基于RBF神经网络的PV/T组件短期温度预测

针对光伏光热综合利用(PV/T)系统热电协调控制中组件温度控制非线性大惯性系统的温度控制问题,文中提出对PV/T组件进行短期温度预测,以使PV/T系统控制器根据短期预测情况提前动作,从而优化PV/T系统控制效果。文中分析了A类天气类型(晴天、晴间多云、多云间晴)下组件温度的变化情况,并结合RBF神经网络对组件温度数据建立预测模型。仿真实例分析结果表明,该预测方法在A类天气类型下预测精度较高,最大相对误差为13.22%,最大平均相对误差为3.6%。研究结果可为后续PV/T系统研究提供技术支撑。     

基于PCA与Elman网络的地下矿山岩层移动

 由于地下金属矿床地质与开采条件的复杂性,影响岩层移动的因素错综复杂且相互影响,使得对岩层移动的预测具有很大的不确定性。大量的样本数据减慢了神经网络的训练速度,并且使得神经网络不稳定。将主成分分析(PCA)与Elman网络相结合构建模型,对地下矿山岩层移动角进行预测研究。利用主成分分析对原始数据进行预处理,提取原信息的主成分,将输入变量减少且互不相关,提高神经网络训练速度;用Elman网络对训练样本进行训练,进而利用训练好的网络对预测样本进行预测,与不采用PCA时的预测结果相比,采用PCA的预测结果更为准确,通过期望输出与实际输出的对比,相对误差都在5%以内,其预测的结果精度高,表明了PCA与Elman网络相结合对地下矿山岩层移动进行研究是可行的。     

基于主元分析的转炉终点ESN静态预测模型

以主元分析方法和新型ESN(回声状态网络)算法为核心,研究了转炉终点静态预测模型。通过对某钢厂转炉生产数据的主元分析,建立了ESN模型,同时将ESN模型与传统的BP和RBF神经网络模型进行了对比研究。结果表明,使用ESN建立的模型比传统的BP网络模型和RBF网络模型,在钢水温度预测方面精度分别提高了0.85%和0.45%,在钢水碳质量分数预测方面精度分别提高了0.45%和0.19%,能够有效的对转炉终点碳含量和温度进行预测,从而为转炉炼钢过程提供更准确的操作指导。     

基于主元分析的转炉终点ESN静态预测模型

以主元分析方法和新型ESN(回声状态网络)算法为核心,研究了转炉终点静态预测模型.通过对某钢厂转炉生产数据的主元分析,建立了ESN模型,同时将ESN模型与传统的BP 和RBF神经网络模型进行了对比研究.结果表明,使用ESN建立的模型比传统的BP网络模型和RBF网络模型,在钢水温度预测方面精度分别提高了0.85%和0.45%,在钢水碳质量分数预测方面精度分别提高了0.45%和0.19%,能够有效的对转炉终点碳含量和温度进行预测,从而为转炉炼钢过程提供更准确的操作指导.     

基于PCA-OS-ELM的大气PM2.5浓度预测

为了提高细颗粒物PM_2.5浓度预测精度,提出一种主元成分分析与在线序列极限学习机相结合（PCA-OS-ELM）的PM_2.5浓度预测方法. 首先,通过主成分分析方法（PCA）提取高维大气数据中影响空气质量的关键变量,并去除不必要的冗余变量;其次,利用提取的关键变量建立在线序列极限学习机（OS-ELM）网络预测模型,将批处理和逐次迭代相结合,不断更新训练数据和网络参数实现大气PM_2.5浓度快速预测.研究结果表明,PCA-OS-ELM预测方法采用不同批次训练数据更新模型的方式,能够快速实现大气PM_2.5浓度预测,证明了该方法的有效性.与其他方法相比,该方法预测误差小,预测精度高,具有更好的实用价值.      

基于主成分分析的短期负荷预测模型

电力负荷预测的准确性直接影响到电力系统的安全性和经济性,但在应用神经网络进行短期负测精度造成了显著的负面影响。针对这一问题,本文采用多元统计分析中的主成分分析,根据各主成分贡献率对输入空间进行约简,提取线性无关的输入变量,以此达到压缩变量维数的目的,然后利用考虑模型输入变量相互关系的递推合成BP网络进行预测,使之更符合电力短期负荷预测的特点,提高模型的预测精度。仿真实验的结果表明,该简化模型用于短期负荷预测建模速度快、预测精度高,是一种行之有效的方法。     

基于PLS的高速电主轴热变形建模与分析

目的提出偏最小二乘方法(Partial Least Squares,PLS),对不同工况下的电主轴热变形进行预测,并分析多个温度变量和三维热变形的相关关系.方法以型号为150MD24Z7.5的电主轴为研究对象,采用精密传感器测量稳态条件下电主轴的热变形和温升数据,根据PLS模型内部分析机理,利用提取的主成分对变量的解释能力、精度及变量整体相关关系进行分析.结果分析结果验证了自变量温升之间存在多重相关性,采用PLS方法建模有益于模型精度的提高,模型提取的主成分能够反应原始变量的大多数信息,自变量温升和因变量热变形之间存在明显的线性相关关系,PLS模型的预测精度优于多元回归模型.结论电主轴热变形的PLS模型预测精度较高,适用于实际加工工况,对热误差的补偿具有补充意义.     

改进灰色神经网络的作动系统功率预测

为提高飞机上作动系统的功率预测精度,建立了改进的多变量灰色神经网络预测模型。考虑了对系统功率需求有较大影响的相关因素,采用主成分分析法提取综合变量作为输入,在提升准确性的基础上有效减少了输入维数;在利用递增方式对初始值进行选择的过程中,引入粒子群优化算法快速求解最优初始值和背景值,模型预测的平均误差由13.35%降为7.53%;考虑到序列波动对预测精度的影响,采用BP神经网络对预测值进行误差修正,进一步将模型的平均预测误差降为4.07%。仿真实验表明,含主成分分析的改进灰色神经网络对飞机作动系统的功率有较高的预测精度,有利于飞机的电能调度。     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

P-C-R模型构建及应用

针对目前预测模型精度低的问题,提出将主成分分析、聚类分析用于RBF神经网络预报建模,从而克服大样本数据提取的困难,使得指标的选取能更全面地反映状况,有效地缩减RBF网络的输入节点数并提高模型的预报精度。利用MATLAB的神经网络工具箱,实现了神经网络训练和仿真验证。仿真结果表明,该模型有较高的预报能力。提出的基于主成分分析和聚类分析的RBF网络预报模型---PCR模型为研究预报提供了一个新的思路和方法,并为其他领域的建模研究开阔了思路,具有一定的理论价值和的应用价值。     

基于偏最小二乘法的BP网络在舰船维修费用预测中的应用

针对在建立多层前馈(BP)神经网络模型时,存在收敛速度慢、易陷入局部极小等问题,应用偏最小二乘法(PLS)得到的主成分数和主成分与自变量、因变量的权值对BP网络进行改进,并构建用于舰船维修费用预测的PLS-BP神经网络模型。实验结果表明,采用PLS-BP网络模型对舰船维修费用进行预测可以获得更高的精度。     

基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.     

基于主成分分析与神经网络的采矿方法优选

基于利用神经网络预测采矿方法存在一些不足,建立主成分分析法与神经网络结合的采矿方法优选模型。对神经网络的输入数据进行主成分分析,使输入数据不相关且减少。研究结果表明:利用主成分分析法可将输入数据减少,消除由于BP网络输入数据太多而影响数据处理速度的缺陷;把主成分分析法和神经网络结合进行采矿方法优选,可使预测精度大大提高。     

一种最大共轭梯度连续泛函的网络峰值预测

提出一种基于最大共轭梯度连续泛函的网络峰值预测算法和模型,分析网络峰值预测影响因素,建立一个包含网络流量、网络峰值范围和信号强度的SVM模型.采用SVM模型的主成分分析方法实现对网络峰值的PCA估计系统设计.通过最大共轭梯度连续泛函,在奇异半正定性双周期性复分析下,实现对网络峰值的预测,考察网络流量的波动以及网络信号对网络峰值影响贡献程度,对网络峰值特征进行状态信息融合处理,减少预测误差.实验结果表明,该算法对网络峰值的预测精度较高,预测误差控制在1.5%以内,性能优越.     

基于小波Elman神经网络的活塞环渗氮硬化质量预测控制

针对活塞环渗氮硬化工序建模困难的情况,通过主成分分析法（PCA）提取氮化工序特征参数,降低了质量模型输入样本维数,建立了基于小波Elman神经网络的活塞环制造关键工序质量预测模型,实现了工序过程质量波动趋势的预测,为后续的工艺优化和质量改进奠定基础。结果表明,该方法可以有效地改进渗氮硬化工序的质量控制,质量预测模型对输出质量特征值的预测准确率达到89%,具有比标准Elman网络更好的预测精度和收敛速度.     

基于小波Elman神经网络的活塞环渗氮质量预测控制

针对活塞环渗氮硬化工序建模困难的情况,通过主成分分析法(PCA)提取氮化工序特征参数,降低了质量模型输入样本维数,建立了基于小波Elman神经网络的活塞环制造关键工序的质量预测模型,实现了工序过程质量波动趋势的预测,为后续的工艺优化和质量改进奠定了基础.结果表明,文中方法可以有效地改进渗氮硬化工序的质量控制,所建立的质量预测模型对输出质量特征值的预测准确率达到89%,具有比标准Elman网络更好的预测精度和收敛速度.     

一种预测木聚糖酶最适温度的PCANN模型

采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入神经网络,构建F/10家族木聚糖酶氨基酸组成和最适温度的主成分分析神经网络(PCANN)模型.结果表明,当学习速率为0.07、动态参数为0.8、Sigmoid参数为0.96,隐含层结点数为5时,模型对温度拟合的平均绝对百分比误差为4.97%,绝对误差为3.03℃.同时,方法具有良好的预测效果,预测的平均绝对百分比误差为4.68%,平均绝对误差为3.55℃.     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

充填管道失效风险性预测精度研究

为更准确预测矿山充填管道失效风险性,建立主成分分析与改进BP神经网络相结合的评价模型。选取10项评价指标作为充填管道失效风险性的评判指标,统计10个矿山的样本数据,并运用主成分分析法对这10个样本数据进行预处理,得出主要成分,再利用改进的BP神经网络模型进行预测,最终得到更准确的管道失效风险预测结果。研究结果表明,所得到实际预测结果与期望值之间的相对误差分别为2.31%,1.68%,3.02%。预测相对误差控制在4%以内,较未经主成分分析处理的标准BP神经网络预测精度更为准确。利用主成分分析法与改进的BP神经网络相结合建立的充填管道失效评价模型具有分析速度快、预测精度高的特点,为矿山充填管道失效风险预测提供了一种更为完善的方法。     

基于PCA-RBF网络的煤与瓦斯突出强度预测

为提高煤与瓦斯突出强度预测的准确性,采用主成分分析(PCA)法降低变量间的相关性,并将其与径向基网络相结合,对煤与瓦斯突出强度进行预测.以某矿为研究对象,对煤与瓦斯突出强度影响因素进行主成分提取,选取累计方差贡献率超过85%的三个主成分,代替原来的六个影响因素,将其作为RBF网络的输入参数,构建PCA-RBF煤与瓦斯突出强度预测模型.研究结果表明:PCA-RBF网络预测模型的平均相对误差为5.55%,满足煤与瓦斯突出强度预测的要求.