基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

对复杂混沌时间序列快速预测的前馈神经网络

提出了一种基于前馈神经网络结构的适合于非线性预测的在线学习方法，这种方法吸收了最小二乘法和传统在线ＢＰ算法的优点，具有收敛速度快，跟踪性能好、适用于非线性预测等特点。     

基于神经网络的可靠度时序预测方法研究

提出了利用人工神经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测 .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 .     

基于遗传算法的神经网络金融时序预测的研究

基于简单遗传算法的神经网络训练速度慢、易陷入局部极值,用具有较好的全局搜索能力自适应遗传算法来优化神经网络权值和国值,设计了基于自适应遗传算法的BP神经网络的股票预测系统．该系统根据对股票历史数据分析,预测股价未来几天时间的走势．结果表明,改进算法具有很强的可行性和高效性．     

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。     

基于进化神经网络方法的矿石消费时序分析

利用神经网络建立模型，并应用遗传算法识别最佳网络结构(模型的阶数p值和隐含层节点数)，进而提出了一种用于时序分析的进化神经网络新方法。最后，将其应用于我国铁矿石消费指数的预测，取得理想的结果。     

基于进化神经网络方法的矿石消费时序分析

利用神经网络建立模型,并应用遗传算法识别最佳网络结构(模型的阶数p值和隐含层节点数),进而提出了一种用于时序分析的进化神经网络新方法.最后,将其应用于我国铁矿石消费指数的预测,取得理想的结果.     

基于时间序列分析的货运周转量预测

基于重庆市统计局的实际统计数据,通过对实际样本数据进行预处理,确认重庆水运货运周转量序列为平稳非白噪声序列。在此基础上,通过对1995-2009年重庆水运货运周转量的数据分析,利用时间序列分析方法建立了ARMA预测模型,结果显示该模型具有较好的预测效果,对重庆水路货物运输工作及水运的发展决策有一定的参考价值。     

一种基于神经网络的时序建模预测方法

ＢＰ学习算法是处理非线性优化问题的一种新方法,本文系统地分析了一些对建立时序预测模型产生影响的因素,设计了一个优化的雨网络训练方法。     

通讯网络指标告警的预测方法研究与应用

以时间序列ARMA模型为基础,加以BP神经网络的学习方法的模型,并利用区间估计的置信区间来过滤异常数据。对某通讯企业网络指标数据进行预测的结果表明,该模型与传统的模型相比具有较强的适应能力和较好的预测效果,从而验证了本模型与算法的可行性、有效性和可靠性。     

改进的人工神经网络模型在水文序列预测中的应用研究

目前人工神经网络(ANN)技术在水文序列模拟预测中有较多应用.由于径流时间序列往往呈现出复杂的变化过程,直接使用径流序列建立的ANN单变量预测模型大多精度较差而难以满足需要.本文拟从两个方面进行改进,以提高ANN径流量预测模型的精度.首先,根据径流序列的变化规律,滤去序列中的季节性变化趋势,并采用局部多项式拟合求残差方法消除局部波动成分后得到新序列作为ANN模型训练样本,结果表明由此训练得到的ANN模型比未作处理的样本训练得到的ANN模型预测精度明显改善.另一方面,通过消除趋势波动分析(DFA)方法检测径流序列的分形特征并估算其标度区间,选取不同数量的训练样本进行训练得到多个ANN模型,确定模型预测精度最高时的训练样本数,并与标度区间比较,结果表明在标度区间内选取训练样本数可明显提高ANN模型预测精度.这对ANN模型训练样本数的选取有指导意义.     

基于时间序列的区域物流网络演化模型的实证分析

为探究区域物流网络产生发展过程的内在规律,首先分析了区域物流网络结构的演化机理、过程和阶段.然后,借鉴评估产业集中度的赫芬达尔指数和区域分布非均衡系数两个参数,构建区域物流网络的时间序列演化模型,以此为工具分析区域物流网络内物流量在各节点分布的离散度和均衡性,从而揭示了物流网络演变及物流枢纽产生的过程.最后,以湖北省为例分析了其演化过程和状态,结果表明武汉物流区域中轴辐式物流网络结构明显,而荆宜和襄十两个物流区域处于低水平的均衡状态.     

基于类别映射的编组站车辆中时预测模型

现行铁路编组站车辆中时预测方法不能满足实际运输组织需求,结合车辆中时数据平稳性特点,设计基于类别映射的货种与车种映射函数,充分考虑车种别、货种别车辆中转作业差异,重新生成车辆中时序列.采用时间序列分析方法分析中时序列,提出新的编组站车辆中时预测模型,并采用极大似然估计法对参数进行估计并求解模型.实验结果表明,该方法能够较准确预测编组站车辆中时,符合实际中时发展趋势,提高了铁路车流预测的准确性.     

建立在神经网络基础上的煤矿突水预测模型

基于煤矿底板突水机理分析,利用BP神经网络具有分布式记忆、自学习、自适应性等特点,建立煤矿突水预测模型.实例表明,神经网络可以取得满意的预测精度,预测的结果更加可靠.     

基于小波神经网络理论的边坡位移预测

研究边坡位移混沌时间序列的预测,利用混沌系统的相空间重构理论,提出基于小波神经网络的边坡位移预测方法.通过计算表明,该方法与其它方法相比可避免误差曲面局部最小,网络节点少,参数确定较为容易,学习效率高,收敛速度快,自适应性强,精度高等优点,为边坡位移预测提供了一种可行的、新的探索途经.     

动态误差时间序列小波神经网络预测模型

基于现代误差修正技术,研究小波神经网络建立的动态测量误差预测模型,以进行误差修正,提高动态测量精度,避免了传统神经网络需要人为干预网络结构参数的不足。文章介绍了建模方法,重点对大轴圆度误差测量过程中的动态测量数据进行实例分析,结果表明,该模型预测精度高,具有重要的应用价值。     

多变量经济混沌时序的小波神经网络预测

提出了一种改进的小波神经网络,通过对C—D生产系统模型和财产管理模型中产生的经济增长混沌时序,进行多变量混沌时序的相空间重构,并采用改进的小波神经网络进行预测,证明其短期预测效果优于其他方法,说明该方法可以应用到经济增长混沌系统的预测中．     

ANN非线性时间序列预测模型输入延时τ的确定

用神经网络（ANN）建立非线性时间序列预测模型时，ANN输入数据延时间隔τ的选取是必须考虑的一个方面。目前关于延时间隔τ选取的流行做法是：将τ确定为相空间重构时的最佳延时τs，本文提出了与此不同的观点，即神经网络输入数据延时间隔τ的选取与τs无直接关系。综合考虑其他一些因素，认为ANN输入数据延时间隔τ取为1是最为合理的。给出了理论分析和实验验证。     

矿井安全生产的神经网络评价

为解决矿井安全生产问题,基于人工神经网络理论,分析了安全评价系统的复杂性,确定了矿井安全生产评价指标,建立了神经网络评价模型,通过实证分析取得较好的结果.评价结果表明,BP神经网络方法在矿井安全评价中避免了以往用层次分析法和模糊综合评判法带来的不足,使矿井安全评价更趋完善.     

非线性时间序列的重构及预测

采用自适应前馈网络算法(AFN)进行非线性时序预测，对网络结构设计进行详细的探讨，并应用该方法对经典非线性时间序列数据进行预测，与传统预测方法(TAR)比较，结果证明此种方法具有较好的效果，网络的结构得到了简化。不仅满足了误差目标的要求，而且提高了网络的推广能力。且AFN方法可以对时间序列数据间的关系给出一种基于贡献率的解释。