一种混沌神经网络模型及其在优化中的应用

通过在Hopfield神经网络模型 (HNN)中引入非线性自反馈项 ,提出了一种具有暂态混沌动力学行为的神经网络模型。该模型首先经过一个倍周期倒分叉过程进行混沌搜索 ,进而进行类似HNN的梯度搜索。由于它利用了混沌搜索固有的随机性和轨道遍历性 ,因而具有较强的克服陷入局部极小的能力。两个典型的函数优化例子表明了该算法的有效性     

混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.     

混沌神经网络模型参考自适应控制器设计

研究了非线性的神经网络模型参考自适应控制器设计问题。将混沌机制引入常规BP算法,利用混沌机制固有的全局游动,逃出权值优化过程中存在的局部极小点,解决了网络训练易陷入局部极小点的问题。通过训练神经网络模型参考自应用控制器和辨识器,完成了对一类复杂离散非线性系统的控制。给出了具体的算法步骤。仿真结果表明了混沌BP算法优于常规BP算法。有效地提高了控制精度和适时性。     

基于T-S模型的模糊神经网络在股市预测中的应用

采用基于 T-S模型的模糊神经网络 ,用改进的遗传算法来训练网络权值 ,隶属函数参数调整算法则采用动量法和学习率自适应调整相结合的策略 ,以上证指数和厦新电子 (个股 )为研究对象予以建模和预测 .结果表明 ,此种模型具有较好的泛化、学习、映射能力 ,对股票市场或类似的非线性经济系统的走势研判或其相应预测决策具有较好的应用价值.     

混沌序列的T-SK反馈模糊神经网络预测

针对模糊神经网络预测混沌系统输入节点数目的确定随意性较大及敛速度慢的缺点,提出T SK反馈模糊神经网络(T SKrecurrentfuzzynetwork,TRFN)。同时采用两阶段学习算法:先进行结构学习来确定TRFN的最佳结构,再利用基于混沌动态量的BP算法对神经网络进行参数学习,提高了收敛速度和预测精度。应用此网络和相应的学习算法,对Henton序列进行了预测,与传统的模糊神经网络相比,在节点数目较少的情况下,取得了更快更精确的预测结果,验证了该方法的有效性。     

Hammerstein系统自适应神经网络控制算法的收敛性分析

对一类确定性Hammerstein系统，给出了基于神经网络的自适应控制算法。考虑到神经网络的非线性特点，特别是其自适应学习能力，控制系统采用两个神经网络分别作为估计器和控制器，通过在线训练网络的权重来获得模型参数和控制输入。神经网络的训练用Widrow-Hoff学习规则。对算法的全局收敛性进行分析表明系统具有总体收敛性，输入输出有界。     

多层混沌神经网络及其在交通量预测中的应用

研究多层混沌神经网络及其在交通量预测中的应用问题。以BP网络和混沌理论为基础,提出了一种在隐层中包含混沌神经元的多层混沌神经网络。XOR问题实验得出:该混沌神经网络能有效地强化网络的非线性和学习效率。鉴于城市交通流具有明显的混沌特性,将该混沌神经网络应用于城市交通流的预测。对广东江门市某路口交通量的预测结果显示出:采用该混沌神经网络,预测误差一般可以控制在10%以下(或左右)。该网络还可以应用于其他混沌系统的预测和控制。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于支持向量回归神经网络的时间序列预测

为了选择神经网络的最好结构以及增强模型的推广能力,提出一种自适应支持向量回归神经网络(SVR-NN).SVR-NN用支持向量回归(SVR)方法获得网络的初始结构和权值,自适应地生成网络隐层结点,然后用基于退火过程的鲁棒学习算法更新网络结点参数和权值. SVR-NN有很好的收敛性和鲁棒性,能抑制由于数据异常和参数选择不当所导致的"过拟合"现象.将SVR-NN应用到时间序列预测上.结果表明,SVR-NN预测模型能精确地预测混沌时间序列,具有很好的理论和应用价值.     

短期电力负荷的小波——混沌时序预测

提出了一种基于2层小波分解的混沌时序相空间重构预测模型.该模型利用小波分解原始负荷时间序列为周期项、趋势项和随机项,采用不同的混沌相空间重构高低频信号,再分别用相应的小波神经网络工具箱拟合混沌吸引子,将其输出进行信号重构得到最终预测结果.该方法兼有频率特征提取和相空间重构的优点,使短期电力负荷时序列的动力学系统得到更加细致的恢复.通过对欧洲电力负荷竞赛数据的实验证明了所提方法的有效性,仿真结果表明方法预测精度优于常规混沌时序预测方法.针对神经网络预测不稳定的问题给出了一种种解决措施,并提出了一种小波神经网络工具箱,该方法比编程实现的小波网络可以大幅度提高训练速度,尤其适合于大批量数据的训练,对小波神经网络的推广应用和混沌时序预测具有重要意义.     

混沌时序重构及上海股票指数预测的应用研究

应用非线性自相关混沌模型,采用神经网络和小波理论相结合的方法对模型参数进行辨识,其辨识的准确程度较高.通过对混沌时序进行预处理和傅立叶滤波,然后再进行重构和预测工作其效果良好;文章采用该模型对上海证券市场的600062号股票数据的开盘、最高、最低、收盘价数据进行了建模和模型中参数辨识的工作,其预测的结果比较准确.     

中长期预测模型的GMDH两水平算法的改进及实证分析比较

两水平算法是以自组织原理为基础应用多层迭代、采用季节数据和年数据同时建模 ,在一定程度上扩大可预测范围 .主要用于复杂系统建模 .对算法作改进 ,使模型在对具有周期趋势的事物预测更加准确 .实证分析表明 ,对算法改进有效 .     

菱形思维的可拓神经网络实现

针对菱形思维过程 ,设计出一类可拓神经网络 ,通过网络的自学习功能 ,该模型可以使菱形思维过程较便利的实现 .对模型本身也进行了理论分析.     

BP人工神经网络自适应学习算法的建立及其应用

解决了BP神经网络结构参数、学习速率与初始权值的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络自适应学习算法,又将其编制成计算机程序,使得输入节点、隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力.计算结果表明:BP神经网络自适应学习算法较传统的方法优越,训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势.     

Kohonen自组织网络在混沌时间序列预测中的应用

研究Ｋｏｈｏｎｅｎ自组织神经网络在构造径向基函数预测模型时的应用，并通过例子研究了混沌时间序列的短期预测和长期预测问题.     

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.     

一种新的人工神经元网络结构模型

提出了一种新的人工神经元网络结构模型 ,与传统的层次型结构不同的是 ,它具有一种逐步细分型、自相似的结构 .给出了用二层模型模拟任意连续函数的一个可靠方法 ,构造方法是基于函数的局部性质 .     

灰色系统理论在滑坡位移信息分析中的应用

根据灰色系统理论 ,建立了经残差修正的自适应 GM( 1 ,1 )预测模型 ,利用编制的计算程序对富春江水电站左岸蠕变山体 CD2观测点水平位移进行预测计算分析 ,结果表明残差修正自适应 GM( 1 ,1 )预测模型精度最高 ,自适应 GM( 1 ,1 )预测模型次之 ,全数据 GM( 1 ,1 )预测模型最低.     

自组织数据挖掘与人工神经网络方法比较研究

着重分析了自组织数据挖掘与人工神经网络方法对系统的先验知识的利用 ,算法过程以及推广能力方面的差别 ,显示了自组织数据挖掘方法具有能同时利用关于系统的先验知识和来自观察数据样本的信息的良好性能 ,并指出 ,这应当成为研究复杂系统的一条重要途径.