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。     

基于自适应模糊神经网络的货币供应量预测

采用ANFIS(Adaptive Neuro-Fuzzy Inference System)进行货币供应量预测。ANFIS将模糊理论与神经网络融合,利用神经网络来实现系统的模糊逻辑推理,采用混合学习算法调整前提参数和结论参数,自动产生模糊规则。利用我国货币供应量数据对网络进行训练和检测,所得结果表明利用ANFIS预测货币供应量有效。     

RBF神经网络在安徽省固定资产投资总额预测中的应用

利用先进的径向基函数(RBF)神经网络,对安徽省固定资产投资进行了实证预测研究.结果表明,利用RBF网络建立的固定资产投资预测模型经过训练后,可得到较精确的预测结果,并具有较强的适应性.     

基于RBF-BSA的锂离子电池SOC混合估算算法

为提高锂离子电池荷电状态(SOC)预测精度,提出利用回溯搜索算法(BSA)优化径向基函数(RBF)神经网络的输出权值与阈值的混合算法.通过对锂电池模型中的目标函数进行优化求解,并寻找最佳的目标权值和阈值降低预测误差,提高了RBF网络模型的预测精度.为验证算法的有效性,搭建锂离子电池的充放电实验平台获取数据并对网络进行验证,实验结果表明:混合算法相比标准RBF网络算法具有更好的SOC预测精度,并将网络输出预测误差降低到2%以内,符合锂电池荷电状态估算要求.     

RBF网络在图书馆流通量预测中的应用

根据径向基函数(RBF)网络的理论以及图书馆流通量影响因素,提出了基于RBF网络预测图书馆流通量的模型,利用图书借阅的原始统计数据对该模型进行了计算,指出该算法用于预测图书馆流通量是可行和有效的,具有一定的应用参考价值.     

基于灰色RBF网络的我国能源消费预测

利用我国能源消费总量的历史数据,采用灰色预测法建立预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值.实验结果表明,灰色RBF网络模型在预测精度方面优于单一的灰色模型.该模型计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围.     

基于AQPSO算法优化的RBF网络模型及应用研究

提出了自适应量子粒子群优化(adaptive quantum-behaved particle swarm optimization,AQPSO)算法,用于训练RBF(radial basis function)网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改进了RBF网络的泛化能力.利用上证指数数据进行预测,实验结果表明,采用AQPSO算法获得的RBF网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值.     

自适应模糊神经网络在工业用水量预测中的应用

阐述了自适应模糊推理系统(Adaptive Network-based Fuzzy Inference System,ANFIS)网络,提出了工业用水量预测的ANFIS网络预测模型,并以黄河流域1993-2002年工业用水量为训练样本,以2003年、2004年工业用水量为校验样本,结果表明,ANFIS神经网络预测模型具有很高的准确性和实用性.     

浙江省月度电力需求的变分模态分解-自适应模糊神经网络-差分整合移动平均自回归组合预测模型及应用

为提高电力需求预测的精度,提出了一种将变分模态分解(variational mode decomposition,VMD)和自适应模糊神经网络(adaptive network-based fuzzy inference system,ANFIS)相结合的方法并应用到月度电力需求预测中.首先将原始数据通过VMD分解成有限带宽的子模态序列,选用差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)、ANFIS、经验模态分解(empirical mode decomposition,EMD)与ANFIS相结合和VMD-ANFIS几种模型进行预测结果对比.结果表明:相比直接利用ANFIS模型得到的预测结果,增加VMD分解过程能有效减小预测误差.说明所应用的VMD-ANFIS方法更具优越性,可以获得更好的预测结果.     

基于RS与ANFIS的投标报价决策研究

针对建设工程投标报价中标高金的确定这一多因素决策问题,提出了粗糙集理论(RS)与自适应模糊神经网络(ANFIS)集成的标高金决策方法.首先利用自组神经织网络(SOM)对决策系统中的连续属性值离散化后,通过粗糙集理论约简属性,去除冗余信息,计算出标高金决策系统的约简;根据这一约简,经过减法聚类获得模糊推理规则数目,确定ANFIS的初始结构,最后应用ANFIS对文章中30个典型国际工程案例的标高金进行计算和预测.研究结果表明,与一般BP神经网络相比,该方法网络规模大大减小,网络结构透明,学习速度更快,而且保持了较高的预测精度.     

ANFIS在水电站地下厂房围岩变形预测中应用

针对目前应用人工神经网络(ANN)方法预测地下洞室围岩变形时间序列的缺陷,提出一种将神经元网络和模糊逻辑有机结合的新型模糊推理系统——ANFIS(adaptive-network-based fuzzy inference systems),该系统采用反向传播算法和最小二乘法的混合算法分别调整前提参数和结论参数,充分地利用了神经网络的学习能力和模糊逻辑的表达能力,实现了回归模型的自适应调整.通过龙滩电站的实例应用可以发现,ANFIS预测系统较传统ANN方法具有简单、快速以及预测精度高等特点.     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐。本文研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中。仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值。     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐.研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中.仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值.     

交通流的混沌特性分析及其预测

实时准确的短时交通流预测是智能交通系统中实现交通控制和诱导的关键技术之一.首先,采用饱和关联维数法和互信息量法对交通流时间序列的嵌入维数和延迟时间进行计算,并根据计算结果对交通流时间序列进行相空间重构;然后,采用wolf方法计算其最大Lyapunov指数,并对其进行功率谱分析,结果表明,交通流时间序列具有噪声;最后,分别采用基于BP神经网络和RBF神经网络的预测模型对交通流时间序列进行预测,结果表明,2种模型对短时交通流均能较好预测,但后者的预测精度较高,预测速度较快.嵌入维数;延迟时间;相空间重构;BP神经网络;RBF神经网络     

基于RBF神经网络的专利发展趋势预测研究

利用RBF神经网络,对国内外近年来专利的发展趋势和专利申请增长趋势进行了预测,同时把预测结果与用时间序列ARMA模型预测的结果进行了比较。指出良好培训的RBF神经网络的输出数据能与实际专利申请数较好地吻合,而且比ARMA预测方法更为有效。     

基于改进免疫算法的两级径向基函数网络学习方法

结合改进的免疫算法和最小二乘法，提出了一种设计径向基函数(RBF)网络的两级学习方法。该方法利用免疫算法确定RBF网络隐层的非线性参数，能够有效克服进化算法的未成熟收敛现象。改进的免疫算法针对RBF网络的特点，采用基于矢量距离的亲和度计算方法，克服了原有基于信息熵计算方法存在的计算复杂、参数难于确定的缺陷。将这种方法设计的RBF网络用于Mackey-Glass混沌序列预测的仿真实验证明了该方法的有效性。     

基于局部RBF网络的复杂时间序列预测方法研究

针对复杂时间序列全局预测模型建模效率低、预测性能不佳等问题,提出一种基于局部RBF神经网络的新型预测模型.该模型采用K最近邻搜索方法得到待预测样本的K个近邻,用近邻样本进行RBF神经网络建模,用训练好的RBF神经网络对待预测样本进行预测.实验结果显示该模型在复杂时间序列预测上有良好的性能.     

基于RBF神经网络的水闸垂直位移时间序列预测模型

水闸垂直位移是水闸安全的重要特征之一.针对传统水闸垂直位移预测模型的不足,提出了基于RBF神经网络的时间序列预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,使得预测精度大大提高.利用Matlab的RBF神经网络工具箱建立了垂直位移时间序列预测模型,并应用于实际工程中,取得了较高的拟合预报精度.     

打折最小平方RBF网络及其时间序列预测研究

借用打折最小平方(DLS)原理构建了基于误差平方准则的DLS-RBF网络的学习算法.打折最小平方原理考虑了时间序列本身的结构性变化,较好地刻画了预测点与其他时刻数据的相关性,而这些恰恰是现有的径向基函数神经网络(RBF)在预测过程中所忽视的.实验表明DLS-RBF网络在非平稳方差时间序列和某城市自来水实际的月用水量预测中的效果明显,并优于RBF网络,但在混沌时间序列预测的实验中,因其自身的混沌特性,预测效果并不十分明显.     

基于RBF神经网络的粮食生产预测研究

提高中国粮食生产量的预测精度与效率是人们关注的一个重要问题.对RBF神经网络的结构、特性和训练算法作了简要的概述.根据粮食产量与其影响因素之间存在的映射关系,应用RBF神经网络建立了多因素非线性时间序列预测模型,并进行了仿真试验.结果表明,用RBF神经网络进行粮食生产预测得到了十分满意的结果.