神经网络在工程时间序列预报问题研究中的应用

对岩土工程中时间序列预报问题进行了研究。灰色建模机理研究表明，灰色建模存在若干问题，因此，在处理岩土工程中时间序列预报问题时，要慎用灰色系统建模。探讨了岩土工程时间序列与神经网络间的联系，论证了神经网络的函数逼近能力，建立了基于神经网络的岩土工程时间序列预报模型。研究实例表明，该模型的预报精度高，为解决岩土工程中时间序列预报问题提供了一条崭新途径。

基于误差反传小波神经网络的船舶横摇时间序列预报

结合小波分析和神经网络的特点,建立了应用于船舶横摇运动时间序列预报的误差反传小波神经网络结构并给出了算法。作者利用多输入、单输出小波神经网络预报模型进行了仿真,取得了良好的仿真效果。此方法不仅可应用于横摇运动时间序列预报,亦可用于纵摇、艏摇的时间序列预报。

DRNN神经网络用于船舶横摇运动的时间序列预报

首次将具有内部时延的内回归神经网络用于船舶横摇运动的时间序列预报，取得了良好的结果文中给出对角回归神经网络模型和学习算法，并对学习算法的收敛性进行了分析利用对角回归神经网络对船舶横摇运动的时间序列预报表明，通过离线学习内回归神经网络能掌握系统的动态特性。

基于多尺度分析和神经网络的时间序列预报

本文提出一种由小波变换和神经网络相结合 ,进行时间序列预报的新方法。其中 ,小波作为滤波部分对原始序列进行多尺度分解 ,产生更容易建模和预测的子序列 ,再把上述子序列作为神经网络的输入进行时域预报。该方法考虑原时间序列的频率特性 ,采用不同的神经网络进行预报。

可进行择优决策的时间序列预报方法

文中提出了一种可对数据序列的内在信息进行多层次的开发,产生多态信息源的技术方案。把这种方案与通常的时间序列分析方法结合起来:即可形成一种可进行择优决案的时间序列预报方法。实例比较与实际应用的效果表明,这一技术方案对提高时间序列预报的准确率与稳定性,均具有意义。

船舶横摇运动的时间序列预报

船舶横摇运动是对船舶航行影响最大的运动,研究船舶横摇运动的建模与预报对于提高船舶适航性、耐波性有重要意义。根据船舶在随机海浪作用下的运动特性,运用时间序列分析方法建立了AR模型,并将其应用于船舶横摇运动时间序列预报,取得了较好的效果。仿真结果表明,预报误差为4.4%左右。时间序列分析法亦可用于船舶纵摇、艏摇的时间序列预报,该方法在工程中具有很大的实用价值。

非线性时间序列预报的隐多分辨ARMA模型

研究一类用于非线性时间序列预报的隐多分辨自回归滑动平均(ARMA)模型,该模型以ARMA模型为初始细水平模型(即隐多分辨模型的基本块)．证明了模型的建模精度由水平问的方差决定．研究了新模型的自相关函数结构,给出了参数估计的Bayes方法和Metropolis-Hasting算法．进一步提出了一种可以直接用于不同基本块的隐多分辨模型的非线性时间序列预报方法,证明了其比其他的线性预报方法和隐多分辨模型预报方法降低了预报误差．最后通过数值模拟和实例验证了模型和预报方法,并和其他模型进行比较,结果表明新提出模型和预报方法能够更好地描述数据的特征,提高预报的精度．

基于主成分分析和动态神经网络的时间序列预报

本文提出一种基于主成分分析(PCA)和动态神经网络的多变量时间序列预报方法,并对具体实例建立多变量时间序列模型。仿真实验结果表明该网络具有很强的学习能力和泛化能力,适合进行非线性时间序列预报。

一类时间序列预报的双层引导变量模型

讨论了一类时间序列的预报问题，提出相应的双层引导变量模型及其辨识方法。通过应用实例，说明效果是良好的。

基坑施工变形的时间序列预报问题

本文在分析灰色系统与人工神经网络基本原理的基础上，结合前人研究成果和实例分析，指出灰色系统用于预测基坑变形存在的若干问题，认为灰色系统不宜用于地下连续墙的水平位移预测，在其他变形预测中也要慎用。建立了基坑变形时间序列预测的神经网络模型，并用实例进行了论证。实例研究结果表明：神经网络是解决基坑变形时间序列预报的有效方法，在地下工程中具有非常好的应用前景。

超启发式组合时间序列预报模型

本文讨论了如何基于超启发算法来改进传统时间序列预报模型的最优参数搜索策略,并提出了一种基于平行禁忌搜索的时间序列组合预报模型。在给出具体超启发算法设计策略后,基于真实数据集进行实验,证明新的超启发时间序列组合预报模型可以得到比主流模型更低的预报误差。

基于误差反传神经网络的船舶横摇时间序列预报

给出了误差反传神经网络模型和学习算法及其改进型学习算法,并将其应用于船舶横摇运动时间序列预报,取得了较好的效果.亦可用于纵摇、艏摇的时间序列预报。

基于时间序列LSTM模型的ENSO指数预报试验

为了提高ENSO事件的预报能力,本文利用1951~2008年Niño 3.4和南方涛动指数(Southern Oscilla-tion index,简称SOI)时间序列数据,建立了关于ENSO指数预报的时间序列LSTM模型,并对2009~2018年期间Niño 3.4或SOI指数进行预测。结果表明,对于Niño 3.4指数,时间序列LSTM模型在1~12个月预报时效内都具有很好的预报能力,尽管模型对15/16年间超强厄尔尼诺事件的振幅预测仍有一定的误差。而对于SOI指数,模型仅在1~3个月的短预报时效内有一定的预报能力,原因是SOI中高频的季节内信号使SOI指数不具备长期的可预测性。实验结果也证明,在经过7个月的滑动平均后,模型在不同预报时效下对SOI指数的预报能力都有显著的提升,与Niño 3.4指数接近。而相对其他方法,时间序列LSTM模型具有一定预报能力优势,且具有建模方便,可同时得到不同时间预测结果等优点。

基于舰船运动时间序列预报的直升机着舰时机判断

为解决舰载直升机在海上返航着舰的安全问题,开展了直升机着舰时机判断研究。首先,基于时间序列预报方法,采用AR自回归模型,模型参数估计使用递推最小二乘算法进行在线辨识,对于存在的数据饱和问题引入了遗忘因子加以解决,实现了对舰船运动的短期预报。然后,根据舰船横摇运动的实时预报结果和周期性特点,选取横摇角度及角速度满足安全阈值的时间段,确定直升机安全着舰的时机。研究结果表明:该方法有效提高了直升机着舰的安全性。

弹性BP神经网络在结核病发病率预报中的应用

[目的]探讨弹性BP神经网络在时间序列资料分析中的应用,建立结核病发病率的预测模型。[方法]利用重庆市结核病防治所于1993～2003年登记的结核病发病率时间序列资料,以双曲正切S型函数为传输函数、隐层节点为6的三层BP神经网络,建立了2种结核病发病率的非线性时间序列预测模型。[结果]建立的ANN2预测模型简单易行,预测值平均相对误差为0.06999,预测精度高。[结论]BP人工神经网络可以用于结核病发病率或死亡率的预测。

肿瘤热疗过程中数值预报的研究

利用时间序列预报的方法 ,对肿瘤内部的某点温度变化规律进行预报分析 ,根据预报的结果来调整辐射源的加热功率及探头与肿瘤接触面的边界温度 ,控制肿瘤体温度 。

船载雷达测波海浪谱预报方法研究

以船载雷达测波系统WaMoS II船载实时测量的海浪谱信息为基础,应用于波分解思路和时间序列分析方法,进行海浪谱预报研究。因海浪具有非平稳性和非线性,采用具有训练算法简捷、泛化能力强、非线性处理能力强等优点的回声状态网络作为时间序列预报方法,对已知海浪谱时间序列样本数据进行训练,建立非线性模型,对未知海浪谱信息进行预报。通过应用上述方法,实现了海浪频谱预报和方向谱预报,其中方向谱的预报为首次实现。仿真结果表明,上述算法在中短期范围内(预报长度6~8小时)可以达到较高的预报精度。

基于LM算法延时反馈BP网络的铝热连轧板凸度预报

铝热连轧机是一个极其复杂的系统,为了精确地建模预报末机架出口处的板凸度,提出了利用延时反馈BP网络对板凸度时间序列的预报方法,来实现对铝带板凸度的精确建模和预测。通过某"1+4"铝热连轧机现场板凸度的预报试验,采集了大量试验数据。结果表明,板材相对凸度的预报精度可达到0.01%。验证了该方法的有效性和优越性。

弹性反向传播神经网络在冠心病发病率预报中的应用

目的探讨弹性反向传播(BP)神经网络在时间序列资料分析中的应用,建立冠心病发病率的预测模型。方法利用青海海西州地区2003～2009年登记的冠心病发病率时间序列资料,以双曲正切S型函数为传输函数、隐层节点为4与11的三层BP神经网络,建立两种冠心病发病率的非线性时间序列预测模型。结果建立的ANN2预测模型简单易行,预测值平均相对误差为0.005 547,预测精度高。结论 BP人工神经网络可以用于冠心病发病率的预测。