基于引入技术指标的Elman网络的股市预测

利用能够反映动态系统特性的Elman回归神经网络,结合传统的技术分析方法,通过对股票市场的技术指标的建模,寻求股票价格的变化规律,实现对股票价格的预测.实验结果表明,Elman网络具有较好的的逼近性能,能够实现对股票市场的预测.因此,引入技术指标的Elman神经网络用于股市预测是可行、有效的,具有很好的应用前景.     

网络控制系统的自适应预测控制

针对具有随机时延的网络控制系统,提出一种自适应预测控制方法. 利用Elman神经网络对网络控制系统的随机时延进行在线预测,然后采用一种增加微分作用的改进隐式广义预测控制方法对网络时延进行补偿,实现了随机时延网络控制系统的自适应预测控制. 仿真结果表明,该方法对网络随机时延有很好的补偿效果,可明显改善系统输出性能,保证控制的稳定性与快速性.     

LSTM网络在地铁隧道沉降预测中的应用研究

为提高地铁隧道沉降预测的精度,研究长短记忆网络(LSTM网络)在地铁隧道沉降预测中的作用。分别利用反向神经网络(BP神经网络)和LSTM网络建立模型,结合2组地铁隧道实测数据,对模型的预测精度进行了比较和分析,试验结果表明LSTM网络优于BP神经网络并有较高的预测精度,与BP神经网络模型相比LSTM网络模型预测误差降低幅度可达35%,相对误差降低幅度可达42%,均方根误差值降低幅度为55%,预测的结果更接近实际测量结果。研究表明将深度学习的方法之一LSTM网络引入到地铁隧道沉降监测中,提高了预测精度。     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测，提出了一种基于经验模态分解算法（empirical mode decomposition，EMD）优化非线性自回归（nonlinear auto regressive，NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律，为此使用了基于时间序列的NAR动态神经网络，该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型，以此来减少预测误差，提高预测精度.结果显示，EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测，预测精度可达93%，具有较好的应用价值.     

应用改进BP网络进行铁路客运量预测研究

针对传统铁路客运量预测方法的不足,提出运用改进BP神经网络结合四阶段法进行客运量预测,给出了预测算法,建立了铁路客运量神经网络预测模型,并对敦煌铁路客运量进行预测,设计网络参数,进行网络学习和训练,最终得到较为精确的2010年及2015年敦煌铁路客运量,为该线路今后的运营管理提供决策参考．     

基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）和长短时记忆（long short-term memory,LSTM）神经网络的短时交通流预测方法。首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的空间特征;其次,优化LSTM网络模块来减少网络对数据的长时间依赖;最后,在端对端模型的训练过程中,引入改进后的自适应矩估计（rectified adaptive moment estimation,RAdam）优化算法,加快权重的拟合并提高网络输出的准确性和鲁棒性。实验结果表明：在工作日与周末分时段,所提出的模型相比堆栈自编码（stacked auto-encoders,SAEs）网络预测模型,性能分别提升3.55%与8.82%,运行时间分别缩减6.2%与6.9%;相比长短时记忆网络-支持向量回归（long-short term memory-support vector regression,LSTM-SVR）预测模型,性能分别提升0.29%与1.79%,运行时间分别缩减9.0%与9.7%。所提模型能够更加适用于不同时段下的短时交通流预测。     

基于ConvLSTM的移动边缘计算服务器能耗模型

针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆（convolutional long short-term memory, ConvLSTM）神经网络,提出了用于移动边缘计算的服务器智能能耗模型（intelligence server energy consumption model,IECM）,用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。     

基于LSTM-DNN模型的入侵检测方法

针对基于深度神经网络模型的入侵检测方法存在的梯度减弱或消失问题，提出了一种LSTM(Long-Short Term Memory，长短时记忆)神经网络改进的DNN(Deep Neural Networks，深度神经网络)模型．该模型主要包括LSTM神经网络和DNN2部分，LSTM神经网络通过记忆或遗忘进行数据流量特征提取，然后将其输入DNN进行训练、入侵检测．模型中采用优化算法，加快了网络收敛．实验表明，与LSTM模型相比，LSTM-DNN模型具有较好的性能，准确率更高，运行时间更短．     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

基于GA-BP神经网络模型的大坝裂缝预测

常规的BP神经网络由于初始权值和阈值问题,在对大坝裂缝开度进行预测时精度普遍不高。为此,本文首先引入遗传算法(GA)对BP神经网络进行优化,构建了GA-BP神经网络预测模型,然后分析实测资料,发现库水位、温度显著影响裂缝开度,最后将这两个因素作为网络的输入变量,利用预测模型对某重力拱坝X15段裂缝开度进行短期预测。比对两种方法的预测结果可得,通过遗传算法优化BP神经网络的预测精度明显高于传统BP神经网络,本研究可为大坝的安全运行管理提供一种技术方法。