基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法．该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程，消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真，构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架．两则数据仿真表明，对于高度非线性系统，该算法可使系统估计的均方误差减少60％以上．     

基于神经网络的建筑工程造价预测研究

采用误差反向传播人工神经网络模型（BP网络模型），以建筑特征参数为输入变量，通过实际资料对网络进行训练和模拟，并用贡献分析法筛选输入变量，对网络结构进行优化，结果显示了该模型在建筑工程造价预测中的有效性     

时间序列神经网络动态建模研究

采用一种改进的时间序列神经网络用于过程系统的动态建模。该网络将输入变量的时间序列数据作为网络输入，同时以系统的脉冲响应系数为时间序列输入数据的权值，赋予神经网络模型一定的物理意义，从而使神经网络模型获得更好的外延性，能够更好地表达系统的动态特性。     

模糊 RBF 网络简化模型研究

在一定的前提条件下,提出一种简化的模糊ＲＢＦ网络模型．该网络由输入层、模糊化层、模糊联结层、合成联结层和输出层组成．同时,还给出网络的构造方法和自学习方法．仿真结果表明此网络对非线性、多变量函数具有良好的逼近能力．     

GMDH方法在长良川水质预测中的应用

在复杂水环境系统的模式识别中，如何确定影响系统输出的输入变量是关键，文章首先介绍GMDH(数据处理组方法)方法的基本运算法则，运用改进后的GMDH方法筛选模型的输入变量，建立长良川溶解氧和化学耗氧量两个水质项目的预测模型，模型的相关度最高可达0．96，基本满足工程要求，研究表明GMDH法是初步了解系统变化机理、建立系统模型的有效方法．     

多变量系统子子模型辨识

目前,对多变量系统辨识的研究已经越来越多,但是,基本上都属于子模型的辨识问题,不便于实际应用.本文采用子模型与子子模型技术,将一个有R个输入,m个输出的多变量系统分解为M个带R个输入的子模型,而每个子模型又可分解为R个子子模型(单输入单输出系统).在多变量系统中,只要做一次试验(同时加入月个输入信号),使用月个输入信号与M个输出信号的数据,可以自动辨识子模型的阶次与参数,再从子模型的有关数据,最终辨识出子子模型的阶次与参数.本文采用分块矩阵求逆公式,提出一种快速的自动定阶与估计参数的递推算法.     

基于广义Hammerstein模型的多变量非线性预测控制

将单输入单输出的Ｈａｍｍｅｒｓｔｅｉｎ模型推广至多输入多输出系统,提出了广义Ｈａｍｍｅｒｓｔｅｉｎ模型,并给出了其辨识建模方法．进一步以此模型为基础,提出了一种多变量非线性预测控制算法．该算法利用了线性预测控制的成果,避免了通常非线性模型预测控制所需的在线数值寻优计算,大大节约了在线计算时间、提高了算法的可靠性和稳定性．     

汽轮机在线性能分析BP神经网络模型

为了提高汽轮机在线性能分析系统的健壮性、精确性和抗干扰能力，对BP网络算法进行拓展，增强其网络功能。使之能够分析网络输入参数偏差对输出参数的影响，建立了一种新的汽机在线性能分析模型．与常规在线分析模型相比，该模型只需常规模型输入参数个数的1/5，大大减小了测量设备损坏对在线系统的影响；而且该模型分析结果精确、可靠，测定的热耗结果与常规分析结果误差不超过1％．另外，该模型容错性能良好，参数在2％内波动对分析结果无太大影响．     

智能数据预处理在浮选过程中的应用

针对反浮选过程的被控对象复杂、数学模型不确定以及控制要求高等特点，提出一种基于主元分析和模糊聚类的数据预处理算法。采用模糊C均值聚类算法得到聚类中心，进行线形回归从而对过程变量数据进行了预处理。主元分析法则用采进行辅助变量的选取和输入高维向量的降维简化．针对主元变量采用径向基函数网络建立了系统经济技术指标的预测模型。根据工业实际生产数据进行的模型校验和误差分析表明，能够满足浮选过程控制的精度要求。     

对前馈型神经网络股价预测的一点改进

为减小预测误差，目前的方法是：选择对股价有显著影响的输入变量；调整网络结构及选择合适的参数；优化学习算法．这些方法都是以实际股价作为网络的预测．本文提出的方法是以相邻两天的股价差价作为网络的预测．本文在相同的数据上分别建立股价预测模型和股价的差价预测模型，并对它们的结果进行对比分析，结果表明差价预测模型的预测误差小，预测效果好．     

天气数据模糊化处理对神经网络短期负荷预测模型的影响研究

介绍了一种简洁实用的基于模糊集的神经网络电力系统短期负荷预报方法,计及了天气和日期特征量．应用模糊集理论将天气和日期特征量模糊化后作为BP神经网络的一部分输入进行训练,同时考虑实际历史负荷数据构造了短期负荷预测模型,预测未来24h负荷．通过典型算例与普通BP方法预测结果相比,表明该方法是有效的并具有较高的预测精度．     

基于多元统计—神经网络的教学质量评估模型

给出了基于多元统计—BP神经网络的教学质量评估模型,先采用相关分析、主成分分析对其影响因子作评价和预处理分析,然后以BP神经网络模型作预测,并在Matlab中实现.结果表明,基于多元统计—BP神经网络的教学质量评估模型,既克服了在评估过程中的主观因素,又得到了满意的评估结果,具有广泛的适用性.     

基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。     

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BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测的准确性对电力系统的实时运行调度至关重要.采用BP神经网络对电力系统负荷短期预测研究,根据影响电力系统的负荷因素如温度、天气等确定模型构成,同时利用遗传算法对BP神经网络进行优化.实例表明,利用遗传算法优化的BP神经网络在电力系统短期负荷预测中是有效的.     

基于BP神经网络和AHP的软胶囊滴丸产品质量软测量建模

为了解决软胶囊滴丸产品质量控制系统的建模问题,文中提出了一种基于BP神经网络和层次分析法（AHP）的二级软测量建模方法．首先详细分析了软胶囊滴丸生产过程质量控制的性能要求和影响产品生产过程质量的因素,给出软胶囊滴丸产品的二级层次结构质量指标体系和操作变量;在此基础上,利用BP神经网络进行建模,获得以工艺参数为输入,以各二级质量指标为输出的软胶囊滴丸生产过程质量子模型;然后,用AHP确定各二级指标的权重,最终建立软胶囊滴九生产过程质量控制的二级软测量模型．仿真实验结果表明了该方法的有效性．     

基于BP神经网络的税收预测模型

在分析影响税收主要因素的基础上，将反向传播（BP）神经网络理论应用于税收的预测．首先对初始数据进行预处理，使其适应BP神经网络学习的要求，然后建立基于BP神经网络的税收预测模型．采用实际数据对模型进行验证，并将其与传统的统计模型相比较，证明了基于BP神经网络的税收预测模型有较高的精度和较强的实用性．     

一类新的预测模型及其应用

对时间序列的一类预测模型进行了研究,把灰色模型与BP神经网络模型组合建模,通过实例分析取得好的效果。     

基于AP-BP神经网络的建筑能耗分析与预测

建筑行业对能源的节约是当前节约能耗的重要途径之一,在对能源浪费现状和建筑物能源绩效调研和分析的基础上,提出了一种基于affinity propagation（AP）聚类的back propagation（BP）神经网络建筑能耗分析与预测方法。通过AP聚类算法对影响建筑能耗的多维因素进行聚类分析,得到影响建筑能耗的主要因素并作为BP神经网络的输入,然后将建筑能耗指标热负荷和冷负荷作为BP神经网络的输出,建立建筑能耗分析与预测模型。均方根误差（RMSE）和平均相对泛化误差（ARGE）评价指标分析结果表明,本文所提方法对能耗值预测的拟合程度优于经典的BP神经网络,且通过建筑能耗输入输出的结构调整能够节约能耗,提高能效。     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。