基于自回归小波神经网络的机械臂自适应滑模控制

针对机械臂存在模型不确定和未知扰动的问题,提出一种动力学模型参数分块逼近的神经网络非奇异终端滑模(nonsingular terminal sliding mode, NTSM)控制方法.为加快系统跟踪误差的收敛速度,避免传统终端滑模存在的奇异性问题,采用一种非奇异终端滑模面.利用多组自回归小波神经网络(self-recurrent wavelet neural network, SRWNN)分块逼近系统未知的动力学模型参数,并采用自适应更新律调整权重.通过积分控制项补偿SRWNN的逼近误差,并使用Lyapunov稳定性理论证明了系统稳定性.使用MATLAB进行仿真分析,分块SRWNN滑模控制与滑模控制、整体SRWNN滑模控制相比,关节角度跟踪误差的平均稳态误差分别降低了31.9%、76.5%,表明此方法是一种可靠、有效的轨迹跟踪控制方法.

基于神经网络模型的朝阳市生猪价格预测

选取2020年1月至2023年6月朝阳市生猪日价格和猪饲料中豆粕的日价格作为研究数据,分别建立BP神经网络模型和小波神经网络模型对朝阳市生猪价格进行预测.将前160周的价格数据作为BP神经网络模型和小波神经网络模型训练集数据,161~180周的价格数据作为预测数据,通过图形显示预测值和实际值变化,计算2种神经网格模型的平均绝对误差和均方根误差.通过误差比较分析得出,在朝阳市生猪价格波动领域,小波神经网络模型优于BP神经网络模型,建议推广应用.

小波降噪及改进遗传算法的BP神经网络在基坑变形中的组合应用

以某市人民医院基坑工程为例,针对实测数据建立实测数据结合BP神经网络预测模型,小波降噪结合BP神经网络模型和小波降噪结合改进遗传算法优化的BP神经网络模型,并利用误差分析理论对基坑变形数据预测效果评价。结果表明:对比3种模型实际处理、预测数据能力,实测数据结合BP神经网络模型预测精度在1%-4%之间,小波降噪结合BP神经网络模型预测精度1%-2%之间,小波降噪结合改进遗传算法优化的BP神经网络模型预测精度在1%以内,小波降噪结合改进遗传算法优化的BP神经网络模型的预测准确率最高。针对基坑变形监测,小波降噪结合改进遗传算法优化的BP神经网络模型具有更高预测精度,可为类似工程提供实际参考。

基于改进BP神经网络模型的辽西地区农业灌溉用水预测

文章引入小波分析函数对传统BP神经网络模型进行改进,提高模型收敛精度,并将改进的BP神经网络模型对辽西地区农业灌溉用水进行预测。结果表明:与模型改进前相比,改进后模型对辽西地区年尺度和月尺度农业灌溉用水量预测相对误差分别降低6.9%和10%。研究成果对于区域农业灌溉用水预测方法具有参考价值。

施工场景下灰色小波神经网络短时交通量预测模型研究

在城市道路施工场景下应用短时交通量预测对提高施工区域交通效率及安全水平至关重要。考虑到施工场景下短时交通量历史样本量小且样本呈现非线性的特点,引入灰色预测模型,构建施工场景下的灰色小波神经网络短时交通量预测模型。以行宫西大街由西向东断面的交通量数据为例,分别基于小波神经网络短时交通量预测模型、灰色小波神经网络短时交通量预测模型,利用Matlab进行训练。结果显示,灰色小波神经网络短时交通量预测结果的平均绝对误差、平均相对误差和均方误差相较于小波神经网络短时交通量预测模型,分别降低了74.14%、75.21%和92.70%,该模型对城市道路施工场景下的短时交通量预测精确度更高。

基于深度复数神经网络的雷达目标DOA估计算法

传统模型驱动的波达方向(direction of arrival, DOA)估计算法性能受限于有限的信号特征、快拍数、信噪比、信杂比等因素,在低信噪比、快拍数少的极端情况下,性能较差。为克服上述问题,提高在极端条件下的估计精度,文章提出基于深度复数神经网络(complex-valued neural networks, CVNN)的单快拍DOA估计算法,构建深度复数神经网络模型,学习原始带噪信号与理想无噪复信号之间的映射关系,进而实现噪声抑制和期望信号特征增强的目的,提高DOA估计精度。仿真实验结果表明,经CVNN增强后,数据的等效信噪比约提高了1 dB,等效快拍数提高了3,该文所提算法相较于已有的多种物理驱动算法而言,具有更高的估计精度和泛化性。

基于灰色-小波神经网络模型的铁路路基沉降预测分析

铁路路基变形监测贯穿于整个项目的设计、施工和运行,因此其工后沉降变形分析对于安全化工程施工和管理具有重要的意义。该文结合工程实例,基于灰色模型、小波神经网络模型的相关理论对铁路路基沉降进行预测分析,数据结果表明两者预测效果均接近实测值,但组合模型比单一灰色模型预测精度质量有所提高,稳定性好。

基于小波神经网络的光伏功率预测模型

传统的神经网络模型通常使用Sigmoid等固定的激活函数,无法充分提取输入信号的特征,导致预测的精确性受限。而基于小波函数的神经网络模型能更好地适应时间序列信号数据的复杂特征,并在保证预测准确性的同时,降低神经网络的复杂度。为此,本文结合小波函数与神经网络,将小波函数作为神经网络的激活函数,提供了一种全新的光伏功率预测方法,并依据光伏发电功率的变化特点,建立了小波神经网络预测模型,仿真分析了不同天气状态对预测精度的影响。结果表明,本文提出的方法能高效预测光伏功率的变化趋势,对晴天状态光伏功率预测具有较高的精度和可靠性。

基于改进小波神经网络的大数据网络安全态势预测

为提升网络安全态势预测的精度,提出使用动量因子(Momentum Factor,MF)改进小波神经网络(Wavelet Neural Network,WNN),形成MF-WNN的网络安全态势要素提取模型,通过MF对WNN的权值进行精度优化。实验结果表明,与其他3种常用的预测模型相比,基于改进WNN的预测模型具有较高的精确度。

基于鱼群优化算法和Elman神经网络的短期电力负荷预测

精确的短期负荷预测允许用户选择合适的能源利用策略,并最大限度地降低电费支出。为实现更为精确且全局最优的短期负荷预测,提出一种基于鱼群优化算法和Elman神经网络的短期电力负荷预测方案。首先利用小波变换将时间序列分解成分量,并基于对立人工鱼群优化算法进行特征选择。接着基于Elman神经网络模型的水波优化算法进行短期负荷预测,从而显著提高了预测的精确度。最后应用逆小波变换得到每小时的负荷预测数据,借助武汉市电力负荷数据对所提方案进行验证评估。验证结果表明所提方案在冬季数据和夏季数据上的平均绝对百分比误差分别为1.43%和1.98%,明显优于支持向量机、混合网络和小波变换-神经进化算法。

基于小波神经网络的地下水流数值模拟模型的替代模型研究

以吉林西部为研究区,建立地下水流数值模拟模型,分别应用蒙特卡罗方法和拉丁超立方方法在研究区10个县(市)开采量的可行范围内进行采样,经对比选择拉丁超立方抽样结果得到输入(开采量)—输出(水位降深)数据集,建立小波神经网络模型作为地下水流数值模拟模型的替代模型,而后对替代模型有效性作误差分析,并与多元非线性回归替代模型进行对比.结果显示,2种替代模型在功能上都能逼近地下水流数值模拟模型,但小波神经网络模型得到的水位降深均值和水位降深剩余标准差与模拟模型计算结果的相对误差分别低于多元非线性回归模型76%和45%,说明小波神经网络模型更适合作为地下水流数值模拟模型的替代模型,这为减少优化模型求解过程中直接调用模拟模型所造成的计算负荷提供了一种有效的替代方法.

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究。为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型。以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势。此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高。

基于小波和神经网络相结合的股票价格模型

针对股票价格构成的时间序列具有随机性与偶然性,传统的单一模型很难满足建模要求的问题,提出一种基于小波和神经网络相结合的股票预测模型。将股票价格进行小波分解成尺度不同的分层数据,分别利用Elman神经网络预测各层数据,将各层的预测结果使用BP神经网络合成最终预测结果。通过实际的股票价格对该模型进行验证,结果表明,该组合模型具有较高的预测效果,可以提高股票价格预测的准确率。

基于小波分析的两种神经网络耦合模型在月径流预测中的应用

为提高河川径流的中长期预报精度并延长其预见期,采用小波分析充分提取有用信息,基于BP神经网络和GRNN神经网络,构建了两种小波神经网络耦合模型,测试了Daubechies族中9种母波函数对模型模拟效果的影响,并采用合格率(Q_(QR))、平均相对误差(M_(MPRE))、均方根误差(R_(RMSE))和确定性系数(N_(NSE))等指标评价了模型精度。将该模型应用于金沙江流域向家坝水文站未来1~5个月的径流预报,结果显示,相比于传统BP和GRNN模型,耦合模型具有明显优势,且基于小波分析的BP模型预报结果更接近实测值,预报精度更高,其未来4个月的平均相对误差在±20%以内。表明小波分析方法能充分挖掘隐藏在原始数据中的有用信息,可有效提高耦合模型的预报精度延长预见期,在径流预测方面有明显的优越性。

多步预测的小波神经网络预报模型

采用小波分析与人工神经网络相结合的方法， 进行了一种新的非线性长期预报模型研究。结果表明，所构造的小波神经网络多步预测模型对历史样本具有很好的拟合效果，独立样本的预报效果也令人满意。并且， 该预报模型具有误差收敛快， 预报时效长以及建模所需阶数低等显著优点， 具有很好的研究前景。

基于灰色模型与小波神经网络的卫星钟差预报方法

提出一种基于灰色模型和小波神经网络相结合的卫星钟差预报方法。首先通过灰色模型对钟差进行拟合并确定钟差预报的灰色模型,然后根据拟合残差对小波神经网络进行建模,最后将两种模型对应的预报结果结合得到钟差预报值。使用IGS精密钟差进行实验,证明该方法的预报效果优于二次多项式模型和灰色模型,特别是对于ⅡR型铷钟和ⅡF型铷钟,其预报精度可以提高2倍以上。

基于Matlab的小波神经网络参考作物腾发量预测模型研究

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,它的准确预测对提高作物需水预报精度具有重要的意义。将小波神经网络引入到参考作物腾发量的预测中,利用Matlab工具,以大连地区为例,建立小波神经网络模型和灰色新陈代谢GM(1,1)预测模型,并对预测结果进行对比分析。结果表明:小波神经网络模型预测结果精度均在2级以上,与参考作物腾发量计算值绝对相对误差均值达到5.5%,准确性优于灰色新陈代谢GM(1,1)预测模型,达到较好的预测效果,为参考作物腾发量预测提供新方法。

基于小波神经网络(WNN)的齿轮故障诊断

在研究齿轮故障诊断模型以及齿轮故障诊断策略的基础上,选择基于知识方法的小波神经网络方法用于齿轮故障诊断,提出了学习速率自适应调整的梯度下降法来修正小波神经网络的各个系数;最后通过实验证明,利用小波神经网络技术能够实现准确识别齿轮故障。

时间序列小波神经网络组合模型在年降雨量预测中的应用

在研究了降雨量特性的基础上提出了一种新型的组合预测模型即时间序列-小波神经网络模型(ARWNN)。以858农场为例,先利用时间序列模型对降雨量进行拟合,并将拟合结果作为小波神经网络的输入进行建模分析,并建立时间序列AR模型和小波神经网络模型与之比较,通过精度检验和对比分析结果表明,组合模型对降雨量的拟合及预测精度均较高。

基于ARIMA和小波神经网络组合模型的交通流预测

针对现阶段城市道路交通流预测精度不高的局限性,提出了一种基于差分自回归滑动平均(ARIMA)和小波神经网络(WNN)组合模型的预测方法来进行交通流预测。利用差分自回归滑动平均模型良好的线性拟合能力和小波神经网络模型强大的非线性关系映射能力,把交通流时间序列的数据结构分解为线性自相关结构和非线性结构两部分。采用差分自回归滑动平均模型预测交通流序列的线性部分,用小波神经网络模型预测其非线性残差部分,最终合成为整个交通流序列的预测结果。计算机仿真结果表明:组合模型的预测精度高于ARIMA模型和WNN模型各自单独使用时的预测精度,组合模型可以提高交通流预测精度,是交通流预测的有效方法。