基于模糊最近邻聚类学习算法的海水藻类繁殖状态预测

为了预报海洋赤潮等灾害的发生,需要监测海水中藻类的繁殖状况.通过建立针对海水中叶绿素a浓度状态的预测模型间接预测海水中藻类的繁殖生长状况.运用基于数据的模糊最近邻聚类学习算法对采样数据进行聚类处理,基于最优模糊逻辑系统建立了针对海水叶绿素a浓度状态的预测模型.根据采样数据的特点和降低模型阶次的实际需求,设计了改进的模糊...     

基于软传感器技术的海水富营养化监测

藻类的繁殖生长状态很难用一种传感器在线、实时地直接测量出来。影响藻类生长的环境理化因子众多,这些环境因子之间又相互作用,海洋生态环境是一个高度复杂的非线性系统,很难用传统的机理建模方法来描述。文中用T-S模糊神经网络描述这种复杂的非线性系统,通过构造软传感器来测量藻类的繁殖生长状况。将叶绿素a的含量作为描述藻类生长状态的直接指标,并作为系统的输出变量,通过相关性分析,将影响藻类繁殖生长的主要环境因子作为系统的输入变量,通过对样本的学习训练,构造基于T-S模糊神经网络的软传感器模型。实验结果表明,这种软传感器模型能较好地描述可测环境因子与海水叶绿素a含量之间的非线性映射关系,验证了这种软传感器在监测海水水质异常变化时的有效性。     

基于mRMR-ESN的单变量光伏功率预测

设计了两种预测模型:利用天气变量作为输入的传统多变量预测模型;利用历史功率数据作为输入的新型单变量预测模型.采用最小冗余最大相关(min-redundancy and max-relevance,mRMR)方法分别对两种模型进行特征提取,并选用在时间序列预测方面具有优势的回声状态网络(echo state networ...     

基于DPCA-BP神经网络的中长期电力负荷预测方法

针对PCA-神经网络预测方法解决预测问题时,忽视数据自相关性而造成的预测结果难以满足实际工程要求精度的研究现状,建立了预测数据的增广矩阵.通过计算前l时刻数据确定增广矩阵的维数,并把得到增广后的预测数据作为BP神经网络的输入变量,建立了基于DPCA-BP神经网络的预测模型,给出了模型结构.该模型能有效地去除自变量系统中与因变量无关的数据信息,增加自变量系统中数据的自相关性.算例比较分析表明,所建立模型的模型成分解释性增强,预测精度提高,预测效果优于PCA-BP神经网络方法.     

区域高职教育需求的系统预测

对1998至2002年影响区域高职教育需求的几个因子分别建立了多元回归分析预测模型和BP神经网络多变量输入预测模型.实证研究结果表明：与回归预测模型相比,用BP网络建立的模型经过训练后,可得到影响区域高职教育需求的主要因子及其之间的非线性关系,具有很高的预测精度及较好的预测效果.     

基于PCA PSO LSSVM的综合管廊投资 估算方法

为有效地解决现有综合管廊投资估算方法的预测精度不高,且预测精度易受样本量大小、特征参数冗余或贫缺等问题,构建一种将主成分分析法（PCA）与粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）结合的综合管廊投资估算预测模型.采用PCA对影响综合管廊投资估算的特征参数进行降维,剔除噪声或冗余数据,以贡献率较大的主成分作为LSSVM的输入向量,综合管廊单公里造价作为LSSVM的输出向量;利用PSO对LSSVM的核函数参数σ与惩罚因子参数C进行寻优,建立基于PCA PSO LSSVM的综合管廊投资估算预测模型,并对测试集样本进行预测.预测结果显示:PCA PSO LSSVM模型平均相对误差为3.28%,满足投资决策阶段对投资估算预测误差的要求（±10%）,且与PCA LSSVM模型、PSO LSSVM模型、GA BP模型和GA SVM模型相比,预测精度分别提高了67.29%,70.52%,48.13%和38.60%.PCA PSO LSSVM模型预测精度高,泛化性能优,可作为综合管廊投资估算的有效预测方法.     

步长自调整的预测模糊控制器的研究

在介绍灰色模型(GM)建模的基础上,把预测控制的思想引入到模糊控制器中。模糊控制器的两个输入变量为设定值,与灰色预测模型的输出值之间比较得到预测误差及其预测误差的变化率。并根据过程状态提出了一种预测步长自调整的模糊决策机制,进一步改善系统的控制性能,即把由模糊决策器得到的预测步长作为灰色预测模型的一个输入来控制。仿真结果表明,该方法具有良好的控制性能和实用价值。     

熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

基于小波Elman神经网络的活塞环渗氮硬化质量预测控制

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基础。结果表明,该方法可以有效地改进渗氮硬化工序的质量控制,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.     

主成分分析在线性模型与非线性模型的应用研究

为了解主成分分析在线性模型与非线性模型预报中的应用效果,在2001—2011年热带气旋历史观测资料基础上,采用主成分分析方法,结合线性回归模型和神经网络模型,开展西北太平洋热带气旋的强度预报技术研究试验．根据提取的主要影响因子构造线性回归模型与BP神经网络的输入样本进行不同样本的台风强度预测．计算结果表明,主成分分析通过降低线性回归模型和BP神经网络模型的维数,减少自变量之间的复共线性,减小模型的预报平均绝对误差．     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.     

基于模糊神经网络的供热负荷预测

首先在对供热负荷预测算法的发展现状主要成果阐述的基础上,对影响供热预测因素采用模糊量化的方式进行研究处理,并由此推断将模糊神经网络算法应用于供热负荷预测可以得到良好的效果.研究模型的设计核心是BP神经网络,即将模糊量化后的影响因素作为系统的输入值,去调整神经网络的权值,从而得到预测的网络模型.建立预测模型和预测策略后,可以采用Matlab科学计算软件开发程序对预测模型效果进行模拟仿真,结果表明,预测的结果能够满足要求,相对误差在合理的范围内,并且模糊神经网络算法比单纯神经网络算法具有更好的预测精度和鲁棒特性,从而达到节能的目的.且适应性强,可以应用到类似的供热工程上.     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

改进灰色神经网络的作动系统功率预测

为提高飞机上作动系统的功率预测精度,建立了改进的多变量灰色神经网络预测模型。考虑了对系统功率需求有较大影响的相关因素,采用主成分分析法提取综合变量作为输入,在提升准确性的基础上有效减少了输入维数;在利用递增方式对初始值进行选择的过程中,引入粒子群优化算法快速求解最优初始值和背景值,模型预测的平均误差由13.35%降为7.53%;考虑到序列波动对预测精度的影响,采用BP神经网络对预测值进行误差修正,进一步将模型的平均预测误差降为4.07%。仿真实验表明,含主成分分析的改进灰色神经网络对飞机作动系统的功率有较高的预测精度,有利于飞机的电能调度。     

最小二乘支持向量机在API预测中的应用

传统的空气污染指数预测模型大多是以影响空气污染指数的重要气象因子作为输入,使用BP神经网络进行建模,模型的预测精度低且收敛速度慢.针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的最小二乘支持向量机预测模型.首先利用小波变换对原始的空气污染指数时间序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,然后使用该模型对兰州地区的空气污染指数进行了预测,最后讨论了模型参数的优化方法并使用网格法对两个参数进行了优化.仿真结果表明,与传统的BP神经网络预测模型相比,该模型具有更高的预测精度、更快的收敛速度及更好的稳定性.     

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。本文以某企业近五年的齿轮需求数据为例,应用主成分分析(PCA)降低几个影响因素的维度,得到复合变量,然后应用BP神经网络算法,构建预测模型;比较ARIMA模型、BP神经网络预测和PCA-BP神经网络预测的结果。表明：主成分分析法(PCA)能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用风机备件的需求预测。