基于GA-Elman神经网络的交通流短时预测方法

以单断面的交通流量为研究对象,采用动态Elman神经网络进行短时交通流量的预测,提出一种基于GA-Elman神经网络的交通流短时预测方法.该方法通过遗传算法优化Elman神经网络的权值和阈值,克服了Elman神经网络易陷入局部最小的缺陷,同时提高了Elman神经网络的泛化能力和预测精度.实验仿真表明,本文方法可用于城市快速路上预测实时交通流量,预测效果优于Elman、GA-BP预测模型.     

GA-Elman网络的网络控制系统预测

为了消除网络时延对网络控制系统的影响,采用Elman神经网络预测系统时延采样值,并用遗传算法优化神经网络权值阈值.实验仿真表明:经遗传算法优化后的Elman神经网络具有很好的预测精度及动态性能,能够消除时延的影响,并验证了该方法对时延采样值预测的有效性.     

一种基于Elman改进的网络入侵检测算法

为了解决Elman神经网络预测入侵信息存在局部反馈、学习能力弱等问题,研究利用改进的Elman算法提高网络入侵检测的准确度。实验结果显示,与Elman算法和BP神经网络算法相比,改进的Elman算法预测准确度能提高5%。     

基于EEMD和改进Elman神经网络的地球变化磁场短时预测

针对地球变化磁场时间序列的混沌特性,提出了一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和改进Elman神经网络的地球变化磁场预测模型.首先,利用EEMD将非平稳的地球变化磁场时间序列分解为一系列具有不同特征尺度的本征模态函数(intrinsic mode function,IMF);然后,针对每一个IMF分别建立改进Elman神经网络模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地球变化磁场数据为研究对象,并与基于单一Elman神经网络预测模型相比较,结果表明,EEMD-改进Elman神经网络模型的预测值能紧跟地球变化磁场的变化趋势,且明显优于基于单一Elman神经网络的模型,体现出更好的预测效果.在地磁Kp3时,预测3h平均绝对误差为1.74nT.     

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EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

基于灰关联分析Elman网络的网上购物意向预测模型

利用灰关联方法分析了消费者网上购物意向与各影响因子的关系,建立了预测消费者网上购物意向的Elman神经网络模型.结果表明,根据灰关联度的计算得出消费者网上购物意向的影响程度由强到弱的顺序,与实测值吻合,表明利用所建立的Elman神经网络模型能有效地预测消费者网上购物意向.     

应用Elman神经网络的混沌时间序列预测

利用改进的 Elman神经网络对 3个典型的混沌时间序列在不同的噪声水平下进行预测 ,探讨了神经网络学习与泛化之间的关系 ,通过试凑法给出了 Elman最优的隐节点个数。并利用3种指标对预测结果进行了评估 ,结果显示 Elman网络对混沌时间序列预测的良好特性     

基于自适应Elman神经网络的短期风电功率预测

针对BP神经网络动态性能的不足、适应性较差的问题,提出了基于自适应Elman神经网络的短期风电功率预测模型。通过对比不同隐含层数的Elman预测模型的预测误差,选取最小误差的隐含层数作为自适应Elman预测模型的隐含层数;根据不同的训练集和预测集的输入,自动调节Elman隐含层节点数,实现隐含层节点数的自适应,寻求具有最佳隐含层节点数的预测模型,提高了风电功率预测精度。     

基于Elman神经网络的气温时间序列预测

利用动态递归Elman神经网络的具有结构简单,运算量少,适合于动力系统辩识等特点,对Logistic混沌映射时间序列及气温时间序列进行了预测,并分析了预测误差。结果显示Elman神经网络对非线性时间序列具有良好的预测特性。