基于免疫粒子群神经网络的短期预负荷测

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,提出了基于径向基（RBF）神经网络的短期电力负荷预测模型．采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值．综合考虑气象、天气等影响负荷因素进行短期负荷预测．仿真试验表明,该方法同传统RBF神经网络相比,具有较高的预测精度,同时具有较强的实用性．     

皮尔—遗传神经网络在预测深厚软基沉降中的应用

依托某高速公路应用塑料排水板堆载预压法处理深厚软基的工程实践．运用皮尔一遗传神经网络对其沉降观测结果进行了分析、预测．研究结果显示该方法预测精度高,说明这种方法对软土地基沉降的预测是有效的．     

支持向量机在机械设备振动信号趋势预测中的应用

将支持向量机（SVMs）用于机械设备振动信号趋势预测中，研究了SVMs参数及核函数类型对SVMs预测能力的影响．试验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，径向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％．SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVMs具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。     

软基沉降计算的数值计算与神经网络混合方法

以福州江阴港铁路大型货场的软基处理项目为工程背景,介绍数值计算与神经网络混合方法在软基沉降计算中的应用.该方法可以依据较少的实测数据,通过大量数值计算以及神经网络参数反演,得到较符合实际的加固处理前后的土体参数,进而估算大面积吹填引起的前期沉降和软基处理完毕后的工后沉降。     

运营期高速公路软基沉降预测模型研究

软基的工后沉降是软土地区高速公路面临的一个重大问题,因此对软基的沉降进行预测显得尤为重要。由于各种工程地质条件的复杂性和难以模拟性,软基沉降的预测总是难以达到精准。基于广东省某高速公路软基沉降监测结果,建立指数曲线模型和幂多项式模型,通过对比分析来探讨预测模型的准确性。结果表明两种预测模型都能达到很高的预测精度,从而准确反映软基沉降规律。     

神经网络模型在短期交通流预测领域应用综述

对基于神经网络的预测模型和方法的研究进行了综述,基于神经网络模型用于短期交通流预测的优点和固有缺陷,认为多种神经网络相结合的混合模型比单一的神经网络模型的预测效果要好,而将神经网络模型与其他领域的研究相结合的综合模型的预测效果要好于混合模型。因此,神经网络与各相关学科的人工智能技术有机结合将会形成强大的综合优势,更有效地用于短期交通流预测研究。     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

基于GA的改进SVM算法对RBF优化算法在短期负荷预测中的应用

高预测精度的短期负荷预测对于坚强电网非常重要,根据电力负荷特性的变化规律,提出了一种改进的基于径向基函数神经网络的短期负荷预测方法,应用经GA优化的SVM多核径向基函数去提取有用数据,提高了基于RBF神经网络的短期负荷预测精度.以美国加州春季负荷为输入数据,应用MATLAB仿真说明改进算法的优越性和其鲁棒性.     

多变量经济混沌时序的小波神经网络预测

提出了一种改进的小波神经网络，通过对C—D生产系统模型和财产管理模型中产生的经济增长混沌时序，进行多变量混沌时序的相空间重构，并采用改进的小波神经网络进行预测，证明其短期预测效果优于其他方法，说明该方法可以应用到经济增长混沌系统的预测中．     

几种沉降预测法在真空-堆载法处理高速铁路软基中的应用

路堤在高速铁路施工和运营过程中不发生过大的沉降是提高列车运行速度的关键,因此在高速铁路软基处理过程中应用沉降预测方法预测沉降和提高预测的精度有很大的实用价值和理论意义．基于试验段实测沉降曲线,将指数曲线配合法、双曲线法和Asaoka法应用于京沪高速铁路路基工程,预测了路基的最终沉降;应用有限单元法计算软件,采用两种土体本构模型结合实验室实验参数模拟现场状况,进行了沉降预测．在此基础上,将几种方法计算结果进行了对比,并与实测值互相印证,进行了一些讨论,希望能供广大工程技术人员参考．     

LMBP和RBF在ECS特性曲线拟合中对比研究

为精确反映数字式涡流传感器的输入输出特性, 为其非线性补偿提供可靠依据, 对传统BP（Back Propagation）神经网络进行改进, 利用LMBP（Levenberg Marquart Back Propagation）神经网络和RBF(Radial Basis Function)神经网络对涡流传感器的输入输出特性曲线进行拟合, 并将两者拟合结果进行对比研究。仿真结果表明, 在训练样本数量相等且中小规模网络的条件下, 采用RBF神经网络比采用LMBP神经网络进行曲线拟合的误差更小、 收敛速度更快且具有更高的拟合精度, 为工程实际中一维数据的拟合方法选择提供了依据。     

基于径向基神经网络的股价预测

借助径向基函数（Radial Basis Function)神经网络对非线性函数的逼近能力，对深能源A股价这个时间列作了连续若干天的一步预测，并与其他预测方法进行了比较。结果表明，用径向基神经网络预测股价是可行的和有效的。     

BP神经网络在高速公路软土地基沉降预测中的应用

采用人工神经网络较强的非线性映射能力和学习能力，提出基于改进的BP神经网络预测盐淮高速公路的路基的沉降。利用实测沉降资料直接建模，避免了传统方法计算过程中各种人为因素的干扰，所建立的模型预测精度高、预测的沉降量误差小。     

基于 HABC-RBF 神经网络的蒸汽驱预测方法

为解决蒸汽驱开发效果预测精度低和时间长的问题, 提出了一种改进人工蜂群算法和 RBF(Radial Basis Function)神经网络相融合的预测方法。 该方法应用种群最优解修改雇佣蜂解和观察蜂解的搜索方程, 借鉴差 分进化算法思想, 完成对种群最优解和个体搜索解随机扰动, 采用混合编码优化 RBF 神经网络参数。 以辽河 油田齐 40 块为例进行了试算, 结果表明, 该方法对蒸汽驱开发效果预测具有较好的非线性拟合能力和较高的 预测精度。     

一种基于RBF神经网络预测模型的DMC预测控制

研究了一种利用RBF神经网络预测模型的动态矩阵控制算法,首先利用动态节点生成构造性RBF神经网络辨识对象模型,同时预测对象的未来输出,然后用传统的动态矩阵控制算法进行滚动优化和反馈校正。仿真表明该算法在非线性对象的任意工作点都可以通过神经网络辨识获得工作点附近的近似线性模型,具有较好的实时性。     

一种基于RBF神经网络的无线传感器网络定位模型

在无线传感器网络覆盖区域内的不同位置采集信号强度值,利用径向基函数(RBF)神经网络建立信号强度到节点坐标之间的映射模型,将采集到的信号强度值作为神经网络的输入矢量进行训练,利用训练好的神经网络实现未知节点的定位。实验结果表明,该模型具有较好的定位精度,其平均定位误差低于10%。     

堆载预压作用下路基沉降的多测点监测模型

从力学作用机理出发探讨堆载预压效应下路基沉降与堆载的关系,以径向基函数神经网络为建模工具,以现场监测的沉降资料及堆载记录为基础,构建堆载沉降的神经网络监测模型的输入层影响因子和包含多个测点沉降的输出层.同时,针对堆载沉降特点,对网络的计算中心采用专门预选方案,进而以模糊C均值聚类算法确定最终计算中心,并以实测资料建立该监测模型实例.结果表明,所得模型对堆载作用的揭示以及多测点的沉降预测取得了满意效果.     

基于BP神经网络的城市供水系统管网预测

针对城市供水系统的复杂性、非线性、时变化性以及多因素影响的特点，探讨了建立基于BP神经网络城市供水管网预测的原理，阐述了建立基于BP网络的城市供水时序预测模型方法．根据管网的节点压力历史数据纪录，建立基于神经网络的管网压力时序预测模型，对未来某一时段的节点压力进行预测．从预测过程和结果分析，基于BP神经网络城市供水管网预测方法操作简单，运行速度快，误差修正方便，精度高．图2，表1，参12．     

一类基于概率神经网络的语音识别模型

介绍了采用人工神经网络，特别是概率神经网络(PNN)技术进行语音识别的原理．提出了一类基于概率神经网络的解决元音识别问题的模型，并且通过一个试验，研究了用于语音识别的PNN模型中的参数设置．试验表明，该模型对于元音的识别具有较好的识别率．