基于最大相关熵准则的网络流量预测

为提高网络流量预测的精度，针对网络流量的非线性特征提出了一种基于新的误差评价准则——最大相关熵准则（MCC）的网络流量预测方法。该方法使用MCC对Elman神经网络进行训练。该评价准则是基于新的相似度函数——广义相关熵（corrent．ropy）函数的概念建立的，此相似度函数以误差概率密度函数的Parzen窗估计和瑞利熵为基础。同时结合MCC和最小均方误差（MMSE）准则提出了一种混合的评价准则MCC-MMSE。针对网络流量的非线性、非高斯性、突变性等特性，分别以MCC、MCC-MMSE准则进行了Elman神经网络的训练，使用训练好的神经网络进行网络流量预测，仿真结果表明预测结果的精度优于以MMSE为准则的Elman神经网络的预测结果。

基于改进神经网络PID的主蒸汽温度优化控制研究

针对电厂主蒸汽温度PID串级控制系统参数整定繁琐、自适应性较差的问题,提出一种改进神经网络PID串级控制方法。为了降低主蒸汽温度控制系统的不确定性,基于最小误差熵(MEE)准则训练串级控制中的主神经网络PID控制器,并利用滚动时域窗法递归估计跟踪误差的熵,提升算法运行效率。将主蒸汽温度误差序列和部分可测扰动输入神经网络PID控制器输入层,实现反馈控制与前馈控制相融合,提升控制系统抗干扰能力。通过与采用最小误差平方和(MSE)准则的神经网络PID控制器对比,采用MEE的神经PID控制器可以减小过热汽温的波动,减少控制系统的随机性。