基于自适应模糊神经元网络的电力短期负荷预测

利用模糊神经元网络（ＦＮＮ）进行电力短期负荷预测．给出了模糊神经元网络结构和部分输入变量的模糊化．ＦＮＮ采用ＬＭＳ（Ｌｅａｓｔ－Ｍｅａｎ－Ｓｑｕａｒｅ）算法，并用历史负荷数据进行训练．一经训练，网络就能应用于在线负荷预测．在预测过程中，权值按最近的负荷行为自适应调整．测试结果表明，该方法具有较好的精度和较快的速度．     

A REAL_TIME SHORT_TERM LOAD FORECASTING SYSTEM BY ARTIFICIAL NEURAL NETWORK *

应用人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ—ＡＮＮ）设计短期电力负荷预测（Ｓｈｏｒｔ＿ｔｅｒｍＬｏａｄＦｏｒｅｃａｓｔｉｎｇ—ＳＴＬＦ）系统,利用广州电网的负荷数据进行仿真,分别作出提前１小时和未来２４小时的整点负荷预测,获得比较满意的预测精度,显示出人工神经网络应用于短期电力负荷预测的良好前景．由于建立小时模型、改进了训练样本集的选取办法及采用高效率的ＬＭ（Ｌｅｖｅｎｂｅｒ＿Ｍａｒｑｕａｒｄｔ）训练算法,使ＡＮＮ的训练速度大大加快,形成可以实时训练和预测的ＡＮＮ＿ＳＴＬＦ系统．     

基于神经网络的可靠度时序预测方法研究

提出了利用人工网络进行可靠度时序预测的方法,分别利用径向基函数（ＲＢＦ）网络及自适应模糊神经（ＡＮＦＩＳ）网络对发动机涡轮增压器进行了可靠度的时序预结果表明,利用神经网络进行可靠度时序预测是可行的,并且ＡＮＦＩＳ的预测能力要优于ＲＢＦ。     

基于模糊算法的判决神经网络

在判决神经网络（ＤＢＮＮ）的基础上提出了一种基于模糊算法的模糊判决神经网络（ＦＤＢＮＮ）．在网络训练中引入置信度和容噪度的概念,提高了网络分类的稳定性,同时克服了（ＤＢＮＮ）在训练样本混有噪声时学习困难和泛化能力不高的缺点．因ＦＤＢＮＮ在学习时的不均匀性,大大加快了网络训练的时间,提高了训练的效率．实验结果表明,ＦＤＢＮＮ的性能高于ＢＰ网,而且也比ＤＢＮＮ在稳定性和识别率上有了显著的提高．     

宝钢IF钢大生产产品性能预测

以ＢＰ算法为基础开发了ＡＮＮ学习预测系统,用于宝钢ＩＦ钢大生产产品性能预测．同时,应用在宝钢ＩＦ钢大生产数据对该系统进行了测试和分析,并与多元线性回归结果进行预测精度比较．结果表明,ＡＮＮ学习预测系统,除σ_(０.２)误差较高（９．０％）外,σ_ｂ,δ,ｒ和ｎ值均＜５．０％,且比多线性回归方法精度高．     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

矿物机械活化人工神经网络-模糊专家系统的开发

针对矿物机械活化所涉及知识的复杂性,把人工神经网络（ＡＮＮ）和模糊专家系统（ＦＥＳ）有机地结合起来．用面向对象编程方法（ＯＯＰ）在Ｗｉｎｄｏｗｓ９５平台上开发出集知识库管理、数据库管理、模糊推理和人工神经网络等为一体的全３２位集成系统．可根据矿物的结构性能等参数对矿物的机械活化效果进行预测,并且集成人工神经网络可有效地抽取矿物的活化效果与矿物结构、性能之间的内在关系     

GA-ANN算法在产品质量估计中的应用

针对反向传播（ＢＰ）算法,径向基函数（ＲＢＦ）算法的不足,提出了基于遗传算法（ＧＡ）确定神经网络构或权值的进化神经网络算法（简称ＧＡ－ＡＮＮ算法）。在产品质量估计仿真研究中表明,该算法不需试凑而取得较好的网络结构和参数。     

模糊中医专家系统外壳－FESS的设计

ＦＥＳＳ是用ＴＵＲＢＯＰＲＯＬＯＧ２．０在ＩＢＭＰＣ／ＡＴ上研制的，应用于中医领域的模糊专家系统外壳．本文首先介绍ＦＥＳＳ的总体结构，接着叙述ＦＥＳＳ的核心部分─知识库组织及推理机制．     

基于模糊线素特征与神经网络相结合手写体汉字识别

本提出了一种基于模糊方向线索特征（ｆｕｚｚｙｄｉｒｅｃｔｉｏｎａｌｌｉｎｅｅｌｅｍｅｎｔｆｅａｔｕｒｅ,ＦＤＬＥＦ）与人工神经网络（ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ,ＡＮＮ）相结合的手写体汉字识别方法（ＦＤＬＥＦ－ＡＮＮ）,解决了单一ＦＤＬＥＦ方法对相似字识别率低的问题。     

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．     

基于RBF神经网络和专家系统的短期负荷预测方法

深入研究了天气和特殊事件对电力负荷的影响,建立了结合径向基（RBF）神经网络和专家系统来进行短期负荷预测的模型。利用RBF神经网络的非线性逼近能力预测出日负荷曲线,然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正,使其在天气突变等情况下也能达到较高的预测精度。利用该模型编制的实用化软件在西北电网的多个电力局投入实际应用,结果表明：该方法用BP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。     

基于对象和规则的专家系统构造工具FRS

叙述了一个基于对象和规则的混合式专家系统构造工具,该系统使用框架、规则和人工神经网络等多种知识表示形式,采用模糊推理机制,运用正向、反向及正反向混合的推理形式,提供了非单调推理功能,形成了一个表达能力强、适用广泛的工具系统.本文着重时该系统的总体结构、模糊推理与人工神经网络的应用进行了论述.     

RBF网络在节假日短期负荷预测中的应用

节假日的负荷预测一直是电力系统短期负荷预测中的难点。该文采用了T－S型模糊RBF网络,提出了一种新的推理模型。该网络采用次胜者受罚的竞争学习规则决定模糊隶属函数中心,并采用梯度下降和交叉验证方法对输出权值进行学习。实验应用表明,该方法具有快速、准确性较好的特点。文中还给出了比较结果。     

基于径向基函数和模糊逻辑的短期电力负荷预测

综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,提出了将径向基(RBF)网络和模糊逻辑相结合的预测方法。利用具有非线性逼进能力的RBF神经网络预测出预测日的最大负荷值和最小负荷值,并用模糊逻辑预测出预测日的负荷系数,进而得到预测日的负荷值。实际算例表明:该方法同BP网络相比,具有较高的预测精度,证明了该方法的有效性。     

神经网络在核动力装置故障诊断系统中的应用

对核动力装置进行状态监测与诊断的层次、步骤、系统结构进行了阐述，并结合专家知识对核动力装置典型故障建立了故障知识库；在此基础上，将径向基函数（RBF）人工神经网络引人到核动力装置故障诊断中，使其与模糊神经网络（FNN）进行邦联，提高了神经网络的诊断速度和准确性．用Visual Basic6．0编制了系统程序．该系统对典型故障进行了诊断，得到了预期的效果．     

A RBF Network Learning Scheme Using Immune Algorithm Based on Information Entropy

A hybrid learning method combining immune algorithm and least square method is proposed to design the radial basis function(RBF) networks. The immune algorithm based on information entropy is used to determine the structure and parameters of RBF nonlinear hidden layer, and weights of RBF linear output layer are computed with least square method. By introducing the diversity control and immune memory mechanism, the algorithm improves the efficiency and overcomes the immature problem in genetic algorithm. Computer simulations demonstrate that the RBF networks designed in this method have fast convergence speed with good performances.     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

Neural—networks—based Modelling and a Fuzzy Neural Networks Controller of MCFC

Molten Carbonate Fuel Cells(MCFC) are produced with a highly efficient and clean power generation technology which will soon be widely utilized.The temperature characters of MCFC stack are briefly analyzed.A radial basis function (RBF) neural networks identification technology is applied to set up the temperature nonlinear model of MCFC stack,and the identification structure,algorithm and modeling training process are given in detail.A fuzzy controllery of MCFC stack is designed.In order to improve its online control ability,a neural network trained by the I/O data of a fuzzy controller is designed.The neural networks can memorize and expand the inference rules of the fuzzy controller and substitute for the fuzzy controller to control MCFC stack online,A detailed design of the controller is given,The validity of MCFC stack modilling based on neural networks and the superior performance of the fuzzy neural networks controller are proved by Simulations.     

改进的RBF神经网络模式分类方法理论研究

研究了前向两层径基函数（RBF）网络和前向两层线性基本函数（LBF0网络的发类机理及其结构与初始参数优化确定方法,提出了Guassian核函数的中心和宽度应通过学习自动确定,在学习过程中根据错分样本自身的类别和被错分入的类别自动生成新的核函数,并根据新增核函数对测试集的作用自动删除多余核函数的观点,从理论上阐明了采用Sigmoid活化函数的两层LBF网络的分类阈值为0．5,进而提出了由两层RBF网络和两层LBF网络组成的前向RBF神经网络－－IRBF神经网络。