基于神经网络的网络安全态势预测模型研究

介绍了网络安全态势预测方法和人工神经网络,然后分别对基于径向基函数神经网络、小波神经网络和Elman神经网络的网络安全态势预测模型及结构组成进行了研究,该方法对网络安全管理员预防网络攻击、维护网络稳定具有重要作用。     

基于小波神经网络的电力负荷预测

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文分析了小波神经网络的特点,建立了电力负荷的小波神经网络预测模型,设计了小波神经网络结构,给出了小波网络参数调节算法。对实际电力负荷预测算例,以及与BP网络的对比研究实验表明,小波神经网络对非平稳信号能进行有效地预测,比BP神经网络具有更高的预测精度。     

基于小波网络的电力系统短期负荷预报研究

本文结合小波和神经网络方法进行电力系统短期负荷预测的通用模型和方法的研究,建立了负荷预报的小波网络模型,确定了有效的算法求解小波函数线性组合的尺度和时延参数以及神经网络的权值。     

一种网络流量预测模型的研究

云计算等概念的出现导致网络规模需求不断增大,网络流量不断增多,如何能够更好地预测网络流量成为了网络研究的热点,本文在网络流量预测中分析了小波-BP神经网络的不足,采用改进的下降梯度法优化BP神经网络,另外通过采用实体编码,适应度函数选择,权重系数提高粒子群算法优化小波-BP神经网络。仿真实验说明本文算法能够有效的提高了网络流量的预测精度,该算法具有广泛的运用前景。     

云计算下的一种网络流量预测算法的研究

为了提高云计算下的网络流量的预测精度,提出了一种基于遗传算法的小波BP神经网络的预测模型。首先针对BP神经网络的不足,引入动量项进行改进,其次,在遗传算法中加入进化操作,提高了算法的整体效率,将改进后的算法与小波函数进行融合,整体优化了BP神经网络的阀值和权值进行优化。仿真实验通过与其他文献算法的比较,说明本文算法具有良好的收敛速度,有效的提高预测的精度。     

基于小波分析和神经网络的金融时间序列预测

以金融时间序列(1990年~2014年上证指数)为研究对象,金融时间序列数据本身带有较大的波动性,有高频和低频的数据情况贯穿于整个时间序列。小波分析对于数据降噪较于传统的降噪方式有着明显的优势,分析对比小波变换在处理两种不同波频情况下的优势和方法。采用其适合小波分析和神经网络相结合的组合模型对其进行分析和预测,其思想是,先将时间序列进行小波分解,得到各级小波变换序列和尺度变换序列。根据不同级小波变换系数的情况,选择合适的神经网络训练函数建立预测模型,得到各级小波变换序列和最后一层尺度序列,运用小波重建技术得出原时间序列的预测值。最后和常规的BP神经网络比较预测效果。     

基于小波神经网络的电力系统负荷预测

文章在介绍神经网络模型构成原理的基础上,针对传统模型在对非线性序列进行预测时速度慢、容易陷入局部次最优的缺点,引入小波作为隐含层的传递函数,构成新的预测模型:小波神经网络预测模型,并分析了小波神经网络在电力负荷预测领域的研究和应用现状。     

多分辨正交多小波神经网络在变形预测中的应用

将多小波与神经网络结合建立了一种新的变形预测方法:多分辨正交多小波神经网络变形预测模型,通过理论分析和变形预测实验表明该方法较单小波神经网络具有更高的精度,更快的速度。     

基于支持向量机回归的土壤有机质含量预测

土壤有机质(Soil Organic Matter, SOM)是土壤肥力的重要指标,其含量变化对表征土壤养分含量高低和预测作物产量具有重要的作用。因此,预测有机质含量变化可以为提前进行土壤有机质积累试验提供理论支持。本文采集长期定位试验点的土壤信息,对比支持向量机预测方法与反向传播(BP)神经网络和径向基函数(RBF)神经网络,结论得出支持向量机模型预测精确度更优。     

基于神经网络算法的钢水脱氧合金化元素收得率预测

首先对神经网络理论进行分析,建立了BP神经网络预测模型,利用MATLAB神经网络工具箱予以求解,求解结果显示预测效果不佳。经过改进算法后,利用小波优化BP神经网络,此优化后网络有较好的对波动数据的处理。小波神经网络结果显示预测准确率在80%以上。讨论构建神经网络算法,以C、Mn两种元素作为例子对其收得率进行预测,并尽可能提高这两种元素收得率的预测准确率。     

基于小波网络的电力系统故障诊断

小波神经网络(Wavelet Neural Network)结合了小波变换及神经网络的优点,是一种基于知识的故障诊断方法,它不需要精确的数学模型,既具有良好的时频局部性质,又有较好的自学习能力和容错能力。本文介绍了小波网络及其在电力系统故障检测中的应用,通过EMTP仿真实验表明,小波网络与传统的人工神经网络相比,具有收敛速度快,鲁棒性强的特点,可以将小波网络应用于电力系统的故障检测。     

Adaptive neural network control for nonstrict-feedback uncertain nonlinear systems with input delay and asymmetric time-varying state constraints

This paper is devoted to adaptive neural network control issue for a class of nonstrict-feedback uncertain systems with input delay and asymmetric time-varying state constraints. State-related external disturbances are involved into the system, and the upper bounds of disturbances are assumed as functions of state variables instead of constants. Additionally, during the approximations of unknown functions by neural networks, the online computation burdens are declined sharply, since the norms of neural network weight vectors are only estimated. In the process of dealing with input delay, an auxiliary function is applied such that the conditions for time delay are more general than the ones in existing literature. A novel adaptive neural network controller is designed by constructing the asymmetric barrier Lyapunov function, which guarantees that the output of system has a good tracking performance and the state variables never violate the asymmetric time-varying constraints. Finally, numerical simulations are presented to verify the proposed adaptive control scheme.     

基于BP神经网络的时延水温控制系统设计

神经网络具有自组织、自学习、自适应的特点,近年来随着计算机技术的发展,为其网络优异的函数逼近性能和分类性能应用于工程提供了硬件基础,神经网络由于其大多结构简单,算法易于理解和使用,有利于工程人员应用解决实际问题。本文介绍了BP神经网络在时延控制对象中的建模,建立了一个基于BP神经网络的预测模型,在Matlab中对几种使用神经网络模型的控制方案进行了研究和比较。     

吉林省2020年CO2排放情景预测

使用中国吉林省1978～2009年人口、GDP和单位GDP能耗数据,采用BP神经网络模型分2种情景预测了吉林省2020年CO2排放量.结果表明,如果以吉林省2005年单位GDP的CO2排放为参照,2种情景下,吉林省2020年单位GDP的CO2排放分别降低55.17％和58.79％;如果以中国2005年平均水平为参照,吉林省2020年单位GDP的CO2排放分别降低35.40％和40.62％.     

基于遗传算法优化RBF网络的预测混沌时间序列

提出用遗传算法优化径向基函数(RBF)神经网络,使其更接近非线性映射和更快的学习收敛速度.然后用改进后的RBF神经网络预测混沌时间序列.实验结果表明,基于RBF网络的混沌时间序列具有很强的拟合能力、误差小、取得更好的效果.     

小波神经网络在土地利用效益分析中的应用——以兰州市为例

随着我国工业化与城镇化进程的加快,土地利用效益作为土地资源利用水平的有效度量标准,其分析对于提高土地资源的优化配置水平具有重要的作用。提高土地利用效益分析水平可以通过改进计算模型的方法来实现。本文探讨将小波神经网络这一改进的人工神经网络模型在土地利用效益分析中进行研究。以兰州市为研究区,在经济效益、社会效益和生态效益3个方面建立了土地利用效益指标体系的基础上,采用小波神经网络模型对兰州市土地利用效益进行评价,并与熵值法、BP神经网络模型进行比较分析。结果表明,小波神经网络的效率性与精确性更高,效果更好,具有较好的适用价值。这为土地利用效益的方法研究提供了一种科学的思路;同时,也为兰州市土地资源优化配置研究提供了一定的参考依据。     

pH值的神经网络多步预测控制算法

ｐＨ值控制过程是一个具有较强非线性、纯滞后的过程,针对ｐＨ值控制系统提出了一种基于神经网络的多步预测控制算法（ＮＭＰＣ）。神经网络用于辨识对象的预测模型,控制算法利用了神经网络的梯度信息。控制效果表明该控制系统具有较好的动态性能和较强的鲁棒性。     

Fixed-time synchronization of memristor-based fuzzy cellular neural network with time-varying delay

This paper mainly investigates the fixed-time synchronization of memristor-based fuzzy cellular neural network (MFCNN) with time-varying delay. By utilizing differential inclusion, set-valued map theory, the definitions of finite-time and fixed-time stability, we convert the fixed-time synchronization control of the drive-response MFCNN into the equivalent fixed-time stability problem of the error system between the drive-response systems. Some novel sufficient conditions are derived to guarantee the fixed-time synchronization of the drive-response MFCNN based on a simple Lyapunov function and a nonlinear feedback controller. Meanwhile, the settling time can be estimated by simple calculations. Furthermore, these fixed-time synchronization criteria here are easy to validate and extend to the MFCNN without time-varying delay and general memristor-based neural networks. Finally, three numerical examples are given to illustrate the correctness of the main results.     

Chaos control of the permanent magnet synchronous motor with time-varying delay by using adaptive sliding mode control based on DSC

This paper focuses on the problem of chaos control for the permanent magnet synchronous motor with chaotic oscillation, unknown dynamics and time-varying delay by using adaptive sliding mode control based on dynamic surface control. To reveal the mechanism of motor system and facilitate controller design, the dynamic behavior of the system is investigated. Nonlinear items of system model, upper bounds of time delays and their derivatives are taken as unknown in the overall process. A RBF neural network with an adaptive law, which eliminates restrictions on accurate model and parameters, is employed to cope with unknown dynamics. In order to solve issues such as chaotic oscillation, ‘explosion of complexity’ of backstepping, and chattering associated with sliding mode control, a sliding mode controller is developed within the framework of dynamic surface control by the hybrid of adaptive technology and RBF neural network. In addition, an appropriate Lyapunov function is employed to demonstrate the system stability. Finally, the feasibility of the proposed scheme is testified by simulation.     

基于改进Elman神经网络的氧化铝浓度控制建模

铝电解过程是一个非常复杂的非线性、时变和大滞后的工业过程体系,因而采用常规的控制方法很难达到良好的控制效果。针对此问题本文提出了采用改进的Elman神经网络对其进行建模,介绍了改进Elman神经网络结构及其学习算法;分析了影响氧化铝浓度的主要因素,并根据实际情况确定了输入层和中间隐层的维数,从而确定了模型的结构。通过对现场采集的数据进行了仿真,仿真结果表明：与常规Elman相比,神经网络收敛速度和稳定性上都有明显提高,得到了令人满意的结果。