混沌神经网络住宅性能综合评价模型的研究

住宅性能综合评价是住宅商品化和市场化的重要基础性工作.利用人工神经网络模拟人脑学习和记忆功能的特点,建立了住宅性能综合评价模型.针对神经网络BP算法收敛速度慢容易陷入局部极小值问题,将混沌理论引入神经网络算法中,利用混沌运动的遍历特性加快了训练速度,使其收敛于全局最优解.算例表明,混沌神经网络模型可以准确地评价住宅的综合性能,有良好的应用前景.     

混沌神经网络住宅性能综合评价模型的研究

住宅性能综合评价是住宅商品化和市场化的重要基础性工作．利用人工神经网络模拟人脑学习和记忆功能的特点，建立了住宅性能综合评价模型．针对神经网络BP算法收敛速度慢容易陷入局部极小值问题，将混沌理论引入神经网络算法中，利用混沌运动的遍历特性加快了训练速度，使其收敛于全局最优解．算例表明，混沌神经网络模型可以准确地评价住宅的综合性能，有良好的应用前景．     

广义预测误差模型及其GLMS自适应算法

提出了广义预测误差模型,其二次型性能面的形状受控于模型参数α,在最小均方误差准则下,推导出GLMS自适应算法.通过简化的GLMS算法和LMS算法的类比分析,证明了模型参数α对算法的收敛特性具有明显的影响.在α<0时,可获得比LMS算法更好的收敛特性,而计算量增加不多.数字仿真结果与理论分析相符.     

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。     

基于融合算法优化的卷积神经网络预测方法

由于不同气象条件会影响太阳辐照度的有效利用,这制约了太阳能的应用和发展.为了基于不同站点不同采样时刻的气象属性预测中尺度站的太阳能辐照度,依据传统卷积神经网络的框架,建立了一种新型的卷积神经网络结构幵用于太阳能辐照度预测.为了缓解新型网络由超参数选取不当导致预测性能差的问题,利用融合算法对新型网络的超参数进行优化.为了提高融合优化算法的全局搜索能力,引入帐篷映射对粒子的初始位置和初始速度进行混沌初始化.首先,导入训练集更新新型卷积神经网络框架,训练结束后导入验证集检验当前模型参数下新型卷积框架的性能.其次,混沌融合算法依据新型卷积神经框架在验证集上的预测性能更新模型的超参数.对更新模型的超参数多次检验,直至最优的预测模型在验证集上的性能趋于收敛.最后,辒出模型的最优超参数,建立太阳能辐照度预测模型.基于气象实测数据建立太阳能辐照度预测实验,引入其他两种预测方法进行对比仿真研究,幵尽可能复现了Eustaquio and Titericz团队的预测方法(GBRT)作为太阳能辐照度预测性能的评估基准.实验数据表明:混沌融合算法可以有效地提高新型卷积神经网络的预测性能,所提出预测方法的全年太阳能辐照度的均方误差较GBRT降低25.9%,绝对平均误差较GBRT降低了10.7%;全年太阳能辐照度平均误差率降低了18.4%,误差率小于0.1的样本量增加了21.1%.     

基于PSO的BP网络在3D动漫造型评价中的应用

针对标准BP神经网络易陷入局部极小值的问题,本文结合全局随机搜索最优解的粒子群优化算法,建立了一种3D动漫造型评价模型,并将其应用到3D动漫造型的生成过程。该模型充分利用粒子群算法的全局寻优特性,优化BP网络的权值和阈值,使网络的均方误差小于或等于目标设定值。实验结果表明,本文方法在保证BP网络能收敛到全局最优解的前提下,加快了BP网络的收敛速度和收敛精度,并在3D动漫造型的进化中具有较好的评价性能,提高了造型的生成质量。     

基于集成学习的交通流短时特性分析与神经网络预测方法

为揭示交通流的内在动态特性,利用分析法对交通流分形特性进行研究,表明该城市交通流序列具有长程相关性;为达到更精准的短期交通预测效果,同时提出一种基于思维进化算法(MEC)对神经网络最优初始参数的定向搜索,解决神经网络易陷入局部最优的问题;并用自适应增强算法(adaptive enhancement algorithm,Adaboost)对优化过的神经网络集成,弥补神经网络对新样本集的泛化性能差缺陷,在此基础上通过预测误差平方和倒数准则重新调整Adaboost算法对弱预测器权值分布,使每个预测器最大程度提高网络预测精度.验证结果表明,改进MEC-BP_Adaboost模型与BP模型相比,均方误差和平均绝对误差分别下降78.2％和46.4％,证明本文改进方法对交通流预测具有合理性,对不同的交通流状态具有较好的适应性.     

基于神经网络误差补偿的混沌系统广义预测控制

本利用BP结构神经网络，对混沌系统的建模误差进行预测，并将其补偿到广义预测控制中，以提高算法的鲁棒性，线性模型和神经网络的学习均采用阻尼最小二乘算法．仿真结果表明该算法对混沌系统控制的有效性．     

简单随机截距模型参数估计与响应预测的最优设计

研究简单随机截距模型中固定和随机效应线性组合的估计和个体未来观测值的预测的最优设计问题.在模型的方差分量假定为已知的情况下,分别利用估计量的均方误差和预测量的预测均方误差建立设计准则,给出若干最优设计测度的解析解或精确设计数值算法.     

基于混沌蚁群神经网络的浮选过程经济技术指标预测

以选矿中的浮选生产过程为研究对象,提出一种基于混沌蚁群神经网络算法预测浮选过程经济技术指标的测量模型.采用主元分析进行输入数据集降维,应用混沌蚁群算法与最小二乘法相结合的混合算法调整前提参数和目标值,以取代二次规划求解优化问题,并达到求解速度快、仿真精度高的效果;同时,采用混沌蚁群算法训练神经网络,在随机扰动或测量噪声存在的情况下仍可以达到较好的训练目的,并提高了网络参数辨识的收敛速度.同时,以某实际选矿浮选生产过程的生产数据作为建模和预测数据进行仿真分析,并与初始的主元分析-反向传播(BP)神经网络模型预测结果加以对比.结果表明,所提出的模型能够实现浮选过程经济技术指标的全局预测,与优化前的模型相比其预测误差明显较低,预测精度提高了1.8%,满足优化浮选药剂添加的计算要求.     

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于EWT-PSO-Elman耦合模型在径流预测中的应用

由于径流序列的非线性和非平稳性,单一预测模型能力有限,难以做出准确预测。因此,论文基于澄碧河流域坝首站1979-2019年共41a的实测月径流序列,引入经验小波变换分解(EWT)、粒子群算法(PSO),建立一种基于Elman神经网络的组合月径流预测模型(EWT-PSO-Elman),并采用纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析,并将预测结果与EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型进行比较。结果表明：EWT-PSO-Elman模型的纳什效率系数为0.9135,均方根误差为19.4511,预报等级为甲级,具有较好的预测精度和泛化能力;EWT-PSO-Elman模型的预测精度优于EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型。可见,EWT-PSO-Elman模型具有更好的预测精度,可应用于径流预测研究中。     

基于二次修正的短时行程时间预测模型

为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差三个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.     

考虑航班计划的机场短时停车需求预测

为克服现有短时停车需求模型无法直接利用于机场停车需求预测这一问题,利用停车数据、航班计划和气象信息,建立了面向机场停车场的短时停车需求预测模型。首先使用机场停车数据分析了停车场短时车辆到达与离去特性,然后考虑到航班计划对机场停车场短时停车需求的影响,将其与气象状况同时引入到短时停车需求影响因素中,建立了基于Conv1D-LSTM神经网络结构的机场短时停车需求模型。以上海虹桥机场停车场为实例,Conv1D-LSTM模型实验结果的平均绝对误差和均方根误差分别为12.057 辆和14.237 辆;对比多个其他模型实验结果,本文构建的Conv1D-LSTM模型预测效果更优,能有效应用于机场停车场短时停车需求预测。     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

基于位置子市场划分的房价贝叶斯概率模型

针对方案属性值为Vague值且考虑专家评分可信度的多属性群决策问题,提出了一种基于Vague集模糊熵和D-S证据理论的多属性群决策分析方法。该方法充分考虑各专家给出的Vague值评价信息中所蕴含的模糊性与不确定性,借助模糊熵来获取与专家自身意见相匹配的评分可信度序列,其完全由数据驱动,弥补了传统方法对可信度主观统一设定的不足。首先,基于各专家原始决策矩阵获得各属性下的Vague集模糊熵,以构建与专家集相对应的评分可信度矩阵;其次,对经可信度调整后的各专家决策矩阵使用证据合成进行信息集结,利用Vague集记分函数并经可信度调整得到属性权重;最后,将专家群体集结信息经属性权重加权修正后算出各方案最终的Vague评价值,进而使用记分函数获得各方案综合得分,筛选出最优方案。利用证据理论在不确定信息融合方面的优势和Vague集记分函数的信息转化功能,通过证据合成和记分函数集结专家群体的评价信息,所得出的决策结果更加客观、合理,并通过一个具体算例验证了所提方法的可行性和有效性。     

用DSP（TMS320C25）实现雷达杂波自适应抑制

探讨了自适应抑制雷达杂波的实时信号处理问题,分析了在最小均方准则下的LMS,MLMS算法,进行了系统性能模拟.并研制了一种用DSP的自适应MTI系统,该系统对杂波环境有较好的自适应能力,对地杂波及运动杂波有较好的抑制效果,在雷达实测中,改善因子大于20dB。     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

超短期风电功率预测的混合深度学习模型

针对风电功率预测(WPF)问题,提出一种基于离散小波变换(DWT)、时间卷积网络(TCN)和长短期记忆(LSTM)神经网络的混合深度学习模型(DWT-TCN-LSTM),对超短期风电功率进行预测.将DWT-TCN-LSTM模型分别与差分整合移动平均自回归(ARIMA)模型,支持向量回归(SVR)模型,长短期记忆神经网络模型和卷积长短期记忆(TCN-LSTM)混合模型进行对比实验,通过对称平均绝对百分比误差(SMAPE),均方根误差(RMSE)和平均绝对误差(MAE)3种评价指标值对各个模型进行评价.实验结果表明:DWT-TCN-LSTM模型具有较好的预测性能.