一种基于混合模型WRC的流量预测方法

针对当前网络流量预测方法在刻画网络流量多重特性方面存在的准确性及噪声干扰的问题,提出了一种基于混合模型WRC的流量预测方法,该方法利用小波分解将网络流量混沌时间序列分解为流量特性不同的近似时间序列和细节时间序列,并利用RBF神经网络和混沌模型分别对这两种时间序列进行处理,得到预测时间序列后再进行小波重构,得到最终的预测值.仿真实验结果表明模型预测有效,且预测精度较高.     

Takens理论和小波分析在非线性预测中的应用

以 Takens理论为基础 ,将小波和时间序列分析相结合 ,对时间序列进行非线性预测 .首先 ,对混沌吸引子做非线性长期预测 ;其次 ,对经济时间序列做非线性短期预测 ;另外 ,指出对于用充分多个小波基函数 φmn来逼近原时间序列的预测误差可以任意小的性质 .     

一种基于改进型RBF神经网络的非线性时间序列预测模型

RBF神经网络具有收敛速度缓慢、全局搜索能力差等缺点,提出了一种基于遗传算法的RBF神经网络,经过自适应遗传算子参数优化,提高了RBF神经网络模型的预测精度,实现了非线性时间序列的预测.仿真实验结果表明,基于遗传算法的RBF网络预测模型非常适合非线性时间序列的预测,是可行的、精准的、有效的.     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

基于RBF神经网络的股市预测及MATLAB实现

RBF网络是一种有效的前向型神经网络,适合于非线性时间序列金融系统的预测。以中国银行的实际收盘价作为预测对象,介绍了基于MATLAB的RBF神经网络应用。     

基于SVM的瓦斯体积分数混沌时间序列预测

文章针对瓦斯体积分数时间序列的非线性和不确定性特征,提出了一种基于SVM的混沌时间序列预测方法.该方法采用改进的最大Lyapunov指数法识别时间序列的混沌特性,通过多次试验选取合适的参数构造SVM预测模型,最后使用优化的预测模型对φ瓦斯的变化趋势进行预测.仿真结果表明,该模型能够较好地解决φ瓦斯时间序列的预测问题,与RBF神经网络模型相比,具有较高的预测精度.     

关联交叉口短时交通流可预测性分析及组合预测算法

文中首先根据交叉口交通流参数时间序列的相关性对关联交叉口进行定义,给出关联交叉口短时交通流可预测分析的几个定量指标,以及交通流时间序列最大Lya-punov指数的计算方法;然后提出在短时交通流时间序列的可预测分析基础上,选取一组预测模型并建立基于RBF网络的非线性组合预测模型,提出了关联交叉口短时交通流的组合预测算法;最后对实测短时交通流进行仿真试验,结果表明组合预测方法相对于单项预测方法具有更好的预测性能.     

基于RBF网络的金融时间序列预测

RBF网络是一种新颖有效的前向型神经网络,它通过非线性基函数的线性组合实现从输入空间RN到输出空间RM的非线性转换,特别适合于非线性时间序列如股票市场等金融系统的预测.本文以中集集团的实际收盘价作为预测对象,提出基于RBF网络的个股价格预测模型,仿真实验表明,该模型对于个股价格的短期预测是可行有效的.     

ARIMA-RBF模型在城市轨道交通客流预测中的应用

客流量预测是城市轨道交通规划设计和运营管理的基本依据,已成为城市轨道交通建设过程中的重要环节。本文通过分析平常日客流变化的周规律、非平稳性等时序特征以及ARIMA模型和RBF模型的作用机理,将适合进行线性时间序列预测的ARIMA模型和适合处理非线性问题的RBF神经网络组合,建立了ARIMA RBF预测模型,并用该模型对北京市城市轨道交通平常日客流量进行预测,该模型充分考虑到城市轨道交通客流变化的线性及非线性特征,取得了较好的预测效果。     

非晶态合金晶化电特性时间序列模型及预测

在非晶态合金晶化过程中,尽管无法知道那些系统变量及它们之间如何相互作用来支配晶化的演化,但可以肯定的是过程变量尤其是晶化电特性蕴含着不同的时频特性.因此,将材料科学与信息科学技术相结合,利用非线性系统辨识方法,提出一种基于小波变换和ARFILSSVM方法的晶化电特性时间序列模型及预测方法.首先利用小波变换对时间序列进行分解,分离出时间序列中的低频和高频序列,然后利用AR模型预测高频序列,利用FILSSVM方法预测低频序列,最后将各模型的预测结果叠加,从而得到原始序列的模型及预测.仿真试验表明,该方法是非晶态合金晶化电特性时间序列的有效预测方法.     

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.     

利用小波和RBF神经网络进行手写数字识别

提出一种基于小波和RBF神经网络的手写数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用RBF神经网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有很好的效果.     

基于RBF神经网络的水体污染物含量建模与预测

对水体中污染物含量进行预测具有十分重要的意义。将时间序列作为RBF神经网络的输入,对水体污染物含量的预测做了建模研究。实验结果表明,RBF神经网络的输出值与实际值之间的误差在可以接受的范围,因此在实际应用中,可以将RBF网络方法作为一种考虑采用的方法。     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

混沌序列PSO-RBFNN耦合模型在滑坡监测中的应用-杨虎

滑坡位移系统的发展演化受到多种不确定性因素的影响,可能存在非线性特征。而同时包含了确定性和非确定性分析的混沌理论,能有效阐释滑坡位移序列的复杂的非线性过程。因此本文首先对滑坡位移序列进行混沌分析,揭示其内在演化机理;在相空间重构的基础上,再采用拟合和泛化能力较好的径向基网络（RBFNN）对其位移值进行实时动态预测,针对RBF网络存在参数选取困难的问题,运用粒子群算法（PSO）对RBF网络的参数进行优选。提出了基于混沌理论的PSO-RBFNN滑坡位移预测模型。经过实例验证,并与粒子群优化的BP神经网络（PSO-BP）和单独RBF网络进行对比,表明滑坡位移序列确实存在混沌特性且PSO-RBFNN模型预测精度更高、效果更好。     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

基于径向基函数网络的加筋挡墙高度预测模型

提出了一种基于人工神经网络（ANN）技术的加筋挡墙临界高度预测方法，通过30组挡墙离心模型试验数据以及组足尺试验数据样本的训练与学习，建立了可用于加筋挡墙高度预测的径向基函数网络（RBFN）模型，采用4组挡墙离心模型试验数据和1组足尺试验数据，共5组样本作为检验样本对网络预测能力进行检验，结果表明网络的学习是成功的，同时网络能较好地适应本特定问题，推广能力较好。     

灰色技术与小波网络融合的多因素预测模型

针对多因素预测中预测对象与影响因素之间具有非线性相关性、预测对象及其影响因素呈随机性、非线性变化的特点,同时各影响因素对预测对象的重要程度不尽相同,学习样本容量小、信息不充分,充分利用小波神经网络对非线性函数的强大拟合能力和灰色累加技术弱化原始数据随机性、增强规律性的优势,建立了灰色小波神经网络融合的多因素预测模型,并将其应用于交通量预测中.结果表明,与BP网络比较,所建模型可行有效,且提高了预测精度.