基于小波分析和RBF神经网络的铜价预测

提出一种非线性时间序列预测方法,即把小波分析结合RBF神经网络预测方法对非线性时间序列进行预测。对铜价的预测结果表明,该方法比单纯的小波预测或单纯的RBF网络预测精度高,可以很好的应用于某些非线性时间序列的预测中。     

基于小波神经网络的建筑工程沉降变形预测

变形监测是安全化、信息化工程建设和管理的重要内容,贯穿于建筑物设计、施工和运营整个过程.本文基于小波分析、BP神经网络、小波分析与神经网络结合的相关理论,借助MATLAB编程,建立了改进的BP神经网络、辅助式小波神经网络、嵌入式小波神经网络3种变形预测网络模型.结合工程实测数据,利用建立的3种模型,分别应用累积沉降和期间沉降不同模式数据进行预测.结果表明,两种小波神经网络组合模型的预测效果明显优于单一的BP神经网络模型,具有更高预测精度和更快的收敛速度,且训练样本数目越多,模型精度越高,预测效果越好.     

基于AP-BP神经网络的建筑能耗分析与预测

建筑行业对能源的节约是当前节约能耗的重要途径之一,在对能源浪费现状和建筑物能源绩效调研和分析的基础上,提出了一种基于affinity propagation（AP）聚类的back propagation（BP）神经网络建筑能耗分析与预测方法。通过AP聚类算法对影响建筑能耗的多维因素进行聚类分析,得到影响建筑能耗的主要因素并作为BP神经网络的输入,然后将建筑能耗指标热负荷和冷负荷作为BP神经网络的输出,建立建筑能耗分析与预测模型。均方根误差（RMSE）和平均相对泛化误差（ARGE）评价指标分析结果表明,本文所提方法对能耗值预测的拟合程度优于经典的BP神经网络,且通过建筑能耗输入输出的结构调整能够节约能耗,提高能效。     

基于LSTM神经网络的乘用车能耗预测

为改善当今石油供需矛盾和环境问题,针对乘用车提出了基于LSTM神经网络的燃油乘用车能耗预测模型。通过纵向动力学建模并匹配相应车型进行求解,结合GB/T 38146.1行驶工况数据,得出能耗随时间的变化率。构建LSTM神经网络架构,根据处理后的数据样本,对LSTM神经网络进行训练和评价。最后,通过LSTM神经网络和BP神经网络的仿真对比表明,随着迭代周期的增加,LSTM神经网络模型具有更高的精度,对能耗预测的准确性较好,对改善无人驾驶车辆的节能减排具有工程应用价值。     

基于小波神经网络的燃气系统短期负荷预测

在燃气负荷预测中,由于日负荷的不稳定,仅以历史负荷为训练样本得到的人工神经网络难以满足日预测的精度要求。提出一种小波分析与BP神经网络相结合的预测方法。首先,将历史负荷序列进行小波分解成概貌序列和细节序列,并在此基础上利用概貌序列、细节序列,以及指数平滑和温度等多种因素训练BP神经网络,预测出未来燃气的日负荷。最后,对...     

基于小波神经网络的短时客流量预测研究

提出了基于小波神经网络的短时客流预测方法。对具有动态性,受多种因素影响的城轨的客流量进行短时的预测。通过建立小波神经网络对于城轨进行每隔15 min客流量预测。示例结果表明,所建立的小波神经网络的预测模型比其他的典型的预测模型预测精度高,误差小。     

基于小波神经网络的某边坡预测研究

边坡的地表位移监测是滑坡安全监控中的重要内容,对监测资料进行及时、合理和有效的分析,获取滑坡变形规律和安全状况是滑坡监测的重要工作之一。文章将基于BP算法的小波神经网络预测模型引入变形监测预报中,对工程实例进行了预测。结果表明小波神经网络预测可以取得良好的效果,且自适应预测能力较强。     

基于CNN-RNN组合模型的办公建筑能耗预测

为准确反映办公建筑的运行特性,利用卷积神经网络(CNN)良好的特征提取能力与循环神经网络(RNN)良好的时序学习能力,提出用于预测办公建筑能耗的CNN-RNN组合模型,并对应设计了适用于深度学习模型的二维矩阵数据输入结构.案例分析结果表明,相较于简单循环神经网络和长短期记忆网络,CNN-RNN组合模型的预测精度与计算效率均显著提升,模型泛化性好.     

基于小波降噪与贝叶斯神经网络联合模型的短时交通流量预测

在短时间内准确、稳定地预测出交通流量,是实现智能交通控制系统的重要环节,对于交叉口信号控制方案的实时调整具有重要意义。鉴于此,提出一种 联合模型的预测方式,引入 和 作为模型评价指标,从精度和稳定性两个方面对模型进行评价。结果表明,在 、 、 等不同的时间预测尺度下, 联合模型的 和 均小于小波网络、贝叶斯网络、 网络等方法,短时交通流量预测结果的精度和稳定性得到了不同程度的提高。     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点.本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算.预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络.     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

基于布谷鸟搜索神经网络的微波加热温度预测模型

微波加热是一种与被加热物直接相互作用的选择性加热方式,具有清洁、节能、减排等特点。针对工业物料作为微波加热负载时,其温度非线性变化的特点,以微波工业加热过程中的多维、海量参数为研究对象,基于泛函接神经网络模型提取样本数据的深度特征,提出了一种基于布谷鸟搜索算法,优化BP神经网络的网络参数,建立了以"数据驱动"为手段微波加热工业物料温度模型。仿真实验结果证明了所提出模型的准确性、实时性。     

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BP神经网络的关口电能计量装置测量误差预测及校正

关口电能计量装置造成的误差通常会给电网公司带来巨大的经济损失,因此提高关口电能计量装置的准确度,具有十分重要的应用价值.通过对关口电能计量装置的历史数据进行分析,采用BP(back propagation)神经网络算法进行误差预测,筛选出最适合关口电能计量数据的优化模型,并且校正计量异常值,从而减小电能计量装置产生的误差,提高电能计量的准确性.实验表明,误差预测及校正模型能准确预测关口电能计量装置误差,修正异常值.     

黑龙江省一次能源消费总量和消费结构预测研究

以黑龙江省一次能源为研究对象,选取其1995~2014年一次能源消费的历史数据,构建了改进的BP神经网络模型来预测黑龙江省2015~2020年一次能源的消费总量;重构马尔科夫模型,预测黑龙江省2015~2020年一次能源的消费结构。结果表明：构建的模型模拟预测结果误差小,预测准确度良好。2015~2020年黑龙江省一次能源消费总量基本稳定在9200万吨标准煤;能源消费结构中煤炭、石油和天然气的份额均有所降低,清洁能源占比呈增长趋势;到2020年,一次能源消费结构中煤炭占比仍高达65.39%,清洁能源占比仍处于弱势。建议：降低一次能源的消费总量,尤其是煤炭和石油在一次能源消费中的占比;合理调整一次能源的消费结构,降低煤炭在能源消费结构中的占比;政府出台相关政策,引导消费理念,优先使用清洁能源。     

一种基于神经网络模型的中国能耗预测

通过对中国能源消费增长率的数据分析,运用LM(Levenberg-Marquardt)优化算法,结合BP网络,建立了相应的中国能耗增长率的神经网络模型,对中国能费增长率进行了拟合,并对未来能耗总量进行了预测。通过实际数据与测试数据的统计分析表明,该模型具有极强的拟合精度,对中国能源消费需求总量的预测有较高的可信度。     

国内城镇污水处理能耗计算方法

污水处理行业是高耗能产业,合理地估算污水处理工艺的能耗将有助于节能减排措施的制定和实施。依据国内城镇污水处理各单元的工艺运行特点,分析了污水处理单元能耗分布特征,总结出污水处理过程中各单元主要耗能设备的能耗计算公式。以喀左污水处理厂(采用典型A/O工艺)为例进行分析,挖掘其最具潜力的节能设备,给出相应的节能调控方向。     

基于改进遗传算法的BP神经网络及应用

结合遗传算法及神经网络各自的优点,利用改进遗传算法对BP神经网络的连接权进行优化,并提出了一种新的编码方式.通过与时间序列模型对比,基于改进遗传算法的BP模型效果更好.     

BP神经网络的改进及其应用

在分析BP神经网络建模步骤的基础上,针对BP神经网络某些不足,提出了几点改进措施。首先对原始数据进行了非线性规格化;其次,提出了记忆式初始权值和阀值;最后以确定性系数最大为依据进行参数优选,并将改进后的BP神经网络应用于需水量预测。结果表明,改进后的BP神经网络不仅提高了BP神经网络预测的精度,而且加快了BP网络运行时的收敛速度。