旋转机组神经网络新信息加权预测模型的研究

针对当前旋转机组状态预测神经网络对新信息强调不足的问题，分析了原因，改进了ＢＰ网络模型，提出了新信息加权神经网络新型预测模型。提供了该预测模型的数学表达式和拓扑结构。取得了令人满意的在线预测的效果。

基于径向基神经网络的设备运行状态新信息加权预测模型研究

设备工作状态在线预测技术,是实现以先进的预知维护取代以时间为基础的预防性维护的关键技术,为了提高状态预测的精度,针对设备运行的状态随运行时间而发展变化的特点,提出基于改进的径向基神经网络的设备运行状态预测模型,并以烟气轮机运行数据对模型的有效性进行了验证。结果表明,改进的新信息加权径向基神经网络的训练速度快,预测结果稳定性及精度高,比BP网络及未改进的径向基神经网络的预测效果好。

基于广义动态灰关联度窗口的时滞分析模型

基于静态最大关联度准则的经典灰关联时滞分析方法对样本时序的依赖性较强,分析结论的代表性较差、甚至会出现自相矛盾的地方.为此,本文探讨了一种新的全局性动态时滞分析方法.首先,设计了新信息优先加权算子,将其引入广义灰色关联度模型,强调新信息在关联分析中的重要性.其次,针对经典的基于灰关联度的时滞分析方法的不足,提出动态灰关联度窗口的概念,对样本时序中所有潜在时滞取值展开系统化的分析.再者,定义了基于动态灰关联度窗口概念的时滞关联度矩阵以及相应的时滞灰关联度向量,设计出灰栈矩阵这一特殊灰关联数据存储结构,动态对比所有潜在时滞关系,找出代表性时滞值.最后,对宏观经济指标之间的时滞关系展开案例分析,并与经典灰关联时滞分析方法进行对比,结果表明本文设计的时滞分析方法具有更好的说服力.