基于Elman神经网络城市供水管网漏损预测模型研究

管道漏子的发生情况是进行漏损控制的基础,为了对管道漏子数进行有效预测,提出了一种基于Elman神经网络预测方法,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点.文中分别采用Elman神经网络、BP神经网络和RBF神经网络对某城市外环线DN300管道漏子发生数时间序列进行仿真预测,经比较,证明前者具有收敛速度快、预测精度高的特点,表明利用Elman回归神经网络建模对管道漏子数进行预测是可行的,能为管网维护,管道更新提供有效依据.     

基于Elman神经网络的空调负荷预测研究

为了更准确对空调系统负荷进行预测,文章在介绍Elman神经网络原理的基础上,对应用在处理动态数据模型上具有优越性的Elman回归型神经网络建立负荷预测模型,讨论了负荷预测模型中隐层神经元数目的选取,并对空调负荷值进行预测.同时也对静态前馈型BP神经网络进行建模和预测,比较两种预测结果,分析其误差,证明了Elman网络在动态预测实验中与BP网络相比较的优势.     

基于EEMD和改进Elman神经网络的电力电缆故障监测及预警算法研究

针对电力电缆故障的关键因素在于电缆分接头的温升。本文提出采用总体平均经验模态分解EEMD和改进Elman神经网络的方法对非线性电力电缆接头温度时间序列进行预测的方式达到预警电力电缆故障的目的。首先,采用光纤光栅传感器来监测电缆接头温度,得到样本序列。为避免模态混叠,采用EEMD对电力电缆接头温度序列进行预处理。预处理后的温度序列为一系列彼此独立的本征模函数分量,外加一个残余分量。为提高Elman神经网络的预测精度,在预测前利用相空间重构法对分解后的序列进行重构计算。在对重构序列数据进行归一化后利用Elman神经网络进行下一周期内的温度预测。实际预测结果表明,本文算法具有较高的拟合精度,适应性较好,可以推广应用至实际电力电缆故障的监测和预警系统。     

基于Elman神经网络的时间序列股票价格短期预测

Elman神经网络是一种典型的回归神经网络,比BP神经网络具有更强的计算和适应时变特性的能力,因而非常适用于预测股市这一类极其复杂的非线性动力学系统。文章给出一种基于Elman神经网络的股票市场建模、预测及决策方法,对浦发银行股价在时间序列上作了连续若干天的短期预测,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

一种基于 Inception 结构的神经网络协同过滤推荐算法

在商品推荐领域,商品评论信息往往难以得到有效利用。为了充分利用商品评论信息,提高商品推荐系统精度,对 NCF 神经网络协同过滤模型进行改进,将 NCF 模型与 Inception 结构的卷积神经网络相结合,提出基于 Inception 结构的神经网络协同过滤方法（NCF-i 模型）,将商品评论信息融入模型进行预测和推荐。首先基于 Inception 结构的卷积神经网络对商品评论信息进行分析并提取多元特征模型,然后将多元特征模型添加到 NCF 模型中,通过多层全连接层获取用户、商品及商品评论之间的非线性关系,最后基于此非线性关系对商品进行预测和推荐。通过基于真实数据集的实验证明,应用 NCF-i 模型的推荐算法,推荐系统的预测精度和稳定性均优于当前常用的推荐模型。     

利用神经网络进行人手动作表面肌电信号的识别研究

为了更好地识别人手动作的肌电信号,采用基于小波包分解与主成分分析结合的特征提取方法,并利用粒子群优化Elman神经网络的模式分类方法。选择"db"系小波对肌电信号进行多尺度分解,并结合主成分分析法,选用累计贡献率大于98.6%的十个主成分作为特征向量,输入优化神经网络进行网络训练,实现对人手抓取动作的模式识别。实验结果表明,与传统神经网络仿真结果对比,采用粒子群算法优化Elman神经网络不仅能提高系统稳定性问题,而且能提高人手动作分类识别率,验证了该方法是一种可行的人手动作分类识别方法。     

基于PSO优化的灰色神经网络预测算法的研究

由于灰色神经网络随机初始化网络的参数在使用灰色神经网络预测模型时,经常会出现在进化过程中陷入局部最优值和预测精度较低等问题.因此,提出采用粒子群优化(PSO)算法优化灰色神经网络的初始参数,建立了基于粒子群优化灰色神经网络的预测模型.使得在预测性能的稳定性上,明显优于单纯使用灰色神经网络模型.通过实验,对比分析了BP神经网络、灰色神经网络和PSO优化的灰色神经网络三种预测模型,结果验证了所提模型的有效性,从而进一步提高了灰色神经网络预测模型的精确度.     

Elman神经网络在选煤厂配煤中的应用

配煤是选煤厂改善和稳定煤质的重要方法。在选煤厂配煤中,配煤煤质的准确预测是至关重要的,由于配煤的多种煤质指标与各组分的单煤种之间并非简单的加权关系,而是具有复杂的非线性关系。根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,采用Elman神经网络建立配煤煤质的预测模型。结果表明,Elman神经网络能够实现配煤煤质的预测,在实际工作中具有一定参考价值和指导意义。     

独立学院实验教学评价的Elman神经网络模型

通过对高校实验教学评价现状的研究,在分析独立学院实验教学质量影响因素的基础上,构建实验教学质量评价指标体系,介绍Elman神经网络的结构和学习过程。将Elman神经网络运用到独立学院实验教学评价活动中,把实验教学评价指标量化成确定的数据作为其输入,实验教学质量水平作为输出,对模型的实用性和可操作性进行了验证,并提出了改进独立学院实验教学质量的具体措施。     

融合Elman神经网络与EMD的交通拥堵指数预测

为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。     

基于 WOA-GRU 的销售预测研究

防晒用品属于快速消费品,其销售情况受季节变动影响,具有非线性特征。人工神经网络强大的学习能力使其在销售量预测领域显示出非线性预测的应用优势。作为新兴智能算法,鲸鱼群算法具有快速收敛、全局优化等特点。为精准预测上海某化妆品公司防晒产品销量,基于鲸鱼算法,构建优化网络权值的门控循环神经网络模型。实验结果表明,经鲸鱼算法优化后的门控循环神经网络训练相对误差比优化前降低 0.6 个百分点,测试相对误差比优化前降低约 2 个百分点。     

融合Markov与BP神经网络的纯电动汽车销售量预测研究

随着纯电动汽车市场的不断扩大,对销售量的精确预测成为人们当前关注的热点。提取影响销售量的7个关键因素以及2017~2019年9月的纯电动汽车销售量,首先利用BP神经网络模型对33个月的数据进行测试,并用训练好的模型预测2019年1~9月销售量,再利用马尔科夫（Markov）模型将BP神经网络模型预测的相对误差划分为6种状态,对预测结果进行修正。通过对BP神经网络模型与Markov-BP神经网络模型预测结果进行对比检验,发现Markov-BP神经网络的预测准确度更高,表明采用Markov-BP神经网络模型对纯电动汽车月度销售量进行预测具有一定现实意义。     

深度学习法在收入预测问题中的应用

为了提升电信行业收入预测问题准确率,建立基于循环神经网络和长短时记忆网络相结合的收入预测模型。首先对数据作预处理,然后建立卷积层进行核心预测算法优化,再通过训练寻找最优参数,并将其应用于电信运营商收入预测。实验结果表明,该模型可以预测出未来一个月或者几个月的收入增减变化趋势,预测准确率比传统方法提高20%,算法收敛性也提高约15%。该模型预测结果对于电信行业制定营销方案具有较好指导作用。     

基于组合神经网络模型的新冠疫情传播预测分析

在全球抗击新型冠状病毒肺炎（COVID-19）疫情的过程中,合理的疫情传播预测对于疫情防控有重要参考意义。为了对病毒传播进行合理预测,针对传统疫情传播预测模型存在的不足,提出一种组合式神经网络的疫情传播预测模型,并将其应用于湖北省1月29日-3月15日每日新增确诊人数预测及湖北省每日累计确诊人数预测。预测结果分析显示,该神经网络预测模型预测结果可靠有效。模型性能分析结果表明,组合式神经网络预测模型平均相对误差（MRE）不超过0.16,均方误差（MSE）不超过0.1,均方根误差（RMSE）为0.262 9,性能明显优于其它几种神经网络预测模型。基于武汉市与广东省疫情传播预测的实证结果显示模型具有较好的适用性及准确性。     

基于时域卷积与双向GRU神经网络的时序预测模型

随着物联网技术和5G技术的发展,各类智能设备收集的时序数据规模急剧增长,为了利用深度学习技术对大规模时序数据进行预测,提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理,然后利用双向GRU神经网络层提取时序数据的前向特征和后向特征,最后对时序数据进行预测。在真实数据集上的实验结果表明,该模型相比传统长短期记忆网络模型,预测准确度提高了近70%,预测速度提高了近10%,可更好地满足对大规模时序数据的预测需求。     

基于PSO的LSTM神经网络门诊量预测研究

研究基于粒子群优化算法的长短期记忆神经网络模型构建方法及其在医院门诊管理中的应用,选取三甲医院中医慢病相关科室门诊量历史记录数据,构建基于长短期记忆神经网络的门诊量预测模型,借助粒子群优化算法对长短期记忆网络进行参数优化,并使用优化后的模型对门诊量进行预测。月度门诊量预测结果表明,经过粒子群优化的长短期记忆神经网络模型在测试集上的预测误差RMSE,相比未优化的模型减小了48.5%。粒子群优化算法能高效地优化预测模型,可使模型较好地预测出门诊量变化趋势,从而为医务人员门诊管理工作提供决策支持。