采煤工作面瓦斯涌出预测的EMD-Elman方法及应用

为研究采煤工作面瓦斯涌出的时间序列预测方法,针对采煤工作面瓦斯涌出的非线性和非平稳性,基于经验模态分解(EMD)和Elman神经网络的基本原理,建立采煤工作面瓦斯涌出时间序列预测的EMD-Elman方法。首先对采煤工作面瓦斯涌出时序数据进行经验模态分解获得多个本征模态函数(IMF),然后对每个IMF分别建立Elman预测模型,最后将各IMF预测值相加获得预测结果。研究结果表明:应用该方法对某矿2344号工作面绝对瓦斯涌出量预测的相对误差为-0.83%～1.00%,平均绝对相对误差为0.22%;EMD-Elman方法可有效显示采煤工作面瓦斯涌出的波动性、周期性和趋势性等非线性特性,并且能降低瓦斯涌出非平稳性对预测结果的影响,具有较高的预测精度。

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.

基于EMD与Elman神经网络的太阳黑子活动预测

针对太阳黑子时间序列非平稳、混沌及难以预测等特性,建立一种基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的组合预测模型。将太阳黑子时间序列通过经验模态分解方法分解为一些不同时间尺度的本征模函数分量和剩余分量,分别对其构建样本,输入到Elman神经网络进行训练和预测,得到各个分量的预测值,并对这些预测值进行求和,得到最终预测结果。对比仿真结果表明,该模型预测精度较高。

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。

基于数据分解的AQI的CEEMD-Elman神经网络预测研究

针对Elman神经网络在预测空气质量指数(AQI)时易受到数据非平稳性的影响导致预测趋势良好但准确度较低的问题,提出以互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)为基础的CEEMD-Elman模型.应用CEEMD对AQI序列分解成不同时间尺度上的本征模态函数分量和剩余分量,进而首次将对非平稳的AQI序列的预测研究转化为对多个平稳的本征模态函数分量的研究.分别与Elman单一模型、EMD-Elman模型、BP单一模型及CEEMD-BP模型进行实验对比.结果表明:应用该方法建立的模型的均方误差、平均绝对误差和平均绝对百分比误差分别为4.80、0.71、1.84%,均小于其他模型结果;对应空气质量等级预报正确天数的频率为94.12%.该模型能有效的降低非平稳性对实验预测结果的影响,实现对空气质量等级的准确预报;该研究为进一步预测AQI的走向提供了有效依据,也为政府决策和管理部门制定空气污染控制提供了更充分的参考.

EMD与Elman神经网络在风机故障诊断中的应用

采用经验模式分解(EMD)进行信号分解获取IMF后构建特征向量,采用Elman神经网络进行识别,识别率高,具有可行性。

基于相空间重构和误差补偿的风电功率混沌时间序列预测模型

针对风电混沌时间序列在多维空间内展现出的短期可预测性,本文提出将误差补偿思想与相空间重构理论结合,将误差补偿模型推广至多维空间。由于风电实测数据同时包含线性特征与非线性特征,使用向量自回归模型和Elman神经网络模型分别对多维空间内的风电混沌时间序列的线性特征与非线性特征进行预测,并将两者的结果相加得到最后的预测值。对我国某风电场实测数据的建模仿真结果表明,本文所提方法较单一线性建模和单一非线性建模方法更优,具有更高的预测精度。

装甲车辆电源系统整流装置故障诊断方法

针对装甲车辆电源系统整流装置内部二极管的开路和短路故障,提出一种基于快速傅立叶变换(FFT)和Elman神经网络的诊断方法。在主电路结构基础上,通过增加外围测试电路的硬件设计方案,获取两路测试信号;对测试信号进行FFT运算,提取基波频率1次～6次谐波分量所占直流分量百分比为故障特征量,借助Elman神经网络的模式识别功能,实现整流装置故障诊断及模式分类。结合装甲车辆电源系统数学模型,基于仿真结果,构建了整流诊断装置诊断模型,开发了整流装置故障诊断系统,应用结果验证了该方法的有效性。

特征识别—反馈型神经网络设计

构造一个Elman反馈神经网络来进行模式识别,给出了所构造的Elman反馈神经网络的结构,它相对于BP网络的优势在于它能在有限时间内以任意精度逼近任意函数,在错误概率最小的条件下,使识别的结果尽量与客观事物相符。对二者的识别错误率进行比较,结果表明,反馈神经网络在模式识别的稳定性及真实性上有着BP网络所无法比拟的优势。对如何提高反馈神经网络的辨识精度做了一些探讨。

基于小波包变换的肌电信号特征提取

本文提出一种新的基于小波包变换的特征提取方法,提取表面肌电信号进行小波包变换后得到的信号的协方差矩阵的特征值的最大值作为特征值。利用该方法对表面肌电信号提取特征值构建特征矢量,送入Elman神经网络对手部6种动作模式进行识别,在Matlab平台上进行实验仿真。实验结果表明,该方法取得了很好的识别效果。

燃料电池空气供给系统控制参数的预测及仿真

空气供给系统对质子交换膜燃料电池的性能有很大影响。用Elman动态回归神经网络建立了质子交换膜燃料电池空气供给系统控制参数的预测模型,根据质子交换膜燃料电池输出参数的变化,预测其空气供给系统控制参数的变化趋势。并对经过训练的Elman神经网络预测模型进行测试,动态地模拟燃料电池空气供给系统控制参数的变化轨迹。测试结果表明,该模型对空气供给系统控制参数具有较好的预测能力,为质子交换膜燃料电池系统的前馈控制奠定了基础。