基于反应基元的非线性系统灰箱建模方法

提出一种基于反应基元的建立复杂非线性系统模型的灰箱建模方法.首先根据先验知识及系统特性分析引入过程的初始反应基元,并以此为出发点建立结构逼近神经网络模型,实现基元之间的关联,赋予网络节点实际的物理意义;然后,通过提出的最小化预测误差,结合逐步回归分析方法选择最优反应基元,优化网络结构,建立起表示系统变量关系的灰箱模型.以实际橡胶硫化促进剂制备的间歇反应过程作为实验对象,建立以生成物浓度为输出的数学模型,达到较高的输出预测精度.     

基于som网络-灰关联分析-BP网络预测模型

提出一种基于som网络-灰关联分析-BP网络预测模型,用于股市收盘价的预测．首先采用som神经网络将特性分散的样本划分成不同的子类,然后采用灰关联分析方法,解析了各影响因子对股市收盘价的影响程度,以反映股市收盘价的影响因子作为输入变量,构建了股市收盘价的BP网络预测模型,结果表明：利用灰关联分析,可得出各凶子对股市收盘价影响程度的大小排序,能为股民提供参考;基于BP网络模型的预测结果准确,通过对所采集的股市数据进行测试,证实本文所提出的方法具有有效性．     

基于改进典型相关分析的混沌时间序列预测

典型相关分析是目前常用的研究两个变量集间相关性的统计方法.针对线性典型相关分析法不能揭示变量间非线性关系,因而不适用于混沌系统等问题,将核典型相关分析与径向基函数神经网络相结合,提出了一种改进的核典型相关分析方法以解决映射空间样本未知及逆矩阵求解困难等问题.首先利用两个径向基函数神经网络,通过训练使两个网络输出之间的相关系数达到最大,可同时得到两组典型相关变量.然后建立预测模型,对Lorenz混沌方程及大连月气温与降雨二变量混沌时间序列进行仿真,并与传统的线性回归预测方法进行比较,多组仿真结果证明了所述方法的有效性.     

面向动态时间弯曲距离的灰关联聚类方法研究

灰色关联聚类是灰色系统分析的重要研究领域.现有的灰关联聚类方法在处理不同长度序列数据时,通常采用补齐或删除数据方式进行处理,增加了系统的不确定性.在动态时间弯曲距离基础上,提出了一种新的灰关联聚类方法,通过计算序列间距离矩阵的最短路径来度量相似程度,最终完成序列的灰关联聚类.该方法无需对序列数据进行人工干预,具有更强的鲁棒性.实验结果表明,在处理不同长度数据序列时,聚类结果更为准确.     

混沌神经网络中的超混沌复杂性研究

在混沌保密通信中,混沌的复杂性是评估算法安全性的重要指标.通过对一种典型混沌神经网络的Lyapunov指数、相关函数、输出序列的频谱和功率谱等特征函数的综合分析,发现混沌神经网络中存在超混沌现象,并对其复杂性进行综合评价.同时,研究了参数变化对混沌神经网络Lyapunov指数谱的影响并进行了实验,结果表明,网络的输出状态可根据需要进行改变.     

基于主效应分析的变矩器叶片角变量空间优化

液力变矩器叶片设计变量空间大,轮系间强流固耦合,使得优化解析时间冗长,难以实现基于变矩器叶片角变量空间的工程设计.为此,以双涡轮液力变矩器为研究对象,实现了基于液力变矩器叶片角主效应分析的设计变量空间优化.在通过台架实验数据确认变矩器流固耦合仿真结果正确的基础上,以其轮系8个叶片角为设计变量空间,采用最优拉丁超立方设计仿真试验,实现双涡轮液力变矩器性能仿真;以提高变矩器综合性能(效率、变矩比及启动力矩)为目的,以双涡轮液力变矩器性能与设计变量空间的主效应图为基础,构造其响应面函数并优化,获得8个叶片角对变矩器性能的影响水平.优化结果表明:以低速比区最高效率为主要评价指标,泵轮入口角、第1涡轮出口角、导轮入口角、导轮出口角4个叶片角变量对变矩器性能的影响显著,其他叶片角影响较小或基本无影响.文中提出的方法对于同类产品的定制化及其快速化工程设计具有参考价值.     

基于多变量相空间重构的地下水动态神经网络预测模型

从多元变量时间序列出发,以相空间重构理论为基础,结合偏最小二乘回归与神经网络方法,提出了基于多变量相空间重构地下水动态预测的神经网络模型.通过分别确定各个时间序列的时间延迟和嵌入维数的方法对地下水动态的多变量时间序列进行相空间重构,采用偏最小二乘回归法提取对系统解释最强的成分作为网络输入,利用神经网络模型进行各成分之间的非线性拟合.将基于多变量相空间重构地下水动态预测的神经网络模型应用于黑龙洞泉域地下水位预测,并通过分析与比较验证了该方法的有效性.     

基于灰色关联分析的高阶神经网络剪枝算法

在综合分析网络纵向、横向灰色关联分析特点的基础上提出了一种新的基于灰色关联分析的剪枝算法,并将其用于训练高阶神经网络.该算法运用灰色关联分析对比网络各节点输出值序列之间联系的紧密程度,用网络纵向灰色关联分析确定剪枝连接,再用网络横向灰色关联分析确定相应的并枝连接,实现网络结构的动态修剪.训练后的高阶神经网络具有合理的网络拓扑结构和较好的泛化能力.实验验证了该算法的合理性、有效性.     

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.     

基于灰关联信息融合的转子系统早期故障发现研究

设置振动信号的FFT谱序列为特征量,在稳态运行下的参考特征量与异常运行状态下的待辨识特征量间建立了通道对应的灰关联空间并将两者进行灰关联分析.对安装有多传感器的转子系统在灰关联空间内设置融合策略进行转子系统的早期故障发现研究.为消除速度波动造成的关联失真影响,对FFT谱特征量进行了基于工频的归一化处理.实验分析表明,谱特征量在关联空间内的灰关联分析及基于关联得到的关联度评价了系统的异常分布状态,关联度量化了该分布的程度,灰关联度最小的信源是系统内的故障发生部位.