基于Elman神经网络的污染源数据预测

为了给环境保护决策提供有价值的预测数据,提出利用Elman神经网络建立污染源数据预测模型的方法,以大气中的主要污染物SO2为例,用预测模型表征SO2的浓度和气温、相对湿度、风速、时间等影响因子及其历史数据之间的复杂关系.使用训练后的模型对数据进行模拟仿真,结果表明所建立模型的计算输出值与实际样本数据有着较好的一致性,模型预测效果优于基于BP神经网络的预测模型.     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题.因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关健问题.根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模.该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果.应用结果表明:该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要.     

基于MIV和GA优化Elman神经网络的春节负荷预测

春节作为中国的传统节日,群众集中返乡造成部分配变台区发生重过载现象,严重影响供电可靠性。精准的负荷预测可以帮助公司高效地开展春节保供电工作,确保节日期间居民用电平稳有序。文章对青岛市某一配变春节期间负荷特性进行分析,通过应用平均影响值进行输入变量的筛选,运用遗传算法对Elman神经网络初始阈值和权重进行优化,结合配变的额定参数,预测春节期间是否重载或过载。算理分析表明,该方法预测精度高,在工程应用中具备可行性。     

基于Elman神经网络的气温时间序列预测

利用动态递归Elman神经网络的具有结构简单,运算量少,适合于动力系统辩识等特点,对Logistic混沌映射时间序列及气温时间序列进行了预测,并分析了预测误差。结果显示Elman神经网络对非线性时间序列具有良好的预测特性。     

基于Elman神经网络的PMV参数预测建模

传统PMV指标计算方法具有复杂度高、延时大的缺陷.根据PMV参数的时变特征,利用Elman神经网络建立PMV参数预测模型,实现对热舒适度的在线监测.模型以温度、相对湿度、风速和平均辐射温度为输入,以PMV指标为预测输出,具有良好的泛化能力.仿真结果表明该方法的预测结果与数值计算的结果相近,同时训练后神经网络的计算时间优于传统方法的计算时间.     

基于改进Elman神经网络的非线性预测控制

为了提高非线性预测控制中预测模型的精度,提出一种基于递归神经网络建模的预测控制方案.采用改进Elman神经网络在线建立预测模型,用递推最小二乘法在线修改神经网络权值,并引入误差补偿环节,从而达到改善预测模型精度的目的,使控制系统的控制性能得到提高.仿真实验表明了该方法的有效性.     

基于灰色预测和Elman神经网络的全国用水量预测

为解决我国存在的水资源问题,考察各省份的用水状况。从生活、农业、工业和生态4个方面进行全面分析,对各省份2020年的用水量进行预测。采用GM(1,1)模型预测所有用水量影响指标,并使用Elman神经网络拟合了指标与各省份年用水量的映射关系。通过数据检验,可见基于GM(1,1)模型和Elman神经网络的用水量预测模型误差很小。最后,预测结果与国务院发布的水资源"三条红线"中2020年的用水量控制红线进行比较,结果表明:黑龙江、江苏、江西、广西、甘肃、宁夏和新疆7个地区在2020年的用水量预测值超过国家要求。     

基于Elman型回归神经网络的公交客流预测

文章将动态回归神经网络(Elman)预测方法应用于城市公交客流量的预测, 通过对合肥市公交量的历史数据分析得到公交客流量的时间序列,将时间序列视为一个从输入到输出的非线性映射,对网络进行学习与训练仿真实验,并与BP神经网络输出结果进行了比较,并对网络模拟结果和历史数据进行了线性回归分析,求得一定的相关系数.结果表明,应用Elman神经网络方法比BP神经网络对公交客流量进行短期预测,预测精度高及效果好.     

基于遗传算法和改进Elman神经网络的股价预测

针对Elman神经网络在股价预测中存在网络结构的隐节点个数难以确定和网络训练极易陷入局部解的不足,以未来两天股票最高价作为预测对象,采用改进Elman神经网络结构.以辨识更高阶的动态系统;同时又利用遗传算法优化该神经网络的初始连接权和确定网络隐节点个数,从而解决上述网络在股价预测中的不足,并在遗传进化计算过程中采用保留最佳个体的策略,进行预测建模.结果表明这种模型对股价的预测精度较高,具有一定可行性.     

基于Elman神经网络的时间序列股票价格短期预测

Elman神经网络是一种典型的回归神经网络,比BP神经网络具有更强的计算和适应时变特性的能力,因而非常适用于预测股市这一类极其复杂的非线性动力学系统。文章给出一种基于Elman神经网络的股票市场建模、预测及决策方法,对浦发银行股价在时间序列上作了连续若干天的短期预测,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

基于自适应Elman神经网络的短期风电功率预测

针对BP神经网络动态性能的不足、适应性较差的问题,提出了基于自适应Elman神经网络的短期风电功率预测模型。通过对比不同隐含层数的Elman预测模型的预测误差,选取最小误差的隐含层数作为自适应Elman预测模型的隐含层数;根据不同的训练集和预测集的输入,自动调节Elman隐含层节点数,实现隐含层节点数的自适应,寻求具有最佳隐含层节点数的预测模型,提高了风电功率预测精度。     

基于Elman神经网络的移动机械手电机负荷预测

基于Elman神经网络的移动机器人电机负荷预测,是为了对机器人电机进行保护和实时监控.由于机器人运动过程中,免不了会受到过大或不稳定负载的影响,很可能出现电机过热、冲击,使电机遭到损害.文章通过Elman神经网络算法对电机电流、电压数值的分析,设定工作电压电流阈值,并验证了此方法可使电机工作在最佳工作状态.     

基于Elman神经网络的移动通信系统智能预测方法

由于复杂多变的通信环境,移动通信面临着严峻挑战.为了及时处理复杂事件,预测移动通信系统的中断概率(outage probability,OP)性能就非常重要.研究了移动通信系统OP性能预测,并且提出了一种基于Elman神经网络的移动通信系统OP性能智能预测方法.针对OP性能,推导了其精确闭合表达式.和径向基函数(rad...     

基于改进Elman神经网络的徽派古建筑寿命预测

徽派建筑是我国四大古建筑流派之一,木构件是徽派建筑的核心.准确预测徽派木构件的寿命,对于古建筑的保护具有重要的意义.目前系统考虑多种因素对木构件寿命共同影响的研究较少,Elman神经网络是一种典型的多层动态递归神经网络,通过存储内部状态使其具备映射动态特性的功能,从而使系统具有适应时变特性的能力,可用于预测木构件复杂的非线性时变系统的建模.针对基本的Elman神经网络存在训练速度慢、容易陷入局部极小值的特点,使用带有自适应变异算子的粒子群优化算法对基本的Elman神经网络进行改进,优化网络中各层之间的连接权值,提高学习速度,并在全局范围内寻找最优解.仿真结果表明,改进后的网络能较准确地拟合训练值,并进行有效预测,能够较好应用于徽派古建筑寿命预测.     

基于粗糙集-模糊C均值聚类的Elman神经网络农村需水量预测

农村需水量影响因素作用机理复杂导致农村需水量预测值与实际值差别较大,采用模糊C聚类分析与Elman神经网络模型结合的方法建立农村需水量预测模型。首先,将用水方差和年用水均量等用水数据作为特征向量对2010—2017年海南省16个村落进行模糊C聚类,将村落分为三类;其次,以数据分析为基础,结合文献分析和官方数据分析提取关键因素,借助SPSS软件对关键因素进行降维处理,得到三类村落的关键影响因素;最后,将所得关键因素和2010—2016年用水数据作为Elman神经网络算法的输入对模型进行校核并运用粗糙集理论对模型进行修正,经误差分析,平均绝对百分比误差(MAPE)从0. 27下降到0. 127,对称平均绝对百分误差(SMAP)从0. 082下降到0. 041,平均绝对偏差(MAE)从3 832. 32减少到1 325. 53,表明模型可以相对全面的模拟农村需水量变化规律,可以用于农村水资源精准预测,为城乡供水一体化提供理论依据。     

基于Elman神经网络的盾构滚刀磨损预测方法研究

为了解决盾构在复合地质掘进时滚刀磨损检测的难题,提出一种采用Elman神经网络预测盾构滚刀磨损状况的方法。利用滚刀换刀后正常磨损阶段的盾构掘进参数数据,建立Elman神经网络预测模型,根据依此模型得到的预测掘进速度与实际掘进速度的偏差来预测滚刀的磨损状况。文中分析了滚刀磨损影响因素,确定了Elman神经网络预测模型结构,给出了滚刀磨损判断依据。结合广州地铁五号线草淘区间左线盾构工程项目研究表明,预测结果与实际换刀情况相符。该方法建模简单,模型有效且适应性强,研究结论可为类似地质条件下的盾构滚刀磨损检测和更换提供有益的指导。     

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.     

改进天鹰优化器优化Elman神经网络模型预测管道蜡沉积速率

管道结蜡一直是困扰含蜡原油输送的棘手问题,建立准确的蜡沉积速率预测模型对于保障管道的安全运行具有重要的实际意义。考虑到Elman神经网络(Elman neural network, ENN)模型的不足(易陷入极小点、泛化能力弱),基于蜡沉积速率的主要影响因素,提出了一种基于改进天鹰优化器(引入鲸鱼优化算法的狩猎策略对天鹰优化器的局部搜索能力进行改进)的ENN模型,并基于两组室内实验数据对比分析了所建新模型和其他模型预测精度的差异。结果表明,改进新模型的平均绝对百分比误差分别为0.760 3%、1.245 2%,其预测精度明显高于传统ENN模型;采用改进天鹰优化器建立的ENN模型可对初始权值和阈值进行寻优处理,极大提高了泛化能力,因此具有预测精度高的优点。     

基于Elman神经网络的烟煤与生物质混烧灰熔点预测

基于实验法测定烟煤与不同生物质混烧灰熔点时存在工作量大、时效性差的问题,通过分析烟煤分别与玉米秸秆和木屑混烧灰的成分,并以灰成分为输入量,建立基于Elman神经网络的灰熔点预测模型。采用Levenberg-Marquardt反向传播算法训练模型,利用残差检验与后验差检验法检验模型预测性能。研究结果表明:玉米秸秆灰、木屑灰分别含有较高的K_2O和CaO,与烟煤灰相比,2种生物质灰的碱性氧化物(Na_2O,K_2O,CaO,MgO)质量分数较高,酸性氧化物(Al_2O_3和SiO_2)质量分数较低;检验结果验证了该模型具有较高的预测精度和较强的泛化能力。     

应用Elman神经网络的混沌时间序列预测

利用改进的 Elman神经网络对 3个典型的混沌时间序列在不同的噪声水平下进行预测 ,探讨了神经网络学习与泛化之间的关系 ,通过试凑法给出了 Elman最优的隐节点个数。并利用3种指标对预测结果进行了评估 ,结果显示 Elman网络对混沌时间序列预测的良好特性