基于人工神经网络的污染源数据预测

通过神经网络在污染源自动监测系统中建立预测模型,对污染源数据进行预测,对环保决策、管理工作有着重要的意义。利用Elman神经网络在大气中的SO2浓度及其历史数据、影响因子之间建立预测模型,仿真结果表明所建立的模型对样本数据有着较准确的预测能力,具有一定的参考价值。     

基于神经网络的PM2.5预测模型

目前PM2.5的计算主要采用物理方法,其成本较高.为此,通过采集空气中O3,CO,PM10,SO2,NO2的浓度数据,选择神经网络方法建立PM2.5预测模型.实验结果表明,该模型对PM2.5的预测准确率较高.     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

基于DPCA-BP神经网络的中长期电力负荷预测方法

针对PCA-神经网络预测方法解决预测问题时,忽视数据自相关性而造成的预测结果难以满足实际工程要求精度的研究现状,建立了预测数据的增广矩阵.通过计算前l时刻数据确定增广矩阵的维数,并把得到增广后的预测数据作为BP神经网络的输入变量,建立了基于DPCA-BP神经网络的预测模型,给出了模型结构.该模型能有效地去除自变量系统中与因变量无关的数据信息,增加自变量系统中数据的自相关性.算例比较分析表明,所建立模型的模型成分解释性增强,预测精度提高,预测效果优于PCA-BP神经网络方法.     

基于BP神经网络的福州市人口预测模型

根据福州市区1981-2004年的人口统计数据,应用BP-MSM算法,建立福州市区BP神经网络的时间序列预测模型,并与一元线性回归模型、人口自然增长模型、指数函数模型、幂函数模型、马尔萨斯人口增长模型、Logistic人口预测模型的预测结果进行比较,结果表明BP神经网络对人口数量的预测精度更高,效果更好.     

有机废物气化-焚烧处理尾气排放灰色预测模型研究

由于气化焚烧过程NOx 和SO2 产生机理的复杂性,利用动力学方程对其进行预测存在较大的困难,运用灰色理论及方法建立了固体废弃物气化-焚烧两段处理中NOx 、SO2 排放的灰色预测模型.以灰色理论GM(1,1)和GM(2,1)模型为基础,通过不同工况条件下固体废弃物的实验数据用灰色理论建立了相应的模型方程,对所建模型进行了误差检验.计算表明,所建模型的预测结果与实验值比较接近,能够很好地预测固体废弃物气化-焚烧两段处理中NOx 和SO2 排放特性.     

基于灰色Elman-NN模型的粮食产量预测与分析

设计灰色Elman神经网络预测模型,用于陕西地区人均粮食占有量及粮食单产量数据的预测与分析。根据神经网络能有效修正灰色预测模型的思路,设计灰色Elman神经网络预测模型。在对陕西地区人均粮食占有量及粮食单产量数据进行分析的基础上,建立灰色GM(1,1)模型,并利用Elman神经网络对粮食单产量数据预测模型进行残差修正。所设计的Elman-NN组合模型效果及预测精度优于单一的灰色预测模型。组合预测模型可用于农业及粮食产量领域的预测,为政府制定、实施农业经济政策提供科学依据。     

基于BP神经网络的股票价格预测

影响股票价格变动的因素有很多,且股票数据具有高度的非线性和时变性等特征,因而采用经典线性时间序列模型可能无法完全提取非线性部分的信息.针对这一问题,建立了BP神经网络模型、PCA-BP神经网络模型、GA-BP神经网络模型和ARIMA(6,1,6)模型对上证综合指数的收盘价格进行预测.计算各预测模型下的统计指标RMSE和MAE,并对4个模型进行对比分析.结果表明,GA-BP神经网络预测模型与其它三种模型相比具有更小的误差,也就是说GA-BP神经网络预测模型对上证综合指数的收盘价格预测效果更好.     

基于组合模型的电主轴热误差预测

针对数控机床电主轴复杂的热变形机理,建立了基于径向基函数神经网络的组合预测模型预测其变化趋势.根据测量的电主轴热变形数据,分别采用自回归分析模型、灰色系统模型和智能组合预测模型对主轴热误差进行了预测.结果表明:电主轴热误差组合预测模型的预测准确性优于各单项模型,相对预测精度高出较高单项预测模型3％.     

遗传算法优化的神经网络预测团雾

针对国内外研究中现有团雾预测方式中出现的不足,建立了基于遗传算法优化的神经网络预测模型,用以对高速公路团雾的发生进行预测.在利用遗传算法得到BP神经网络的初始权值和阈值基础上,通过神经网络对输入的历史团雾气象数据进行学习训练,建立团雾预测模型.经优化的神经网络模型避免了由于神经网络初始权值、阈值难以确定所造成的网络震荡问题,以及神经网络计算过程中易陷入局部解的问题.实验结果表明,优化后的团雾预测模型具有较高的预测精度,为高速公路团雾的预测提供了新的方法与思路.