基于回归神经网络的柴油机NOx排放预测及影响分析

针对柴油发动机NOx排放量的预测问题与其影响参数进行研究.通过构建训练神经网络回归算法模型(recurrent neural network,RNN),基于发动机试验过程中采集的大量样本数据训练和预测NOx排放情况;预测结果表明,该网络模型的预测值与目标输出值之间的误差满足实际工程需求,具有良好的预测精度和泛化性能.基...     

基于广义回归神经网络的发动机排放预测

神经网络是当前最主要的智能控制技术之一，它模拟人脑的结构及对信息的记忆和处理功能，具有擅长从输入输出数据中学习有用的知识的特性，发动机性预测是根据发动机结构参数和运转参数估算推测发动机的各种性能指标，因此，可以利用神经网络的学习性的特点，借助针各咱影响汽油机燃烧过程的主要参数对汽油机的非线性影响以网络模型的形式表示出来，文中讨论了如何势开数学模建的方式，选用广义回归神经网络，进行发动机排放特性的预测，应用MATLAB软件工具箱编程，给出了一个汽油发动机的排放特性预测模型的实例。     

基于PCA-BP神经网络的PM2.5季节性预测方法研究

【目的】分季节预测PM_2.5浓度值,利用PCA方法对数据进行降维,分析季节及气象因素对PM_2.5的影响,在提高预测准确率的同时降低时间复杂度。【方法】以合肥市2014—2017年的PM₁₀、SO₂、CO₂、CO、O₃浓度值,以及同时段的气象因素值,对PM_2.5浓度进行预测。数据分析中发现PM_2.5在不同季节浓度差异较大,故本研究选择分季节进行预测;为了提高预测准确率,加入如风力、温度、湿度、气压等气象因素进行预测,同时采用主成分分析(PCA)的方法进行数据降维,将降维后的数据再输入BP神经网络模型进行预测。【结果】实验采用3组实验进行对比:5种污染物指标(PM_2.5-5)预测PM_2.5、加入气象因素的综合12项指标(PM_2.5-12)预测PM_2.5、对综合指标进行PCA处理后的(PM_2.5-PCA)预测PM_2.5。实验结果表明:4个季节的PM_2.5浓度值有较大变化,均方根误差(RMSE)的差值较大;采用PM_2.5-PCA的方法,在任何季节的RMSE均有降低,相关系数(r)均有所提高。【结论】PM_2.5浓度具有季节性特征,采用季节性预测方法可以提高预测准确率;同时采用PCA方法进行降维,可以在保证准确率的同时降低预测时间复杂度。     

基于PCA-RBF神经网络模型的航空备件预测方法

提出了基于PCA-RBF神经网络模型的备件预测方法.首先利用主成分分析去除原始输入层数据的相关性,以解决RBF神经网络模拟备件需求时输入变量过多、网络规模过大导致效率下降的问题,最后选择合适的径向基函数密度训练神经网络.通过结合实例进行分析,取得了较好的效果.     

基于分层注意力循环神经网络的司法案件刑期预测

为了解决刑期预测任务准确率较差的问题,提出一种基于多通道分层注意力循环神经网络的司法案件刑期预测模型.该模型对传统的循环神经网络模型进行了改进,引入了BERT词嵌入、多通道模式和分层注意力机制,将刑期预测转化为文本分类问题.模型采用分层的双向循环神经网络对案件文本进行建模,并通过分层注意力机制在词语级和句子级两个层面捕获不同词语和句子的重要性,最终生成有效表征案件文本的多通道嵌入向量.实验结果表明:对比现有的基于深度学习的刑期预测模型,本文提出的模型具有更高的预测性能.     

基于神经网络的柴油机NOx排放预测模型研究

传统的基于MAP图查表方式得到柴油机NOx排放的方法需要做大量标定实验,本文采用BP神经网络构建柴油机NOx排放预测模型．论文选取进气压力、进气温度、排气温度和发动机转速这4个量作为预测模型的输入量．考虑到柴油机NOx生成与其工作参数之间有时间迟滞,模型的输入量包含当前值和历史值．对输入数据做了归一化处理．在模型后处理模块对输出数据做反归一化处理．所提出的模型具有较高的预测精度．     

基于主成分分析的BP神经网络对房价的预测研究

为了提高房价预测精度,采用基于主成分分析的BP神经网络预测模型.首先运用主成分分析对影响房价指标重新组合生成新的综合指标,然后采用非线性预测能力非常强的BP神经网络对其进行建模,并对房价进行预测.仿真结果表明,基于主成分分析的BP神经网络的房价仿真值与历史值的系统总误差只有0.52%,可作为房价预测的一种行之有效的方法.     

基于Web方式的神经网络智能预测系统设计与应用

针对传统BP神经网络的一些缺陷,设计一种综合改进的BP神经网络算法.在此基础上,采用.NET架构以及Web Services等技术,用主成分分析算法和置信度区间算法对BP网络结构进行全后处理,以经济预测为例,设计开发了一个基于B/S结构的智能经济预测系统.该系统具有较好的易用性和一定的通用性,提高了预测结果的准确度和神经网络的泛化能力.     

基于时空图注意力神经网络的交通道路拥塞和异常预测

为全面捕获交通路网的时空特性,分析路况的复杂多变性,实现道路拥堵和突发情况的高效准确预测,研究提出一种时空图注意力神经网络模型,通过将道路网络建模成一系列随时间变化的图,利用图注意力机制(graph attention network, GAT)关注路网图关键节点的空间特性并捕获动态的全图空间特征,再利用门控循环单元(gated recurrent neural network, GRU)充分捕获相邻路网图的时间相关性并降低模型冗余,提升了对道路拥堵和异常情况的预测准确率。采用PEMSD数据集进行实验。结果表明,所提方法与对比模型相比准确率与召回率均优于现有方法,有效提升了交通异常预测精度。     

基于融合Dropout与注意力机制的LSTM-GRU车辆轨迹预测

在智能驾驶环境的车辆轨迹预测环节,为更好地获取环境车辆的轨迹时序特征,在长短期记忆神经网络（LSTM）基础上,嵌入Dropout层以增强网络泛化性,引入注意力机制予以预测效果影响较大的时序数据更大权重从而提高预测结果的可靠性,且将改进的LSTM模型与门控循环单元GRU模型结合,构建LSTM-GRU预测模型以进一步提升环境车辆轨迹预测的准确性.在此基础上,使用NGSIM公开数据集对模型进行训练、验证和测试.研究结果表明,融合了Dropout和注意力机制的LSTM-GRU神经网络轨迹预测模型相较标准的LSTM长短期记忆网络以及GRU门控循环单元,在预测较长时序的车辆轨迹上具有优势,提高了轨迹预测的准确性,降低了实际轨迹和预测轨迹之间的均方根误差和平均绝对误差.     

基于BP神经网络的我国碳排放情景预测

碳排放预测有助于碳减排目标和碳减排路径的科学制定。借鉴STIRPAT模型的影响因素,选取人口、城镇化率、人均GDP、第三产业GDP比例、能源消耗强度、煤炭消费比例等6项因素为自变量,以1980-2009年的指标数据为训练样本,运用BP神经网络方法构建了我国碳排放预测模型,并对2010-2015年我国碳排放进行预测,结果表明我国“十二五”期间应适当降低GDP增速,促使碳排放目标的有效实现。     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

基于带偏差递归神经网络蛋白质关联图的预测

针对BP神经网络在学习速度方面的不足, 在Jordan和Elman网络结构的基础上, 提出一种带偏差单元的递归网络模型, 根据BP算法推导出该网络模型的权系数调整规则, 并应用该网络模型进行了蛋白质关联图预测的仿真分析. 结果表明, 该网络模型的收敛速度比一般BP网络有很大提高, 具有一定的实用性.     

基于广义回归神经网络的污垢热阻预测

在生产中,换热器受到污垢沉积的影响较大。为了研究污垢在换热设备中的变化趋势,实验模拟了金属-水-蒸气体系下的换热器动态循环系统,测量了流经换热管中冷却水的各种水质参数,并结合实验数据,建立了基于广义回归神经网络(generalized regression neural network, GRNN)的换热管污垢热阻预测模型。通过交叉验证确定了最佳平滑系数为0.2,预测样本与实测样本具有较高的拟合精度,其相对误差最大为8.91,符合工程要求,证明该方法是可行的。     

改进灰色神经网络的作动系统功率预测

为提高飞机上作动系统的功率预测精度,建立了改进的多变量灰色神经网络预测模型。考虑了对系统功率需求有较大影响的相关因素,采用主成分分析法提取综合变量作为输入,在提升准确性的基础上有效减少了输入维数;在利用递增方式对初始值进行选择的过程中,引入粒子群优化算法快速求解最优初始值和背景值,模型预测的平均误差由13.35%降为7.53%;考虑到序列波动对预测精度的影响,采用BP神经网络对预测值进行误差修正,进一步将模型的平均预测误差降为4.07%。仿真实验表明,含主成分分析的改进灰色神经网络对飞机作动系统的功率有较高的预测精度,有利于飞机的电能调度。     

基于神经网络的泡沫混凝土强度及导热性能预测

基于神经网络原理,建立预测泡沫混凝土性能的BP神经网络模型,期望通过输入配合比主要参数,得到泡沫混凝土强度及导热性能的预测结果。将实验数据分为训练组和对照组,对训练组进行非线性拟合,若拟合结果满足误差精度则模型建立完毕;通过拟合结果与对照组的比较,可验证模型预测精度。结果表明,BP神经网络模型能够准确拟合实验数据,利用其泛化能力进行预测的结果与对照组的误差小于8%,该模型具有很高的预测精度。     

基于神经网络的交通流的预测

在简要介绍智能系统中交通流的实时检测设备的基础上 ,为满足交通流诱导系统的理论需要 ,建立了实时交通流量神经网络预测模型。该模型为交通流诱导系统提供了预测交通状况的一种很好的方法     

基于BP神经网络的交流输电线路可听噪声预测模型

可听噪声属于输电线路电磁环境的影响因子之一,其常规预测模型均存在使用条件受约束或预测误差偏大的问题.根据间接预测法的思想,以可听噪声通用表达式中的4个因素为输入变量,可听噪声值为输出变量,建立了三层结构的BP神经网络交流输电线路可听噪声预测模型.以国外多条输电线路可听噪声数据为样本,通过BP神经网络对样本进行训练,运用得到的模型对预测集线路的可听噪声值进行了预测.结果表明,与常规GE公式相比,采用BP神经网络预测模型的预测平均绝对误差要小1.641 4 d B(A).     

基于神经网络的公路网规模预测

路网规模研究是公路网规划的重要内容。考虑影响公路网合理规模的多种因素，提出了一种基于BP神经网络的公路网规模预测方法，并建立了模拟路网规模与其影响因素间的非线形关系预测模型。步骤依次为：改进传统的BP算法、合理确定影响因素、建立预测模型、模型的训练与检验、数据预测。预测结果表明，该方法客观、合理，预测精度高，实用性强，具有较强的理论与实际应用价值。