基于混沌时间序列的模糊神经网络预测研究

为研究混沌时间序列预测问题,提出了一种结合模糊神经网络的预测方法,对输入数据进行模糊规则提取,再经过优化得到最佳模糊规则库。通过神经网络的自适应学习能力调整隶属函数参数及网络权值等信息,对相关混沌时间序列进行预测。对Mackey-Glass系统及Lorenz系统进行仿真实验,结果证明了该系统的有效性。     

基于模糊神经网络的电梯群控调度算法

为了提高电梯的运行效率,降低能耗,设计了一种基于模糊神经网络的电梯群控调度算法,算法利用模糊逻辑处理群控系统的输入数据,实现输入数据的归一化,利用神经网络的并行计算能力综合优化系统评价参数。采集了样本数据并对该算法进行了仿真测试,仿真结果验证了该算法的有效性。     

基于BP神经网络的公路客运量和货运量预测方法研究

公路客运量和货运量预测是一个复杂的非线性问题,由于影响因素较多,难以用普通的数学方法建模,而建立BP神经网络可以表达这些非线性问题。根据公路客运量货运量历史数据及其相关影响因素数据建立了BP神经网络预测模型。利用实际数据确定网络输入与输出样本,对BP神经网络预测系统进行训练和预测。通过对网络输出预测结果与实际数据的分析,验证了BP神经网络预测系统的精确性和方便性,提高了公路客运货运预测的精确性。     

基于PLC的模糊神经网络控制系统的研究

本文对活性白灰回转窑生产线进行了PLC系统配置,分析了T-S模型的模糊神经网络的结构,进一步分析了模糊神经网络的学习算法,给出模糊神经网络PID的结构和设计方法,并对该系统进行了仿真,证明该系统具有良好抗干扰和跟随能力。     

动态补偿模糊神经网络在煤矸识别中的应用

针对传统人工煤矸在线识别方法精确度低、劳动强度大的问题,提出一种基于动态补偿模糊神经网络的煤矸识别方法。该方法基于煤和煤矸石的元素含量不同、X射线的衰减不同,在X射线透射后成像具有不同的图像特征,用动态补偿模糊神经网络学习算法对其图像特征进行分析,提高识别准确率,并通过仿真实验对应用动态补偿模糊神经网络学习算法的煤矸分选结果进行了测试验证。实验结果表明:动态补偿模糊神经网络的学习算法能够满足煤矸识别要求,能够适应不同组成的煤和煤矸石的分类识别要求,提高了煤与煤矸石识别的准确率,具有较高的可靠性和较好的应用前景。     

基于RBF神经网络的时延预测模型与仿真

网络控制系统中时延普遍存在,时延的有效预测对控制系统非常重要。为准确对时延进行预测,文章建立一个基于RBF神经网络的时延预测模型,运用Matlab软件对该模型进行仿真,采用归一化的方法对用于测试的数据集进行预处理,利用这些处理过的数据集对该仿真模型进行训练和测试,结果证明RBF神经网络能很好的预测网络时延。     

一种基于RBF神经网络的遥测数据中长期预测方法

遥测数据能够反映卫星在轨运行过程中的性能和状态,针对卫星遥测数据变化趋势不易判断这一问题,提出了基于RBF神经网络预测模型对遥测数据进行中长期趋势预测的思想。仿真实验结果分析表明,该方法预测精度高,符合卫星遥测数据中长期预测要求,能够对卫星遥测数据中长期趋势起到提前预报作用,为指挥人员与控制中心进行实时决策提供科学依据。     

工件表面粗糙度预测实验系统的研制

使用模糊自适应BP算法建立影响表面粗糙度参数与工件表面粗糙度之间的关系模型,依据给定的数据样本对模型进行训练,将训练好的网络进行实际的表面粗糙度预测.采用VB和Matlab语言相结合的方法建立一种实验系统,实现了数据采集和神经网络预测功能.实验结果表明,基于模糊自适应BP算法的工件表面粗糙度预测有一定的准确度.     

改进LSTM的脱轨系数预测方法

研究基于长短时记忆神经网络模型的优化方法及其在脱轨系数预测中的应用,通过SIMPACK建立列车—轨道仿真场景得到网络训练所需数据集,构建基于长短时记忆神经网络的脱轨系数预测模型,借助动态学习率和Dropout方法针对学习率及网络结构进行优化,并使用优化后的长短时记忆神经网络对脱轨系数进行预测.脱轨系数预测结果表明,经过...     

一种基于RBF神经网络的遥测数据中长糍预测方法

遥测数据能够反映卫星在轨运行过程中的性能和状态,针对卫星遥测数据变化趋势不易判断这一问题．提出了基于RBF神经网络预测模型对遥测数据进行中长期趋势预测的思想。仿真实验结果分析表明,该方法预测精度高,符合卫星,遥测数据中长期预测要求,能够对卫星遥测数据中长期趋势起到提前预报作用,为指挥J,-~i与控制中心进行实时决策提供科学依据。     

基于人工神经网络的玉米价格短期预测研究

为获得更精确预测粮食价格的方法,引入了人工神经网络预测法,建立了一种改进的人工神经网络模型,并通过该模型自学习的特性对已获得粮食价格时间序列数据的波动规律与发展趋势实现记忆性的学习,最终预测出未来价格.结果表明：人工神经网络模型在预测价格问题上具有很高的精度;其方法不仅可行,而且适用性强,预测结果客观、合理,具有一定的研究价值和较好的应用前景.     

基于Elman神经网络的商品销售额建模及预测

为提高预测精度,采用Elman神经网络对商品销售额进行预测.在分析样本数据特性基础上,采用Elman神经网络对商品销售额的预测进行建模,通过实例验证模型的有效性并对比分析BP神经网络的预测效果.研究结果表明,基于Elman神经网络的商品销售额预测能够较好地反映商品销售额的变化趋势且提高了预测精度,验证了该方法在商品销售额预测中的可行性.     

基于数据挖掘的网络流量预测研究

为提高网络流量预测的效率和准确性,提出基于数据挖掘的网络流量动态预测方法。在对网络流量数据进行相空重构的基础上,采用基于神经网络的数据挖掘方法实现流量动态预测。实验表明：这种方法有较好的预测精度,为网络性能异常的预警行为研究奠定良好的基础。     

用人工神经网络预测时用水量的方法

根据城市时段用水量序列季节性、趋势性及随机扰动性的特点 ,利用人工神经网络方法 ,建立了时间水量短期预报模型 .选取不同的隐层结点数 ,采用相同的输入样本及预测数据进行训练和预测 ,并通过比较其相对误差的大小 ,确定了神经网络的结构 ,并应用 Matlab语言进行了具体的建模和预报 .实例考核证明 ,该方法与常用的时间序列三角函数分析法相比 ,具有预测误差小、计算速度快等特点 ,可满足供水系统调度运行的实际需要     

基于云模型与神经网络的网络态势分析

通过引入云模型对输入信息进行模糊化处理,结合神经网络的非线性学习能力,提出一种基于云模型和神经网络的模糊分析模型CNN。在此基础上,引入遗传算法和粒子群优化算法,对连接权和阈值进行训练,构造出GA-CNN与PSO-CNN两个模型。由于神经网络具有在海量数据中提取隐藏规律的能力,而遗传算法与粒子群优化算法具有全局搜索的优点,因此可使所求问题以较大概率收敛到全局最优解或次优解。实验结果表明,该模型具有较高的检测率和较低的误检率,能够较好地实现对网络安全状态进行分析的目的。     

两种用于城市用水量预测的灰色-神经网络组合模型

为了提高灰色GM(1,1)模型在城市用水量预测中的精度,结合BP神经网络的优点,给出了两种灰色-神经网络组合模型GM-BP1和GM-BP2.模型1利用神经网络对GM(1,1)模型的误差序列进行回归训练,将得到的预测值作为原始误差的修正来减小误差;而模型2由部分数据建立了GM(1,1)模型组,通过神经网络训练得到部分数据GM(1,1)模型组与真实值之间的非线性映射关系,利用这种精准的映射关系来提高预测精度.最后实际算例表明了所给方法是有效的,该组合模型可用于城市用水量的中长期预测.     

自适应动态入侵检测模型的研究

提出了将模糊控制和神经网络用于入侵检测的新方案．在该模型中神经网络训练模块可以不断地从模糊控制模块中获得攻击数据信息和正常数据信息,并根据这些信息进行自适应调整,更新权值和阈值,使整个智能入侵检测过程完全成为一个在实际应用中动态自适应的过程．实验结果表明．这种方案具有很高的准确检测率,对检测未知攻击具有较好的性能．     

集装箱量预测的BP神经网络方法

介绍了BP神经网络的基本理论 ,建立了集装箱运量时间序列的BP神经网络预测模型。并将此模型应用于上海港集装箱运量的预测。结果表明 ,与传统的预测方法相比 ,该方法具有较好的非线性自适应能力和预测精度     

电力市场价格的模糊建模预测

本文提出了模糊建模技术实现电力市场价格（market clearing price，MCP）短期预测的方法。该方法运用具有散射划分结构的Takagi—Sugeno-Kang（TSK）模糊模型，详细地介绍了辨识这种TSK模型结构的改进算法。特别地，由于这种结构辨识算法计算简单，划分准确，我们可设置良好的初始参数，加快建立MCP预测模糊模型的速度。用过去的MCP实际数据建模并测试TSK模型，所得到的结果是正确有效的。     

基于改进BP神经网络的供热负荷预测模型

为在自然环境条件下对供热负荷进行较为准确的预测,分析了对供热负荷产生影响的自然因素,利用回归分析法建立负荷预测模型。在误差较大情况下提出利用神经网络法建模,采用差分进化算法对神经网络的阈值和权值进行优化。使用经过优化的神经网络进行负荷预测,在MATLAB环境下进行仿真。仿真结果表明,采用该方法可得到更为准确的供热负荷预测模型,对供热站节能运行有一定意义。