基于时序分析与神经网络的能源产量预测模型

实际生产系统中存在大量时间序列问题，为了研究系统的结构和规律，我们需要建立时间序列模型，对其进行预测和分析。目前时间分析方法多采用AR或ARMA模型，但由于实际问题错综复杂，导致模型求解困难，实际中难以应用。为了解决上述问题，首先分析了生产系统时序分析的基本原理，利用BP神经网络建立了时序—神经网络模型，然后利用该模型对能源产量进行了预测。通过预测结果的分析可看出，该模型具有利用方便、动态性能好、预测准确性高等优点，在实际中具有一定的实用价值。     

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。     

一种基于神经网络的时序建模预测方法

ＢＰ学习算法是处理非线性优化问题的一种新方法,本文系统地分析了一些对建立时序预测模型产生影响的因素,设计了一个优化的雨网络训练方法。     

基于BP神经网络的城市供水系统管网预测

针对城市供水系统的复杂性、非线性、时变化性以及多因素影响的特点，探讨了建立基于BP神经网络城市供水管网预测的原理，阐述了建立基于BP网络的城市供水时序预测模型方法．根据管网的节点压力历史数据纪录，建立基于神经网络的管网压力时序预测模型，对未来某一时段的节点压力进行预测．从预测过程和结果分析，基于BP神经网络城市供水管网预测方法操作简单，运行速度快，误差修正方便，精度高．图2，表1，参12．     

基于神经网络的可靠度时序预测方法研究

提出了利用人工神经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测 .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 .     

基于神经网络的预测模型的比较研究

随着经济预测、电力预测等各种预测的兴起,预测对各种领域的重要性开始显现.针对在建立预测模型时不能准确判别使用合适的神经网络,论文归纳了几种常用干预测的神经网络:BP神经网络、RBF神经网络、小波神经网络、组合神经网络,并总结了相应的优缺点,及其适用的预测范围.以某蓄电池厂近几年的销售量为例,检验各种预测模型的精度.预测结果显示,用单一预测模型进行预测时,因自身的局限,使其预测精度和稳定性不高.相比之下,组合预测模型更能有效提高预测精度,可以较充分的降低预测风险,保证预测结果的稳健性.     

深圳港基于BP神经网络的集装箱预测模型

运用BP人工神经网络建立了深圳港集装箱吞量的预测模型，得出深圳港2001－2005年的集装箱吞吐量，研究结果表明，该预测方法具有很强的学习与泛化能力，预测结果对深圳港的发展有较强的借鉴作用，可以提高深圳港处理运量的能力。     

低维混沌时序的预测方法及其应用研究

研究由低维非线性动力系统所产生的混沌时序的预测方法及其应用。通过改进的最小二乘方法来估计模型的参数，并在其相空间中对时序的未来值进行预测。给出了有代表性的实例对本文的模型和算法进行验证。结果发现选取最佳的模型阶数能增加预测的准确程度，且混沌时序不可能进行长期的预测。算例表明本文建议的方法是有效的。     

基于神经网络的上证指数预测模型

神经网络依据数据本身的内在联系建模,具有良好的自组织、自适应性,有很强的学习能力、抗干扰能力。它能自动从历史数据中提取有关经济活动中的知识,可以克服传统定量预测方法的许多局限以及面临的困难,同时也能避免许多人为因素的影响。本文基于人工神经网络原理,研究了宏观经济影响下上海股市,用2005年6月到2008年11月的月度沪市上证指数作为训练数据预测08年11月份以后三个月的上证指数,并与实际数值进行了对比。最后分析了神经网络应用于股市预测的时效性。     

基于Elman型神经网络的空调负荷预测模型

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高，而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点，建立了基于Elman型神经网络的空调负荷预测模型，并进行了实例预测。文中还比较了Elman网络和BP终结建模效果，仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点，说明Elman网络是一种新颖、可靠的负荷预测方法。     

基于独立模型的非线性时间序列多步超前预测

提出一种非线性时间序列的多步超前独立预测方法. 对比逐步递归方法和独立预测方法, 分析了积累误差对多步超前预测性能的影响. 采用递归神经网络(RNN)实现了独立预测方法, 建立了城市轨道交通能耗预测模型. 通过MATLAB训练和测试该模型, 比较了两种方法下的多步超前预测输出. 结果表明,独立预测方法的误差优于逐步递归方法. 最后指出了独立预测方法的优缺点及适用范围.     

神经网络在时间序列预测中的应用

将人工神经网络的ＢＰ模型应用于非线性时间序列预测,并将预测结果与传统预测方法的预测结果进行比较,表明神经网络预测方法具有明显的优势。     

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.     

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     

非线性时间序列预测的BP神经网络方法及应用

针对在非线性时间序列的BP神经网络建模预测的基本方法中,存在的建模速度慢,计算较复杂等问题,提出一种改进的BP神经网络动态建模与预测方法,并运用该方法对一非线性时间序列进行了仿真,仿真结果表明此方法的实际应用效果较好。     

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.     

智能神经网络在时序信号预测上的应用

从80年代开始，人工神经元网络的研究技术在理论和实际应用上已经比较成熟，在信号处理系统中也开始采用该技术进行非线性时间序列信号的预测分析。但由于该理论黑箱模型的特点，无法引入先验知识，从而预测精度难以提高。针对该问题，提出了通过滚动预测的方法，并引入了一种智能化的新型神经元模型，建立区别于传统的神经网络预测模型，达到了较为理想的预测效果。并且以股票价格的预测作为实验模型，对该方法进行了验证，表明了它的实际应用价值。     

基于遗传算法的神经网络金融时序预测的研究

基于简单遗传算法的神经网络训练速度慢、易陷入局部极值,用具有较好的全局搜索能力自适应遗传算法来优化神经网络权值和国值,设计了基于自适应遗传算法的BP神经网络的股票预测系统．该系统根据对股票历史数据分析,预测股价未来几天时间的走势．结果表明,改进算法具有很强的可行性和高效性．     

一种基于小波网络的混沌时间序列判定

在对混沌时间序列与随机序列的不同特征进行分析的基础上,提出一种可对二者予以区分的判定算法.并结合具有优异特性的小波函数,构造一种小波神经网络.最终给出基于小波网络的集成的混沌时间序列判定-预测算法.