带正弦函数扰动的小波混沌神经网络研究

对小波混沌神经网络的内部状态进行改进,引入了三角函数扰动,提出了一种新型的带三角函数扰动的小波混沌神经网络模型,并把它应用到函数优化和组合优化问题中.仿真结果表明,在控制适当的扰动系数时,带三角函数扰动的小波混沌神经网络能有效地解决函数优化问题和组合优化问题,体现了小波混沌神经网络有很强的鲁棒性和抗干扰能力.

基于VMD-ISSA-LSTM的短时交通流预测研究

针对城市短时交通流随机波动性强、可靠性低、预测精度差等问题,将变分模态分解(VariationalMode Decomposition,VMD)和改进麻雀搜索算法(ImproveSparrowSearchAlgorithm,ISSA)与长短期记忆(LongShort-Term Memory, LSTM)神经网络相结合,建立一种短时交通流预测模型(VMD-ISSA-LSTM)。首先利用VMD对历史原始交通流数据进行分解;然后采用佳点集、正弦函数扰动和Tent混沌映射等策略对标准的SSA算法加以改进,增强ISSA算法的寻优能力;最后,将每个分量送入ISSA-LSTM中进行预测,同时将预测结果线性叠加,得到交通流量预测值。以上海市中山北路-曹杨路口2018年11月1日—30日的历史交通数据对模型进行验证。结果表明,与LSTM、VMD-LSTM、VMD-SSA-LSTM等传统预测模型相比,VMD-ISSA-LSTM模型的预测结果的平均绝对百分比误差为1.278 4%,能够更好地应用于短时交通流预测中。