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。     

利用NARX神经网络由IMF与太阳风预测暴时SYM-H指数

SYM-H是一个重要的空间天气指数, 它与Dst指数相似, 是磁暴强度的表征, 但SYM-H具有更高的时间分辨率. 本文发展了一种具有输出时延反馈的非线性自回归神经网络(NARX)预测模式, 由太阳风和IMF参数预测暴时SYM-H指数的变化. 与BP网络和Elman网络相比, 预测效果显著改善. 用15个强磁暴(含5个Minimal SYM-H <-200 nT的超强磁暴)进行检验, 预测与实测SYM-H指数的相关系数总体达到0.91; 对于5个超强磁暴, 相关系数最低为0.91, 相应的磁暴为2001年3月最小SYM-H达-434 nT的磁暴, 对两个SYM-H小于-300 nT的磁暴预测相关系数分别达0.93和0.96. 在NARX网络中将适当长度(约120 min)的SYM-H指数输出, 反馈给网络外部输入, 即输入中包含环电流内部准实时与历史状态信息, 是使模式预测能力在已有基础上得以大大提高的关键; 说明除了行星际的直接驱动之外, 环电流自身状态对磁暴的发展变化, 特别是对于恢复相过程有重要作用, 在利用神经网络对环电流指数进行预测时必须恰当地加以考虑.     

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BP神经网络方法研究岩石节理形貌粗糙度系数

岩石节理粗糙度系数(JRC)是研究岩石力学性质的重要参数。为了更准确地描述这一参数,本文基于人工神经网络的原理,提出一种研究JRC的新方法——BP神经网络预测法。选取节理表面最大峰高S_p、表面最大高度S_z、表面最大谷深S_v、峰度系数S_(ku)、偏斜度系数S_(sk)、均方根高度S_q、算术平均高度S_a7个表面形貌高度特征参数作为网络输入,剖面线分维值和JRC作为网络输出,以此为基础构建网络模型,并对10组实测数据进行了预测验证。结果表明:该方法误差很小,具有很高的预测精度,可为进一步的研究提供新的思路和方法。     

基于小波阀值降噪和BP神经网络的超短期风电功率预测

针对超短期风电功率预测问题,考虑了风电场复杂的噪声背景和风电功率的波动性,提出了一种基于小波阀值降噪-BP神经网络的超短期风电功率预测方法。该方法采用近似对称光滑的紧支撑双正交小波db4（Daubechies函数）作为小波基,通过多分辨分析的Mallat算法对历史时序风电功率数据进行3尺度分解。根据Donoho阀值法对各层小波系数进行软阀值降噪处理,再通过小波逆变换重构历史时序风电功率,由BP神经网络对其进行训练,预测目的风电功率序列。仿真算例将该方法与普通BP神经网络方法进行了对比,比较结果证明其预测精度优于后者,具有很好鲁棒性和降噪性能,适用噪声复杂的风电场超短期风电功率在赣预测．     

日径流预报贝叶斯回声状态网络方法

回声状态网络（ESN）相比传统递归神经网络,具有模型简单、参数训练速度快的特点．针对标准ESN因常采用线性回归率定模型参数容易出现过拟合问题,提出了基于贝叶斯回声状态网络（BESN）的日径流预报模型．该模型将贝叶斯理论与ESN模型相结合,通过权重后验概率密度最大化而获得最优输出权重,提高了模型的泛化能力．通过安砂和新丰江两座水库日径流预测实例表明,BESN模型是一种有效、可行的预测方法,与传统BP神经网络和ESN模型对比,进一步表明BESN模型具有更好的预测精度．     

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。     

顾及大坝位移残差序列混沌效应的GA-BP预测模型

针对大坝观测数据常规模型训练后的残差混沌效应及模型回归方法的拟合度等问题,文中融合遗传算法与神经网络的数据训练优势,通过构建的遗传神经网络(GA-BP)算法对大坝变形观测序列资料进行回归提取残差序列.基于位移回归残差序列的混沌特性,利用混沌理论对其残差序列进行数值分析,并将残差预测结果与GA-BP预测模型进行叠加.据此,提出了考虑大坝变形残差序列混沌效应的GA-BP监控预测模型.实例表明,文中建立的预测模型的计算精度及收敛速度均得到提高,且考虑残差影响的大坝监控模型的预测效果得到了有效的提升.该模型的建模方法亦可推广应用于边坡及其他水工建筑物的安全预警.     

具有通信受限的网络控制系统量化反馈控制

针对一类通信受限的网络控制系统,研究量化反馈控制器及动态调度策略的联合设计问题.考虑到介质访问约束和信号量化误差的影响,将网络控制系统建模为等价的离散时间切换系统;通过Lyapunov稳定理论推导出保证系统鲁棒稳定的模式及量化依赖型充分条件,并给出了量化反馈控制器的设计方法;在此基础上,设计了基于实时状态的动态通信调度策略,实现了网络控制系统的镇定控制.最后通过仿真示例验证了所提出方法的有效性.     

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     

离散时滞标准神经网络模型及其应用

为了能够方便地分析离散递归神经网络（RNN）的稳定性，以及解决目前比较难的离散非线性系统的控制器的综合等问题，类似于鲁棒控制中的标准模型，提出一种新的神经网络模型——离散时滞标准神经网络模型（DDSNNM），它由离散线性动力学系统和有界静态时滞（或非时滞）非线性算子连接而成。利用不同的Lyapunov泛函和S方法推导出基于线性矩阵不等式（或非线性矩阵不等式）的DDSNNM全局渐近稳定性和全局指数稳定性的充分条件。大多数离散时滞（或非时滞）RNN稳定性分析或包含神经网络的非线性控制系统都可以转化为DDSNNM形式，从而进行稳定性分析或镇定控制。从DDSNNM应用于离散时滞细胞神经网络（CNN）的稳定性分析以及非线性控制系统的综合实例可以看出，DDSNNM不仅使得大多数RNN的稳定性判定简单易行，而且为非线性系统的控制器设计提供新的思路。     

BP神经网络样本数据预处理应用研究

提出一种新的线性预处理输入数据的方法,即通过线性运算将样本数据的各个字段值统一到同一个数量级,然后结合数值归一化的方法将数据运用到神经网络。在基于信令的漫游用户实时信用度测评及欠费风险超前控制系统中,使用统一字段值的数量级的方法预处理样本数据取得了很好的预测效果。由此,在模式识别和预测领域,统一样本数据的各个字段值的数量级后再进行网络训练可以取得更好的训练效果。     

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。     

基于ConvJANET的航空发动机剩余寿命预测及其不确定性量化

航空发动机技术是衡量一个国家科技水平和工业实力的重要标志,健康状态监测和剩余使用寿命(remaining useful life, RUL)预测技术是航空发动机安全服役、经济运行的重要保障.针对航空发动机RUL预测精度较低、不确定性难以量化的问题,本文提出了一种数据驱动的航空发动机RUL区间预测方法.首先,在ConvJANET框架下构建新的卷积-卷积循环-全连接结构的深度学习模型,逐层提取航空发动机监测数据中的退化特征;其次,利用极大似然思想指导神经网络模型的优化求解,并基于损失函数形式变化的策略训练模型,实现对航空发动机RUL的高精度预测与不确定性量化.将所提出的方法用于分析航空发动机退化数据集,结果表明,对比传统基于蒙特卡洛的方法,本文提出的方法具有更高的RUL预测准确率和更好的置信区间预测性能.     

基于改进GS-SVM的煤炭生产成本预测

原煤生产成本同时受到多种因素的共同影响,导致原煤生产成本系统具有非线性、多维性等特点。为了对原煤生产成本进行更加科学、准确的预测,针对目前我国原煤生产成本预测中存在的问题,将支持向量机(SVM)引入到原煤生产成本预测中。为快速准确地选取支持向量机参数,在传统网格搜索(GS)算法基础之上提出了一种改进网格搜索算法,并建立了一种基于改进GS-SVM的煤炭生产成本预测模型。将该模型用于观台煤矿原煤生产成本预测中,模型预测误差均在5%以下,平均误差3.3673%,预测精度高于多元回归分析,而模型训练时间也远低于传统网格搜索算法和启发(粒子群)算法,能够满足实际原煤成本预测需求。     

基于模型融合的复杂生产过程产品质量预测

复杂生产过程中产品质量与工艺参数间存在复杂的非线性关系,为提高产品质量预测准确性,本文提出了一种基于模型融合的复杂生产过程产品质量预测方法.首先,分别对复杂生产过程建立基于改进随机森林算法的整体预测模型与分段预测模型,其中,针对整体预测模型特征选择问题,提出了一种相关性分析与去冗余处理相结合的特征选择方法,针对分阶段预测模型存在误差累积问题,提出了一种误差修正机制.其次,利用Stacking集成学习算法实现整体预测模型与分阶段预测模型的融合,综合利用二者的预测优势得到对产品质量的最终预测结果.最后,以烟丝生产过程烘丝机入口烟丝含水率的预测为例,通过对比传统单模型的预测方法,验证了本文所提基于模型融合预测方法的准确性.     

一种新型RBF网络序贯学习算法

静态神经网络由于自身的局限性难于对非线性时变过程进行建模和预测, 而最小资源分配网络(M-RAN)又因调节参数过多难于实现. 提出了一种新型的基于局部投影概念的RBF网络序贯学习算法: 局部投影网络LPN, 进而对算法进行了最小化改进. 在此基础上进行了详细的算例验证.     

一种基于自适应神经网络的航空发动机故障诊断方法

航空发动机在使用过程中,气路部件的性能不可避免地发生了蜕化,相应的故障诊断技术对发动机的健康管理系统具有重要意义.本文针对发动机在设计点的非线性部件级模型,借助PCC(Pearson correlation coefficient)相关分析方法,对神经网络的输入参数和输出参数的选取方式进行了优化.以前馈型神经网络为基础,针对常规BP(back propagation)神经网络收敛速度不稳定、且容易陷入极小值的缺陷,设计了一种新的自适应神经网络,准确估计了发动机部件的蜕化情况.这种算法融合了比例因子和动量因子,改善了网络的学习速率,提高了神经网络置信度和对发动机模型参数的泛化能力.结果表明,本文设计的自适应神经网络的精度优于常规BP神经网络,并且在训练样本数较少时,依然能够通过训练得到理想的网络,保证发动机健康参数的故障检测具有较高精度.     

基于分数阶Fourier变换的多分量LFM信号的检测和参数估计

提出了一种基于分数阶Fourier变换的多分量LFM信号的检测与参数估计的方法. 针对分数阶Fourier域上的优化搜索问题, 提出了基于拟Newton法的两级搜索算法, 在不影响估计精度的前提下, 降低了计算的复杂度. 对于多分量信号的检测, 提出了分数阶Fourier域上的信号分离技术, 有效地抑制了检测过程中强信号分量对弱信号分量的影响. 并给出了估计误差的统计分析, 使得这一方法在理论上更加趋于完善, 仿真结果也证明了其有效性.     

基于神经网络的递推分块方法求任意高阶多项式的根

提出一种新的基于约束学习神经网络的递推分块方法, 来分批(块)求解任意高阶多项式的任意数(小于多项式的阶)个根(包括复根). 同时给出了基于多项式中根与系数间的约束关系构造的用于求根的BP网络约束学习算法, 提出了对应的学习参数的自适应选择方法. 实验结果表明, 这种分块神经求根方法, 相对传统方法, 能够快速有效地获得任意高阶多项式对应的根.