相空间重构和混沌遗传神经网络融合的矿井涌水量预测研究

为了更准确预测矿井涌水量变化,有效防治矿山水害,本文提出利用相空间重构和混沌遗传神经网络相结合的方法预测矿井涌水量。选用C-C算法确定嵌入维数和延迟时间,通过对时间序列进行相空间重构来判断涌水量时间序列的混沌特性。为避免BP神经网络极易陷入局部解的问题,采用遗传算法对混沌神经网络进行参数优化,构建混沌遗传神经网络预测模型。将构建的模型应用于某矿山-100 m水平巷道涌水量的预测,在理论预测时长内预测最大误差为3.38%,表明该方法能够反映短期内矿井涌水量变化的趋势,相比单纯的混沌BP神经网络预测模型,预测精度有所提高,可为矿山企业的灾害防治提供科学的参考依据。     

支持向量机在围岩变形监测中的应用

根据支特向量机优越的非线性拟合性能，建立变形量的时间序列预测模型，滚动预测围岩变形量，提高了预测模型的训练速度和预测推广能力。该方法用于西乡-固戍盾构段围岩变形预测，并与BP神经网络预测进行比较。结果表明这种模型可预测区间较长且具有较高的准确度，能够科学地指导现场施工和监测。     

基于ARIMA-RBF算法的月度降雨量预测研究

为了对月度降雨量进行科学预测,将ARIMA模型与RBF神经网络相结合,提出一种基于ARIMA-RBF耦合算法的月度降雨量预测模型。首先,利用ARIMA模型对月度降雨量线性部分进行拟合预测,计算ARIMA模型预测的残差;然后,利用RBF神经网络对ARIMA模型残差进行拟合预测;最后,利用RBF神经网络预测结果对ARIMA模型进行补偿修正,得到最终降雨量预测结果。将该方法用于重庆市沙坪坝月度降雨量实际预测中,预测结果精度高于单一ARIMA模型以及RBF神经网络,能够满足实际预测需求。结果表明:将线性拟合算法和非线性拟合算法结合起来用于月度降雨量预测是一种较为优越的算法。     

改进果蝇优化算法优化广义回归神经网络的预测问题研究

为提高传统非线性预测模型的预测精度,提出一种基于改进果蝇优化算法优化广义回归神经网络的预测方法,将果蝇群体分两部分分别进行迭代寻优,从而改进了果蝇优化算法的寻优性能,进而避免了在寻优过程中陷入局部最优。该方法利用改进果蝇优化算法优化广义回归神经网络的径向基函数扩展参数,然后用训练好的广义回归神经网络预测模型进行预测,最后通过订单预测算例进行实证研究。实证研究结果显示,该方法在解决订单预测问题中与未改进的果蝇优化算法优化广义回归神经网络和传统的广义回归神经网络方法对比,具有更高的预测精度和更好的非线性拟合能力。     

基于模糊控制修正Elman神经网络的电力负荷短期动态预测

为了更好地反映电力负荷系统非线性、动态性、时变性的特点,对电力负荷进行更加智能、准确的预测,将Elman神经网络与模糊控制相结合,提出了一种基于模糊控制修正Elman神经网络的电力负荷短期动态预测模型。首先利用Elman神经网络对电力负荷进行预测并计算预测残差,然后利用模糊控制对残差进行预测控制并对Elman神经网络预测结果进行智能修正,最后结合Elman神经网络与模糊控制修正结果得到最终的电力负荷预测结果。以辽宁省某市2015年6月份部分电力负荷历史数据为样本,结合天气温度情况,利用本文提出的模型进行了实际电力负荷短期预测,最终结果误差较小且比较稳定,优于单一Elman神经网络和该市目前电力系统预测结果,验证了本文提出模型的有效性及可靠性,为短期电力负荷预测提供了一种较为可靠的途径。     

医用血管支架非线性扩张过程快速预测方法的研究

建立了血管支架变形影响因子与其变形结果之间的具有高度非线性识别能力的神经网络模型，通过引入学习因子η和动量因子ψ,采用附加动量项的权值修正方法，优化了网络训练算法，从而提高了网络训练速度和系统鲁棒性．结合实例对网络进行训练，并对预测误差进行了统计假设检验，检验结果表明血管支架变形神经网络智能预测结果与非线性有限元分析结果误差均值低于0．03％，训练后的网络能够较好地对血管支架变形进行预测．在此基础上，基于Pro／Toolkit工具，融合血管支架扩张变形神经网络智能预测模型，建立了血管支架力学性能快速评价工具，该系统实用性强、效率高，能大幅缩短血管支架产品开发周期     

基于PLS及时间序列法的卷烟销量组合预测方法

以A省及17个地市约七年间的销售面板数据为研究对象，首先建立三个单项预测模型，即Hoher—Winter季节乘积模型、时间序列分解法模型和偏最小二乘回归模型。在得到三个单项模型预测值之后，再运用组合模型方法，对三种模型的预测结果进行优化。实证结果显示，本组合预测方法更进一步的提高了预测精度，同时对卷烟销量预测实际工作具有借鉴意义。     

指数平滑模型参数反分析及应用

边坡预测是基于现有的各种监测资料分析和预测未来边坡位移或应力发展趋势,从而分析判断边坡在未来某一时期内是否稳定,或者预测滑坡发生时间的过程.反分析方法已经成为目前解决复杂岩土工程的主要方法之一,在岩土工程中得到越来越多的应用.基于现场的监测时间序列,应用岩土工程反分析方法反演指数平滑预测模型的参数,建立其预测模型,并应用于高边坡的变形预测中.通过应用,论证了参数反演后的指数平滑预测模型的有效性和普适性,并发现该预测模型适合于中短期预测,建议应用该模型进行高边坡变形的短中期预测.     

基于Bagging神经网络集成的燃料电池性能预测方法

利用三维质子交换膜燃料电池数学模型模拟研究了电池流道进、出口高度对电池性能的影响,然后将数值模拟结果作为神经网络模型的训练数据.以流道进、出口高度和电池电压值作为输入变量,以电池电流密度作为输出变量,建立了3层反向传播神经网络模型;然后利用Bagging集成学习方法对神经网络模型进行集成,构建了燃料电池性能预测方法.研究发现:与单一神经网络模型相比, Bagging神经网络集成模型预测精度更高,且所需模型训练数据量更少.此外对于超出训练数据以外的情形, Bagging神经网络集成模型仍然能够准确地预测燃料电池的性能,且精度良好,表明Bagging神经网络集成模型的鲁棒性较好,可用于更宽工况范围内燃料电池性能的快速预测.     

基于支持向量机回归与分源预测法的瓦斯涌出量预测模型及其应用

针对目前瓦斯涌出量预测模型存在的局限性及精度低等问题,应用分源预测和支持向量机(SVM)的基本原理,将SVM回归与分源预测法相结合,并利用SVM对回采工作面的瓦斯涌出量进行回归分析和数值模拟,建立了SVM分源预测的数学模型,提出了SVM分源预测的新方法。数值实验表明,将训练成功的SVM模型对现场数据进行回归预测并对比预测结果与实际值发现,SVM比BP神经网络预测精度更高,训练样本期望输出与实际值的最大相对误差为1.45%,小于实际要求的5%,准确率较高,预测风险低,可以满足实际要求。     

基于RBF神经网络的烧结终点预测模型

本文提出一种基于径向基函数(RBF)神经网络的烧结终点预测模型.该模型首先采用改进的最近邻聚类算法确定径向基函数中心,接着应用递推最小二乘法训练网络的权值.通过现场采集数据对该模型进行仿真,其实验结果表明,该模型具有较好的学习能力和泛化能力,为烧结终点的预测提供了一种新的解决方法.     

基于XFEM的拱坝裂缝变形监控混合模型

鉴于扩展有限元可以快速建立不同扩展情况下的裂缝变形测点监控混合模型,不需要进行不连续面局部网格重划分,因此,本文利用基于黏聚性裂缝模型并考虑裂尖加强的扩展有限元法模拟裂缝的扩展过程,建立了混凝土拱坝黏聚裂缝的断裂模型,通过分析荷载变化和裂缝变形的关系,建立了裂缝开度监控混合模型.工程实例分析表明,基于扩展有限元的裂缝变形监控混合模型的计算值和实测值较为一致,比统计模型拟合结果更好,且可用于预测变形的发展趋势.本文的创新处在于首次将基于黏聚性裂缝模型的扩展有限元法引入大坝安全监测,并对结合黏聚性裂缝模型的扩展有限元法增加了裂尖加强以提高拟合精度.     

基于混沌理论和Volterra自适应滤波器的天然气负荷预测

天然气是一种重要的清洁能源,如何预知未来时刻的天然气负荷,对于燃气公司与上游气源及下游用户制定合适的商业计划具有重要的意义.针对天然气短期负荷预测问题,提出基于混沌理论和Volterra自适应滤波器的预测模型.首先,对天然气时负荷时间序列进行日相关性分析,然后采用互信息法和伪最近邻域法确定延迟时间和最佳嵌入维数;其次,在相空间重构的基础上,对天然气时负荷时间序列进行混沌特性分析;再次,针对现有预测模型多为主观预测模型的特点,将Volterra自适应滤波器预测模型引入到天然气时负荷预测中,降低了人为主观性;最后,给出预测算例,探讨不同Volterra自适应滤波器阶数对预测效果的影响及对比了Volterra自适应滤波器预测模型与人工神经网络(artificial neural network,ANN)、傅里叶级数预测模型的预测精度,验证二阶Volterra自适应滤波器预测模型在不同日时负荷的预测效果.结果表明:二阶Volterra自适应滤波器预测模型较ANN、傅里叶级数预测模型具有更高的预测精度,为天然气短期负荷的在线工程应用提供了有益参考.     

基于主成分的大坝观测数据多效应量统计分析研究

传统的单效应量分析在处理具有多重共线性的大坝监测数据时有较大的局限性,本文引入主成分分析方法对相关的多效应量进行重构,探讨确定主成分的方法,提取影响数据变异的少数主成分.对于稳定的观测数据建立基于主成分的多效应量观测值整体控制域;对于有趋势性变化的观测数据,在建立主成分统计预报模型的基础上建立了未来观测值的控制域.通过工程实例证明,利用主成分分析方法进行多效应量分析可以实现数据缩减,减少数据冗余,降低噪声和虚假报警率,能够进行高效地数据分析,具有广阔的应用前景.     

基于PCA-ELM的矿井瓦斯涌出量预测

为进一步提高矿井瓦斯涌出量的预测效率和精度,将主成分分析法(PCA)和极限学习机(ELM)神经网络相结合,建立基于PCA-ELM的矿井瓦斯涌出量预测模型。运用主成分分析法对矿井瓦斯涌出量影响因素样本进行主成分提取,去除各变量之间的线性相关,得到降维后的有效因子。再将这些有效因子作为ELM神经网络的输入层进行训练和预测,借助ELM神经网络不需较多参数调整、学习速度快、泛化性能好的特点,进行快速准确的预测。利用某典型矿井的实测数据进行实例分析,PCA-ELM方法预测的最大误差为0.2589,最小误差为0.0312,平均误差为0.1370,结果表明该预测模型预测速度快、精度高,能够用于矿井瓦斯涌出量预测。     

基于相空间重构和Volterra的非线性寒区气温预测方法

对寒区冬季气温时间序列的混沌特性及其应用技术进行了研究.先通过0-1混沌测试法确定寒区冬季气温时间序列具有混沌特性,然后通过相空间重构,分别利用C-C算法和G-P算法确定延迟时间和嵌入维数.在此基础上,提出了一种相空间重构和Volterra滤波的寒区冬季气温预测方法.实例分析表明,提出的预测方法在预测精度、预测误差、预测效果方面均优于常见模型,证明该预测方法是可行和有效的.     

利用MODIS反演武汉东湖叶绿素a浓度

以武汉东湖作为研究区域,对经过大气校正后MODIS影像的波段反射率与叶绿素a浓度实测值进行相关分析,分别应用BP人工神经网络模型和线性回归模型对武汉东湖的叶绿素a浓度进行了反演,并对两种反演方法的拟合和预测效果进行了比较.利用BP神经网络反演得到的拟合值与叶绿素a实测值的拟合效果略好于线性回归方法得到的结果,神经网络模型的可决系数R2值0.90大于线性回归模型的R2值0.820.神经网络模型预测的最小绝对误差为0.07 μg/L,线性回归模型的最小绝对误差为2.08 μg/L.最后分析了两个模型各自的优势,将模型应用到武汉东湖2008年5月19日的MODIS影像上反演出东湖水体叶绿素a浓度的分布情况,并对东湖水质进行了评价,结论与多年的地面监测结果一致.     

基于LS-SVR小样本容量的爆破振动峰值速度预测研究

针对爆破振动峰值速度在小样本容量统计条件下的准确预测问题,应用最小二乘支持向量机理论,选取最大段药量、总装药量、水平距离、高程差、前排抵抗线、预裂缝穿透率、岩体完整性系数、测点与最小抵抗线方向夹角、炸药爆速等9个影响因子,建立小样本容量统计条件下的爆破振动峰值速度回归预测模型(LS-SVR)。选取23组爆破振动实测数据,其中,前16组为训练样本,后7组用于结果预测,并与基因表达式编程(GEP)模型和模糊神经网络(FNN)的预测结果进行综合对比,得到LS-SVR、GEP和FNN预测模型平均相对误差分别为5.1%、8.7%和11.3%。研究表明:LS-SVR模型的预测结果与实测数据更吻合,拟合性更好。且在小样本容量统计下,LS-SVR模型可以准确地对爆破振动峰值速度进行预测,为类似工程的小样本容量统计预测提供了一定的可行方法。     

基于MATLAB的煤与瓦斯突出BP网络预测方法

影响煤与瓦斯突出的各种要素与突出现象之间的关系复杂,且具有明显的非线性特点.BP人工神经网络模型可以很好地逼近这种非线性函数关系.基于煤与瓦斯突出特征指标的分析,建立了合理的单隐层结构的BP预测模型,并利用MATLAB神经网络工具箱实现了模型的训练与预测,应用结果表明,这种突出预测方法具有很高的计算效率和预测精度.     

基于神经网络模型的紫外极光卵边界建模

极光卵的尺度大小和太阳风、磁层、电离层以及它们间的耦合过程有密切的联系,会随着空间和地磁环境的变化而变化.建立准确的极光卵边界预测模型对空间天气的预报以及了解日地关系具有重要意义.本文利用误差反向传播(back propagation, BP)神经网络和广义回归神经网络(general regression neural network, GRNN)两种神经网络模型对极光卵边界进行建模.结果显示GRNN的极光卵边界模型具有较高的准确性,赤道向边界预测平均绝对误差在0.77～1.20磁纬度(MLAT);极向边界预测平均绝对误差在0.83～1.39 MLAT.基于GRNN的极光卵边界模型预测准确性分别在极向边界和赤道向边界的整个磁地方时(MLT)上比BP神经网络的极光卵边界模型平均提高了0.74和0.73 MLAT,比多元线性回归模型平均提高了0.82和0.82 MLAT.而在模型的外推性方面, GRNN的极光卵边界模型的外推性优于BP神经网络的极光卵边界模型,与多元线性回归模型接近.