基于对角Elman神经网络的失业预测模型

本文通过对角 Elman神经网络来挖掘我国失业规律 ,建立失业模型 ,并预测我国的失业形势 .结果表明 。

基于IWOA-SA-Elman神经网络的短期风电功率预测

由于风力发电的随机性和不确定性使其短期功率的预测工作十分困难,而神经网络模型依靠其强大的自学习能力在风电功率预测领域有着广泛的应用。但神经网络预测精度受初始权重影响较大,且易出现过拟合的问题。为此构建一种基于改进鲸鱼算法和模拟退火组合优化的Elman神经网络短期风电功率预测模型,模型首先利用改进鲸鱼算法结合模拟退火策略获得高质量神经网络初始权值,接着引入正则化损失函数防止其过拟合,最后以西班牙瓦伦西亚某风电场陆上短期风电功率为研究对象,将该算法与BP、LSTM、Elman、WOA-Elman、IWOA-Elman 5种神经网络算法进行算法性能测试对比,结果表明IWOA-SA-Elman神经网络模型预测误差最小,验证了该算法的合理性和有效性。

基于改进SFLA-Elman神经网络的电离层杂波抑制方法

针对高频地波雷达目标检测中电离层杂波的干扰问题,提出了一种基于改进混合蛙跳算法优化Elman神经网络预测抑制电离层杂波的策略。为解决混合蛙跳算法初始种群分布不均匀、收敛精度低、易陷于局部极值等问题,引入Cubic混沌映射、莱维飞行策略、非线性平衡因子和复制操作,增强种群多样性,提高算法搜索能力。利用改进后的算法和其他算法分别优化Elman神经网络预测抑制模型,结果表明,改进后的算法无论是在收敛精度和稳定性上,还是在临近距离单元电离层杂波的预测抑制上,都取得了显著的提升。在基本保留目标信号的基础上,平均信杂比较原始回波提升18.52 dB,较原始混合蛙跳算法提升1.08 dB,对于电离层杂波的抑制具有较高应用价值。

基于PSO-Elman神经网络的井底风温预测模型

目前井下风温预测大多采用BP神经网络,但其预测精度受学习样本数量的影响,且容易陷入局部最优,Elman神经网络具备局部记忆能力,提高了网络的稳定性和动态适应能力,但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题,采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化,建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、入风温度、地面大气压力和井筒深度是井底风温的主要影响因素,因此将其作为模型的输入数据,模型的输出数据为井底风温。在相同样本数据集下的实验结果表明:Elman模型迭代90次后收敛,PSO-Elman模型迭代41次后收敛,说明PSO-Elman模型收敛速度更快;与BP神经网络模型、支持向量回归模型和Elman模型相比,PSO-Elman模型的预测误差较低,平均绝对误差、均方误差(MSE)、平均绝对百分比误差分别为0.376 0℃,0.278 3,1.95%,决定系数R^(2)为0.992 4,非常接近1,表明预测模型具有良好的预测效果。实例验证结果表明,PSO-Elman模型的相对误差范围为-4.69%~1.27%,绝对误差范围为-1.06~0.29℃,MSE为0.26,整体预测精度可满足井下实际需要。

基于RSSR融合RNGO-Elman神经网络的室内可见光定位

针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGOElman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。

短期光伏功率模糊Elman-DIOC神经网络预测分析

为了提高短期光伏功率预测效率,设计了一种基于Elman神经网络的短期光伏功率预测方法。在确定网络结构与各项参数的基础上实现准确预测,该方法受到训练后表现出很高的准确率和合理性。研究结果表明:类簇数据表达到了较大相似度,类簇间数据表现出了明显差异特征。采用优化方法开展发电功率预测,建立预测值和实测值的关系,预测日达到了与实测值相近的预测结果,采用优化聚类算法获得了更精确预测结果。通过该算法优化后,预测误差均值明显下降,IMSE均值下降幅度约80%,获得更有效的聚类结果,采用优化聚类处理可以促进短期预测精度的有效提升。该研究可以拓宽到其它的同类领域中,具有很好的实际推广价值。

基于K-Means^(++)和Elman神经网络的低压台区线损计算方法

为了解决低压台区线损计算在理论上因线路复杂、用户众多以及数据获取困难等带来计算难度与精度不足的问题,提出了一种结合改进K-Means^(++)算法与Elman神经网络的创新计算方法。深入分析了低压台区线损的决定因素,并依据相关性分析构建了线损的关键特征指标集。采纳主成分分析方法实施数据降维,简化数据结构。通过改进的K-Means^(++)算法对数据集进行有效聚类,优化模型训练过程。同时,整合粒子群优化算法进一步提升Elman神经网络的性能。通过对实际数据进行仿真验证,结果证实所提出的方法在训练效率和计算精度方面表现优异。

基于改进Elman神经网络的CFRP补强钢板界面脱粘预测研究

针对碳纤维复合材料(carbon fiber reinforced polymer, CFRP)补强钢结构出现内部界面脱粘损伤后难以观测的问题,结合Lamb波检测方法和神经网络提出了一种界面脱粘预测方法。搭建了基于Lamb波的CFRP补强钢板信号分析试验平台,利用ABAQUS软件建立了CFRP补强钢板的机电耦合有限元模型,并通过试验验证了有限元模型的准确性。将长方形和圆形两种脱粘形状的信号在时域和频域内进行分析,基于自适应遗传算法改进的Elman神经网络建立了CFRP补强钢板脱粘预测模型,并将与脱粘面积相关性较高的信号特征数据作为预测模型的特征数据。对预测模型进行性能测试,脱粘形状为长方形和圆形预测值的平均绝对百分比误差分别为3.03%和8.06%,结果表明改进的Elman网络对于脱粘损伤具有较好的预测精度。

SSA-Elman神经网络模型在建筑物沉降预测中的应用

为了提高建筑物沉降变形预测精度,最大限度地减少监测数据中非变形噪声分量对预测结果的影响,本文在Elman神经网络模型的基础上引入奇异谱分析方法,构建新的SSA-Elman神经网络模型。首先利用SSA方法提取沉降监测数据中的趋势分量与周期分量,剔除噪声分量,提高监测数据信噪比;其次通过Elman神经网络模型分别对趋势分量、周期分量进行预测,得到对应分量预测结果;最后重构趋势分量与周期分量预测结果得到最终预测结果。通过实测建筑物沉降数据分别对Elman神经网络模型与SSA-Elman神经网络模型进行建模与预测,结果表明,SSA-Elman神经网络模型的预测精度更高,更适应长周期预测。

基于Elman神经网络的土壤墒情预测模型研究

为实现土壤墒情预测,文章以天津市蓟州区、静海区、宁河区、滨海新区的10个气象墒情自动监测站2018—2021年的3年数据为基础,对土壤墒情预测模型进行研究建立,并选取站点编号、空气温度、空气湿度、风速、风向等19项影响因子训练Elman神经网络,对土壤墒情进行短期(24 h)、中期(7 d)、长期(14 d)预测。结果显示,3个时期土壤墒情平均预测精度分别达到96.64%、90.60%、85.59%,表明Elman神经网络具有稳定性好、精度高的特点,训练出的土壤墒情预测模型准确度高,可为农业生产管理提供依据。

基于WOA优化神经网络的斜坡道拱顶沉降预测研究

为了更准确地预测地下矿山中斜坡道拱顶沉降的趋势,并控制预测精度,以保障矿山安全,提出鲸鱼算法优化神经网络的斜坡道拱顶沉降预测方法。主要步骤为:首先采取邻点中值平滑处理的方法对原始数据进行处理,将处理好的监测数据作为输入样本对BP、Elman神经网络进行训练、测试;再利用鲸鱼算法对初始权值和阈值优化,最后通过不同模型输出预测值。实验表明:鲸鱼优化后的BP、Elman神经网络模型相比优化前均能更准确地预测斜坡道拱顶沉降;WOA-Elman模型的决定系数为0.948,优于WOA-BP模型0.941,但WOA-Elman模型运行时间耗费671.214 s远超WOA-BP模型307.226 s,WOA-Elman耗费了更多的训练时间换取了少量的精度提升,大幅降低了训练效率;结合工程实例实测值、预测值的分析比较,鲸鱼算法(WOA)优化后的BP神经网络表现出了更高效且准确的斜坡道拱顶沉降预测能力。

基于PSO-Elman神经网络BDS导航卫星钟差预报

卫星钟差是导航定位系统定位精度的重要影响因子之一.针对北斗卫星导航系统(BDS)精密钟差预报性能寻优问题,提出一种基于粒子群优化(PSO)算法优化Elman神经网络的钟差预报模型方法(PSO-Elman模型),以解决Elman神经网络局部最优问题对钟差预报结果的影响.首先对钟差产品进行预处理;然后通过PSO算法迭代寻优确定Elman神经网络权值、阈值的初始值,并将进行预处理之后的序列数据进行训练建模;再采用武汉大学国际GNSS服务(IGS)数据分析中心(WHU)提供的BDS精密钟差产品数据进行钟差预测;最后将预测结果还原为预报钟差.结果表明:对比于二次多项式(QP)模型、附加周期项多项式(SA)模型、灰色(GM)模型,PSO-Elman模型精度分别提高90.7%、84.2%、81.6%,稳定度提高85.3%、76.3%、36.1%.实验表明:PSO-Elman模型在1~12 h短期预报模拟结果的预报精度和稳定性有显著提高,验证了提出方法的可行性.

一种基于ELMAN神经网络的纸张横幅定量在线解耦方法

针对纸张横幅定量控制所存在的非方、高维强耦合特性,本研究提出了一种基于ELMAN神经网络的多变量解耦策略。具体思路如下:首先引入前置变换因子矩阵对系统进行降维化方,然后针对化方后的系统,将ELMAN神经网络和前馈解耦相结合设计解耦结构,并在此基础上引入参考模型,根据参考模型输出与系统输出之间的差值在线调整网络参数,对系统耦合进行实时补偿以实现系统的在线解耦。通过上述工作将非方高维控制问题转化为单回路群控制问题,大大降低了多输入多输出高维系统控制难度。仿真实验及现场实际应用证明了本研究所提方案的可行性和有效性,定量控制精度提升了42%,并将横幅定量偏差减小到1.88%。

基于分数阶全局滑模与Elman神经网络磁链观测的PMSM转矩脉动抑制研究

针对传统直接转矩控制转矩脉动较大的问题,提出一种基于构造分数阶全局滑模控制器和基于Elman神经网络电阻辨识的磁链观测器的PMSM转矩脉动抑制方法。首先,建立了PMSM的数学模型,以磁链和转矩误差建立了分数阶滑模面,设计了分数阶全局滑模控制器;其次,为了通过精确观测磁链来进一步实现转矩脉动的抑制,提出了基于Elman神经网络的电阻辨识方法,然后将辨识结果用于磁链观测器的设计,并与分数阶全局滑模控制器结合,构建了基于分数阶全局滑模与磁链观测的PMSM控制系统,实现对PMSM转矩脉动的抑制。试验结果表明,所提出的基于构造分数阶全局滑模控制器和基于Elman神经网络电阻辨识的磁链观测器相结合的方法可以很好地抑制转矩脉动。

考虑信号统计特征的神经网络室内测距方法

针对现有神经网络测距方法易陷入局部极值而降低测距精度的问题,提出一种考虑信号统计特征的神经网络蓝牙室内测距方法:提出一种反馈-卡尔曼混合滤波算法进行数据预处理;并分析接收信号的传播特性,引入信号统计特征参数作为输入信号,构建改进麻雀搜索算法优化的埃尔曼(Elman)神经网络(ISSA-Elman)测距模型。实验结果表明,该测距方法能够有效提高测距精度,平均测距误差约为15 cm。

在线优化参数的神经网络预测监督控制

使用具有辅助变量的全格式动态线性化方法逼近系统,构建了神经网络监督控制预测模型。利用线性跟踪-微分器建立过渡过程,应用线性扩张状态观测器估计输出预测值及其微分,给出了线性PID控制算法。根据对角回归神经网络构成直接逆控制,提出了改进的控制目标函数。依据非线性递推最小二乘法在线优化了PID控制参数和对角回归神经网络的连接权。当系统控制误差大于一定值时,重置PID控制参数。最后提出了在线优化参数的神经网络预测监督控制,克服了已有的神经网络监督控制存在建模难的问题。仿真研究结果表明控制算法的响应具有理想性能。

改进天鹰优化器优化Elman神经网络模型预测管道蜡沉积速率

管道结蜡一直是困扰含蜡原油输送的棘手问题,建立准确的蜡沉积速率预测模型对于保障管道的安全运行具有重要的实际意义。考虑到Elman神经网络(Elman neural network,ENN)模型的不足(易陷入极小点、泛化能力弱),基于蜡沉积速率的主要影响因素,提出了一种基于改进天鹰优化器(引入鲸鱼优化算法的狩猎策略对天鹰优化器的局部搜索能力进行改进)的ENN模型,并基于两组室内实验数据对比分析了所建新模型和其他模型预测精度的差异。结果表明,改进新模型的平均绝对百分比误差分别为0.7603%、1.2452%,其预测精度明显高于传统ENN模型;采用改进天鹰优化器建立的ENN模型可对初始权值和阈值进行寻优处理,极大提高了泛化能力,因此具有预测精度高的优点。

基于Elman神经网络控制的无刷双馈电机最大功率点追踪研究

本文以风力发电系统无刷双馈感应电机的最大风能追踪控制为主要研究内容,提出了基于Elman神经网络的最大功率点算法,重点描述了该方法的原理与控制方式,并设计了Elman神经网络的控制器,通过调节桨距角来对无刷双馈电机转矩进行控制,从而实现最大功率点追踪,并具体阐述了神经网络控制的原理以及过程。最后,为了验证最大功率点追踪控制方法的准确性,使用MATLAB/Simulink软件搭建了风力发电系统及Elman神经网络控制器的模型,对5MW风力发电系统进行仿真研究并验证了控制效果。

基于差分电压和ICS-Elman神经网络的锂离子电池剩余使用寿命预测方法

锂离子电池被广泛应用于支撑新能源并网设备中,其剩余使用寿命(RUL)预测对设备运维管理极为重要,该文提出一种基于差分电压和改进布谷鸟搜索算法(ICS)-Elman神经网络预测锂离子电池RUL的方法。首先,对电池内部的电化学反应和外部的数据特征进行分析,选取结合电池内外特征的差分电压曲线作为特征提取对象,在充电差分电压曲线和放电差分电压曲线中选取相关特征;其次,考虑电池容量再生现象,选取Elman神经网络作为电池容量预测模型;然后,为提高预测精度,考虑利用改进的布谷鸟搜索算法对网络的初始权值和阈值进行参数寻优,ICS算法以改进概率公式、增加扩散因子、混沌初始化3种方法对传统CS算法进行改进,最终形成ICS-Elman预测方法;最后,利用NASA数据集和自测数据集对ICS-Elman方法进行验证,对比分析CS-Elman、Elman方法,结果表明所构建的ICS-Elman方法能更准确有效地预测锂离子电池RUL。

基于改进Elman神经网络的发电厂发电量预测

为了减小计划发电量滞后性对发电厂生产活动的影响以及解决发电厂预测电量过程中缺乏科学指导的问题,提出一种结合数据重构和滚动预测的改进Elman神经网络的预测方法.采用变分模态分解(VMD)方法分解上海某电厂2016年-2022年的月度发电量数据,并建立基于天牛须搜索算法(BAS)改进Elman神经网络的发电量预测模型,将分解重构后的数据滚动输入预测模型,结果表明:VMD提高了数据的平稳性,经过分解、重构后的数据滚动输入模型,不仅扩大了原始数据量还避免了影响因素的分析,保留了原始数据特征,使模型的精度和预测速度有了显著提升,能够快速有效地指导发电厂制定燃煤采购及电力市场调度方案.