基于遗传退火算法进化神经网络的水位预测

为获得更准确的预测结果及更优良的预测性能,本文提出了一个新模型.该模型将遗传算法和退火相结合并进化BP神经网络,称为GASANN模型.通过预测中国广西柳江年水位数据,将新模型的性能与加权移动平均(WMA)、逐步回归(SR)以及自回归移动平均(ARIMA)进行比较,结果显示新模型性能优于其他模型.因此,该非线性模型可作为获取准确水位预测及改善水位预测性能的可选模型之一.     

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。     

矿井瓦斯涌出量的遗传神经网络预测研究

矿井瓦斯涌出系统是非线性变化的复杂系统,传统的瓦斯涌出量预测方法存在一定的局限性。根据改进遗传算法（IGA）和BP算法的特点,将两者结合起来,利用改进遗传算法优化BP网络权重和阈值,形成IGA-BP混合算法,用于对矿井瓦斯涌出量进行科学预测。检验结果表明,基于IGA-BP混合算法的遗传神经网络模型可靠,预测精度高,效果良好。     

基于循环神经网络的金融数据预测系统

金融预测旨在对金融历史数据进行分析,构建预测模型,并对未来数据走势作出预测。系统创新性地将最新的深度学习成果与金融预测相结合,提出使用循环神经网络预测金融数据变化的方法。首先介绍了近几年人工智能的突破性成果,以RNN相关技术为基础对系统进行设计,然后通过实验组展示系统预测效果,并对系统获得的结果数据,使用深度学习相关评估算法评估其预测准确性。实验评估结果表明,使用循环神经网络学习与分析历史数据,并将其模型用于预测未来金融数据走势的方案具有较高的可靠性与准确性。因此,深度学习在金融预测领域具有较大发展潜力。     

BP神经网络在数据预测中的应用

数据预测是在分析现有数据的基础上来估算推测未来数据的过程。首先介绍了预测的重要性及常用方法,接着介绍了BP神经网络的原理以及结构,最后进行了BP网络预测方法应用,并在Matlab中进行了仿真。经实验验证,该方法可以获得较好的预测效果。     

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。     

基于NWP和改进神经网络的短时风电功率预测研究

风电场功率预测对电力系统稳定运行起着决定性作用。首先对传统BP神经网络进行改进,以某一风电场获取的2月1日-10日的天气预报(NWP)数据和功率数据作为改进后BP神经网络的训练数据,对神经网络进行训练;其次以2月11号3小时的数值天气预报数据作为改进后BP神经网络的输入数据,对未来3小时的输出功率进行预测。预测过程和结果显示,改进后的BP神经网络在满足低预测误差的同时,能够提高BP神经网络的稳定性和收敛速度。     

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。     

基于递阶遗传算法的神经网络预测控制(英文)

针对具有时延非线性系统提出一种神经网络预测控制．相应的预测模型通过递阶遗传算法离线训练数据并实时多步递推得到;性能函数中引入模型误差校正以克服模型失配及干扰等对系统造成的影响．仿真结果表明该系统具有良好动态响应及鲁棒性．     

一种基于RBF的时序缺失数据修复方法

提出了一种基于RBF的时序缺失数据修复方法,利用RBF构建模板数据和当前存在缺失的数据之间的训练关系,并通过该训练关系修复缺失数据．实验表明,该方法能够应用于刚性体以及非刚形体运动或形变追踪,是一种有效的时序缺失数据修复方法．     

基于改进遗传算法进化神经网络

本文提出一种新颖的基于实数编码的改进遗传算法用于前馈神经网络的训练 ,进而实现对非线性系统预测 .该改进遗传算法采用基于代沟最小的代选择模型 ,选用BLX α混合交叉算子 .与经典的基于二进制编码的遗传算法相比较 ,该算法不需要编码和解码 ,所以计算速度快 ;且不需要根据经验设置交叉和变异概率 ,因而算法简单、鲁棒性强、优化效率高 .同时给出了应用该算法对前馈神经网络进化时的计算流程 .仿真结果证实该方法对非线性系统进行预测是快速有效的     

非线性视角下物联网社区时序预测研究

物联网技术社区时序数据建模是世界各国学者研究的新型热点课题．本研究对非线性物联网技术社区时序数据预测神经网络中存在的几个瓶颈进行分析探讨．提出基于人工神经网络非线性视角下物联网技术社区时序数据预测中的应用研究来优化预测神经网络环境下的瓶颈．并且通过人工神经网络社区数据的仿真实验表明该算法的高效性和实用性．     

基于双流卷积神经网络的时序动作定位

为提高三维卷积神经网络对时序动作定位的识别效率和准确率,提出一种基于双流卷积神经网络的多阶段时序动作定位模型。该模型首先运用多尺度分割生成视频段,然后依次通过建议网络选择建议区域、分类网络作为定位网络的初始化,最后通过定位网络和非极大值抑制识别动作类别和动作起止时间。其中,建议网络、分类网络、定位网络使用稀疏采样的时序分割网络进行训练。实验证明,该模型可以有效进行时序动作定位,比目前较好的 S-CNN 网络获得了更好效果。     

遗传算法优化BP神经网络预测股指研究

股票价格受众多不确定性因素影响。为更精准地预测股票指数,首先利用具有良好非线性寻优能力的遗传算法优化BP网络初始权值阈值设置,然后构建一个以开盘价、最高价、最低价、收盘价、成交量、收盘价近5日移动平均线MA等6个输入变量、以下一天6个变量为输出变量的股指预测模型。对观察期内上证综指实证研究表明,经遗传算法优化后的BP 网络对股票指数预测平均误差为0.1%,其中成交量预测值比单纯BP神经网络算法误差减少0.71%,同时收敛速度得到提高。     

一个遗传神经网络预测模型

BP算法是人工神经网络研究的一个常用方法，但从本质上说是属于局部寻优法，容易陷入局部极小点，且存在着学习速度与精度之间的矛盾；遗传算法是一种全局优化算法，具有并行计算能力．本文采用遗传算法来训练前向神经网络，建立一个基于遗传算法和BP算法的神经网络预测模型．试验结果表明它是一个成功较高的预测模型．     

基于BP神经网络的芜湖市社会用电量预测研究

为通过社会用电量分析来反应经济状况,文章采用BP神经网络算法,首先对芜湖市近几年的社会用电量进行分析,再通过Matlab神经网络工具箱构建预测—时间序列模型,最后根据需求获得相应的预测数据。仿真试验表明,该模型找到一条函数曲线很好地拟合已知数据,同时顺利地预测未知数据,所提算法达到预期的效果。     

基于BP神经网络的太阳能收集功率预测研究

在太阳能收集应用系统中,能量收集预测模块是进行合理的任务调度分配和系统平稳运行的重要保证。提出了基于BP神经网络的太阳能收集功率预测方法,优化了算法的参数选择,确定了算法预测性能指标。在真实太阳能收集功率数据集上对提出的算法进行了性能分析,验证了算法参数选择的正确性;与现有其它数据预测算法进行了一系列预测对比实验。实验结果表明,该预测算法具有良好的性能,在各算法预测性能指标上均具有一定优势。     

基于HBase的金融时序数据存储系统

设计并实现了1个基于HBase的金融时序数据的存储系统。设计了基于金融时序数据的HBase预分区策略,可解决HBase存储热点的问题;采用了行键优化策略和基于时序数据的表设计策略,可解决数据存储分散的问题;使用了提供异步处理机制的事件驱动的Netty框架所编写的中间件接收采集器发送的请求,可解决高并发事务的处理问题。实验结果表明,与HBase原生方法相比,该系统的性能在处理高并发事务时更好。     

基于遗传神经网络的水电机组故障诊断模型

将遗传神经网络引入水电机组的故障诊断中,建立基于遗传神经网络的水电机组故障诊断模型,通过Matlab的相关工具箱进行仿真.结果表明遗传神经网络诊断的正确性高于BP网络.     

基于神经网络的电力负荷预测系统设计

应用RBF(Radial Basis Function, 径向基函数)人工神经网络进行电力系统短期负荷预测.考虑了天气、经济、节假日等因素对电网负荷的影响,将负荷按照每周各日分类,共七种模式,学习样本选取每周中的相同类型日.在预测前还对原始数据中的伪数据进行剔除,提高了预测的精确度.利用从湖南省双峰电力局收集到的负荷数据进行网络模型的训练,所得结果表明了RBF网络对于负荷预测是有效性的.