灰色神经网络组合模型在区域水质预测中的应用

针对神经网络用于水质预测时需要大量数据才能获得较为准确的预测结果的局限性,为降低预测时对数据的依赖引入灰色模型,从而建立两者最优组合模型,以用于数据贫瘠时的情况.将该模型用于珠江支流的水质预测,结果表明,该模型拟合误差小,预测精度高.     

有机灰色神经网络模型在河流水质预测中的应用

针对灰色预测对波动较强的序列只能预测大致变化的缺陷,在分析河流水质动态变化的基础上,结合灰色理论中的GM(1,1),无偏GM(1,1)和RBF神经网络的特点,提出有机灰色神经网络预测模型,将灰色模型得到的数值作为神经网络的输入,原始数据作为神经网络的输出,训练得到最佳神经网络结构.以某地区河流水质为例,根据其变化规律,应用有机灰色神经网络模型进行预测,结果表明,该模型拟合误差小,预测精度高.     

基于优化非线性自回归神经网络模型的水质预测

针对突发性水污染事件频发的问题,以上海市某支流具有代表性的监测断面为研究对象,通过优化调整输入数据段以及延迟阶数与隐含层神经元数等模型参数,构建基于历史水质时间序列的优化非线性自回归(NAR)神经网络模型,预测分析pH、溶解氧(DO)质量浓度和浊度3项水质指标的变化趋势。结果表明：优化后的NAR神经网络模型具有较好的非线性处理能力;当输入数据量为180,pH、DO质量浓度和浊度的神经网络模型的延迟阶数分别为2、3、9,隐含层神经元数为10时,NAR神经网络模型对pH、DO质量浓度和浊度的预测均方根误差分别为0.053、0.382 mg/L和17.300 NTU,平均绝对百分比误差分别为0.53%、3.97%和18.01%,预测效果较好。     

MATLAB神经网络工具箱在河流水质预测中的应用

根据计算河流水质的数学模型,使用MATLAB神经网络工具箱建立了河流水质预测系统的神经网络,并以长期监测的珠江流域东江水质状况为例,对建立的网络系统进行了仿真,结果表明了方法的有效性．     

可变结构神经网络在未来水质参数预测中的应用

介绍BP神经网络预测水质参数的基础上,结合变结构网络设计的思维方法,给出了可变结构BP神经网络在水质参数预测中的应用过程.并且,对两种预测算法作了比较,结果显示,变结构BP神经网络的预测精度更高.     

神经网络模型在用电负荷预测中的应用

在电力系统规划中 ,居民用电负荷的预测是一项重要的基础性工作。但影响居民用电负荷的因素很多 ,并且难以用一个线性表达式来表示。神经网络模型在处理非线性大系统的复杂问题中具有很大的优势 ,文中引入三层反向传播的神经网络模型 (BP网络模型 )对居民用电负荷情况进行了分析 ,并采用变化学习速率的方法对网络进行训练。     

神经网络模型在用电负荷预测中的应用

在电力系统规划中,居民用电负荷的预测是一项重要的基础性工作。但影响居民用电负荷的因素很多,并且难以用一个线性表达式来表示。神经网络模型在处理非线性大系统的复杂问题中具有很大的优势,文中引入三层反向传播的神经网络模型（ＢＰ网络模型）对居民用电负荷情况进行了分析,并采用变化学习速率的方法对网络进行训练。     

SOM神经网络预测方法在基坑变形中的运用

城市地铁建设正逐步进入快速有序的发展阶段,各种类型的地铁事故也时常发生。因此,在隧道基坑工程中需要一种预测方法来合理的避免事故发生。针对上海市轨道交通17号线上的某车站站所产生的深层水平位移问题,运用MATLAB神经网络工具箱仿真并建立SOM神经网络预测模型。实验结果表明,通过输入已知数据建立的SOM神经网络预测变形曲线与实测位移的绝对误差值在0.123~1.43mm之间,误差值范围小,在实际工程中是可以接受的。因此,建立SOM神经网络模型对于基坑变形问题有很好的预测能力,该方法为地下工程提供了新的预测手段。     

优化的粗神经网络在机械故障中的预测研究

为了尽早发现机械故障,做到防患于未然,实施安全生产,在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理的确定隐含层神经元的数目,使神经网络提高了收敛性能,获得更好的非线性逼近能力。应用车床的机械振动采样数据进行仿真实验,结果说明：优化的粗神经网络预测模型,可提取有用信息、简化网络结构,减少训练时间,提高预测精度。在机械振动位移的采样数据预测实验中,取得了良好的效果,对于减少机械故障、实现安全生产、提高经济效益具有重要意义。     

W-RBF神经网络模型在中药材价格预测中的应用

中药材作为一种特殊的农产品,其价格态变化过程呈现出高度复杂的非线性特征,增加了中药材价格预测的难度.通过研究影响中药材价格的主要因素,并在分析传统价格预测方法的基础上,针对中药材价格变化具有随机性、突变性和非线性的特点,通过小波和RBF神经网络结合构建一个中药材价格预测模型(W-RBF).采用W-RBF神经网络模型对白芍价格进行预测,并将预测结果与RBF神经网络模型预测结果做了比较.实验结果说明,W-RBF神经网络模型预测准确率明显提高,比RBF神经网络模型更具优越性.     

神经网络组合模型在大坝位移预测中的应用

为了提高大坝位移量预测的精度,引入了粒子群优化神经网络的组合预测方法。该组合预测方法以灰色GM(1,1)、回归分析法的预测值及预测结果的平均值作为输入,实际的大坝位移量作为输出,来进行非线性组合。实例表明,粒子群优化神经网络组合预测法的均方误差为1.1946,平均绝对误差为0.7814,均小于单一模型及等权平均模型的相应值,适用于大坝位移量的预测。     

主成分神经网络模型在疾病预测中的应用

针对在医学卫生领域,疾病受到许多因素的影响,很难用结构式的因果模型加以解释的问题,根据神经网络来预测是一种行之有效的方法。径向基函数(RBF)神经网络应用于疾病的月发病人数预测时,由于影响它的气象因素:月平均气压,月平均气温,月平均相对湿度,月平均风速,月平均降水量本身具有很大的相关性,且维数较高,RBF神经网络的预测精度会下降,针对这一问题,文中提出了利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效的解决了预测精度下降的问题。最后以2001年8月至2006年9月张家川支气管肺炎月发病人数的资料验证该方法的有效性。至此,应该充分考虑人在各时间段的发病特征,以便更有重点地进行健康防治工作,有效地降低支气管肺炎对人类的危害,保障人类的生活品质。     

RBF神经网络优化灰线性回归模型预测建模

针对建筑物地基沉降的机理以及RBF(Radial Basis Function,径向基函数)神经网络能够有效描述不确定性问题和解决复杂非线性问题等特点,通过反复试验,优化设计,建立了RBF神经网络,并用该网络优化灰线性回归预测模型,建立RBF灰线性组合预测模型。通过工程实例,比较分析了单一灰色模型、灰线性回归模型、RBF优化的灰线性回归模型的预测精度。结果表明,RBF优化后的灰线性回归预测模型精度优于灰色模型、灰线性回归模型,预测中误差达到0.0014 mm。径向基神经网络优化后的灰线性模型能更好地反映建筑物沉降的总体趋势及规律。     

变焦遗传算法优化RBF神经网络在稻瘟病预测中的应用

针对水稻稻瘟病的非线性特性,利用改进后的变焦遗传算法(ZGA)来优化RBF神经网络连接隐层节点的权值和阈值。它综合了变焦遗传算法的收敛速度快、精度高和RBF神经网络逼近精度高、学习速率快等特点建立系统预测模型。经过对2002—2011年间水稻稻瘟病的预测分析,得出此方案的预测精度高达96.57%,验证了其预测模型的有效性。     

遗传优化BP神经网络在槽况预测中的应用

针对目前国内对铝电解槽槽况诊断存在的的难度大、效率低等问题,设计了一种以槽电压信号为特征向量的诊断样本和BP神经网络模型.利用BP神经网络的自学习能力,对铝电解槽的槽况进行分析预测.同时本文利用遗传算法的最优搜索能力对BP神经网络的初始权值和阈值进行优化.通过MATLAB对状态预测算法进行编程.结果显示,对铝电解槽槽况的判断基本正确.     

优化灰色模型在负荷预测中的应用

论述了用优化灰色理论进行电力系统负荷预测的建模过程。通过指数平滑法对原始负荷数据进行预处理 ,把有起伏特性的原始数据序列改造成规律性强的序列 ,再利用优化灰色模型进行预测 ,提高了预测精度 ,该方法简捷实用 ,经实际算例校核证明 ,可以作为中期电力负荷预测的理想工具     

BP神经网络在水质检测中的应用

随着现代社会用水量不断加大,亟待建立一种简单有效的水质检测方法,来快速地对水质做出评价.由于神经网络先天具有并行处理信息的能力,解决此类问题有着其特殊的优势.本文提取了8个影响水质的主要指标,并运用BP神经网络对样本的水质进行了评价,取得了良好的效果.     

神经网络模型在锂离子电池表面温度预测中的应用研究

基于人工神经网络构建了锂离子电池表面温度的预测模型. 该模型为3层网络结构,其中输入层中有4个节点,隐含层中有9个神经元,输出层中有1个节点. 训练结果表明,模型具有较快的收敛速度和优秀的训练质量,从而保证了预测的精确度. 模型的预测值与实验值吻合程度高,说明了模型工作的有效性. 模型预测电池在较高环境温度(80 ℃)下以10C倍率放电结束时的表面温度为86.71℃,仅比环境温度高出6.71 ℃. 该模型有助于电池热管理系统的研究与开发.