基于灰色RBF网络的我国能源消费预测

利用我国能源消费总量的历史数据,采用灰色预测法建立预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值.实验结果表明,灰色RBF网络模型在预测精度方面优于单一的灰色模型.该模型计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围.     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于GM-RBF神经网络的高校建筑能耗预测

为了提高高校建筑的能耗预测精度,在比较传统灰色预测模型和神经网络预测模型优缺点的基础上,建立了灰色径向基函数(Radical basis function,RBF)神经网络能耗预测算法。该方法综合了灰色系统理论所需数据少以及神经网络自学习和自组织的优点。实例分析表明:与传统灰色理论和RBF神经网络预测模型相比较,组合模型预测值与实际值的相对误差平均降低了5.4%,为建筑节能评估和设计提供了决策依据。     

径向基神经网络在地铁沉降预测当中的应用

利用径向基神经网络构建起前N期沉降量与N+1沉降量之间存在的非线性关系,从而实现径向基神经网络对地铁隧道施工上方地面沉降量预测的功能。利用成都地铁7号线某盾构区间地面的沉降监测数据建立RBF预测模型并且与BP预测模型进行对比。仿真实验结果表明,RBF预测模型预测结果的平均误差率、误差中误差、迭代次数均小于BP神经网络,说明了RBF神经网络在地铁沉降预测分析中的有效性、优越性。     

基于遗传RBF神经网络的高速电主轴热误差建模

针对高速电主轴热误差建模,对HMC80加工中心电主轴单元进行了热误差测量实验,综合利用模糊聚类法和灰色关联度分析法对测温点进行优化,使测温点数量从8个减少到3个,该方法同时考虑了温度变量之间的复共线性和测温点温度与热误差之间的相关性.以优化后的温度变量为输入,热误差为输出,建立基于遗传算法径向基函数(RBF)神经网络预测模型,并与其他方法进行比较.分析结果表明:相比于传统RBF神经网络法和多元线性回归法,遗传RBF神经网络建立的热误差预测模型精度更高、鲁棒性更强.     

建筑物基础沉降径向基神经网络预测

为解决建筑物基础沉降量的安全监测问题,对其进行有效的预测、校核与分析,运用MATLAB软件建立径向基神经网络模型对某市建筑物的基础沉降量进行预测.结果表明:径向基神经网络的结构形式简易,适应能力更强,预测误差比BP网络小,平均约为66.83%,达到预测精准度所需的耗时短、收敛速度更快.径向基神经网络的预测结果与实测结果较为吻合,表明径向基神经网络预测模型适用于建筑工程沉降预测领域之中.     

基于径向基函数神经网络的投资预测模型

利用径向基函数(RBF)神经网络,建立投资预测模型,有效解决经济投资预测中非线性预测问题.以历史数据为例,对所建立投资预测网络模型进行仿真、分析仿真结果.根据生产总值与投资分配之间存在的映射关系,应用RBF神经网络建立投资预测模型.模型既真实地表达了投资要素之间的高度非线性关系,又考虑了分配结构的优化问题,具有很高的预测精度,更具有较强的实际应用意义.     

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IFA优化RBF神经网络的短时交通流预测模型

针对短时交通流不确定性极强引起的预测结果精度低的问题,提出一种改进萤火虫算法(IFA)优化RBF神经网络的短时交通流预测模型(IFA-RBF).该模型通过引入线性递减惯性权重和混沌机制,来改进FA后期存在的易陷入局部极值和种群多样性匮乏的不足,利用IFA优化RBF神经网络的连接权重和基函数宽度,以提升RBF神经网络的短时交通流预测精度.实验结果表明,与Elman、BP、RBF和FA-RBF模型相比,构建的短时交通流预测模型(IFA-RBF)具有更高的预测精度,预测值与实际值拟合度较高.