerful approach ablilities of arbitrary functions and have been broadly utilized in many domains. In this paper, a dynamic learning rate training algorithm of back-propagation neural networks for time series forecasting is proposed and the networks with this algorithm are built to forecast time series of dam security. The application results demonostrate the efficiency of modelling and the effictiveness of forecasting.     

Dynamic learning rates algorithm for BPNN to forecast time series of dam security

Time series data of dam security have a large number of observed values and should be forecasted accurately in time. Neural networks have the powerful approach ablilities of arbitrary functions and have been broadly utilized in many domains. In this paper, a dynamic learning rate training algorithm of back-propagation neural networks for time series forecasting is proposed and the networks with this algorithm are built to forecast time series of dam security. The application results demonostrate the efficiency of modelling and the effictiveness of forecasting.     

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     

金融时间序列预测中的神经网络方法

概述了神经网络方法在金融时间序列预测应用中所面临的有关问题,给出了解决方法;针对有关模型和算法作了计算模拟与分析,得到了一些可供今后研究参考的经验结果;讨论了金融时间序列预测中主要的神经网络模型,如多层前馈网络、径向基函数网络以及支持向量机网络等.总结了关于模型改进的一些近期研究进展与结果,指出了神经网络用于金融时间序列预测的一些可能的方向.     

基于神经网络集成的经济预测模型

针对单个BP神经网络用于经济预测存在的不足,提出了一种新的更有效的经济预测模型--神经网络集成.神经网络集成通过训练多个神经网络并将各网络输出进行合成,能够显著提高网络的泛化能力.以广东省江门市的经济数据为例,采用Bagging算法训练了五个BP神经网络,构建了一个神经网络集成的GDP预测模型,并运用MATLAB 7.0语言程序实现.预测结果令人满意,优于单个神经网络预测方法.实证表明,神经网络集成用于经济预测是有效可行的,同时在一定程度上克服了单个神经网络的缺陷.     

基于径向基神经网络的焊接材料计算机辅助设计系统

以RBF神经网络理论为基础,设计实现了焊接材料计算机辅助设计系统。应用该系统能建立影响因子与性能指标之间的人工神经网络模型,并以此为基础建立了性能预测、配方预报、分析等功能模块,对焊接材料研发人员探索影响因子与性能指标之间关系具有较大的实际意义。     

神经网络预测系统中的输入输出指标研究

建立了一个用一串ＢＰ网络组成的、用于地区主要经济指标预测的人工神经网络系统,给出了该模型在两个地区应用中得出的不同结果;在分析这两种预测结果的基础上讨论了预测模型中输入输出指标变化对预测结果的影响．说明在神经网络预测模型中,输入输出指标的选择起着不可忽视的作用．