积单元神经网络预测噪声环境的混沌时间序列

用人工神经网络预测噪声环境的混沌时间序列是一个重要的问题，因为许多实际的时间序列数据都是含噪声的。提出一种利用积单元神经网络(PUNN)预测噪声环境的混沌时间序列的方法，它采用了粒子群优化器(PSO)训练PUNN网络。用所提方法对Lorenz混沌序列做了仿真实验，结果表明：所提方法结构简单、泛化能力强，是一种有效的方法；当PUNN网络的输入节点数目为2或3时，预测精度更高，而且泛化能力也更强。     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术,是一种具有很好泛化性能的回归方法.针对混沌时间序列特点,提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究,结果表明该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度.     

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     

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.     

相空间重构和支持向量机参数联合优化研究

在混沌时间序列预测过程中,相空间重构和支持向量机参数是影响混沌时间序列预测性能的两个重要方面,传统上两者是分开单独进行的.利用相空间重构和支持向量机参数之间的互相依赖关系,提出了一种基于粒子群算法的相空间重构和支持向量机参数联合优化方法.参数联合优化核心思想是在相空间重构的同时选择最优支持向量机参数,通过粒子群算法对参数联合优化来实现.通过采用参数联合优化算法对混沌时间序列Mackey-Glass和太阳黑子年平均数时间序列进行了仿真实验,结果表明,相对于传统的分开单独优化方法,参数联合优化方法提高了混沌时间序列模型的预测精度,泛化能力更好.     

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.     

基于模糊回归支持向量机的短期负荷预测

支持向量机(SVM)是一种新颖的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点.模糊数学在不确定性、不精确性及噪声引起的问题上,有其特有的计算分析操作,能有效地分析和处理模糊信息.研究了一种模糊回归支持向量机模型,该模型将两者有机结合,发挥了各自的优点.将其应用到电力系统短期负荷预测,仿真结果表明,所提方法不仅具有与支持向量机方法相同的预测精度,且提供了更多的有用信息.     

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.     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。     

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network, TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组。然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明：所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考。     

控制系统神经网络结构优化问题研究

应用Δ目标函数法，研究了控制系统神经网络结构优化问题．给出一个推广算法及一个前向全连网络，并对用网络实现非线性映射进行仿真研究．结果表明：用推广算法训练前向全连网络，能同时得到优化结构与权值，训练速度快，适合控制系统神经网络使用     

自适应模糊神经网络构建方法

模糊极大极小神经网络的结构与超盒形状系数有关,该神经网络的性能取决于超盒形状系数的选择.在构建该神经网络时,最优超盒形状系数的确定比较困难,故提出了一种自适应的模糊极大极小神经网络构建方法,取消了超盒形状系数对扩张过程的限制,以是否包含其他类样本为超盒扩张条件.实验结果表明,使用这种模糊神经网络方法生成的神经网络结构更简单,对模式分类的效果更好.     

自适应模糊神经网络构建方法

模糊极大极小神经网络的结构与超盒形状系数有关，该神经网络的性能取决于超盒形状系数的选择．在构建该神经网络时，最优超盒形状系数的确定比较困难，故提出了一种自适应的模糊极大极小神经网络构建方法，取消了超盒形状系数对扩张过程的限制，以是否包含其他类样本为超盒扩张条件．实验结果表明，使用这种模糊神经网络方法生成的神经网络结构更简单，对模式分类的效果更好．     

细胞神经网络的研究进展

本文综述了细胞神经网络的理论、硬件实现、软件系统以及一些应用。     

多态Ising神经网络严格动力学方程的研究

本文提出了符合多态Ｉｓｉｎｇ模型神经网络动力学规则的生成泛函，并从该泛函导出了零温度时严格的三态、四态Ｉｓｉｎｇ神经网络的并行动力学方程。所获得的无自耦网络的动力学方程与发表的结果符合得很好。此方法的优点是在导出多态Ｉｓｉｎｇ神经网络的严格动力学方程的同时能求出其它多个序参量。     

模糊神经网络的若干进展

文章对本世纪80年代中期兴起并紧密结合现代科学技术进步的一门新兴学科——模糊神经网络进行了综述，分析了所取得的主要成果及其特点，并指出了今后模糊神经网络研究中有待解决的许多阿题。对开展模糊神经网络的研究将具有启迪作用和现实意义。     

量子神经网络动力学及其在信息安全中的应用

提出了二阶Hopfield神经元及其量子动力学模型，讨论了它的粒子数图像，计算了真空量子涨落幅度值。这个幅度值是设计量子神经电子器件，井基于量子神经网络器件进行量子神经计算、量子神经信息存储与提取的物理限制。文章还进一步讨论了量子神经网络器件在信息安全中的应用。     

二维图像中交叉点的神经网络识别

提出一种识别灰度图像中交叉点的神经网络方法，用自组织特征映射网络和BP网络组成多分类器，识别图像中的二交叉点、三交叉点和四交叉点，在加入8%的干扰时，仍能达到85％左右的识别率。     

基于神经网络的数据融合技术的新进展

为了使系统自适应、并行、高速地融合多源数据，近代融合方法越来越多地将人工神经网络应用其中．详细论述了几种近10多年来出现的新的神经网络算法在数据级、特征级、决策级的应用，提出了部分改进算法，给出了融合结构及对算法的评价结果，同时介绍了人工神经网络在融合数据前处理方面的应用。并展望了神经网络的发展趋势．     

基于组合神经网络的教师评价模型研究

本文提出的基于组合神经网络的教师评价模型,可以弥补以往基于神经网络的教师评价模型的不足,不但可以给出教师的综合得分或所属类别,还可以给出教师在每个方面的得分.所使用的组合神经网络,由多个结构相同的BP神经网络组成;用构建的组合神经网络和传统BP神经网络分别进行实验.仿真实验表明,该模型相对误差较小,可以满足评价需求.