基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题,提出了基于改进教学优化算法的Hermite正交基神经网络预测模型.首先,将自相关法和Cao方法相结合对混沌时间序列进行相空间重构,以获得重构延迟时间向量;其次,以Hermite正交基函数为激励函数构成Hermite正交基神经网络,作为预测模型;最后,将模型参数优化问题转化为多维空间上的函数优化问题,利用改进教学优化算法对预测模型进行参数优化,以建立预测模型并进行预测分析.分别以Lorenz系统和Liu系统为模型,通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象,并进行单步及多步预测对比实验.仿真结果表明,与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比,所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构,验证了该模型的高效性,便于推广和应用.

基于切比雪夫正交基神经网络的中国十年期国债收益率预测

文章基于切比雪夫正交基神经网络模型,结合数据驱动方法,对中国十年期国债收益率进行预测分析。在模型构建中,选取2018年6月28日到2019年6月28日的十年期国债收益率作为总体数据集,进一步选取总体数据集的前60%数据作为训练样本,生成模型后,预测剩余的40%数据,取得了较优的拟合效果,拟合度达0.9910,为国债收益率预测开拓了新的视野和方向。

基于正交基神经网络的火灾探测器及报警系统的可靠性研究

火灾探测报警系统是早期火灾检测的重要手段,其系统的不可靠会造成不同程度的人员伤亡和财产损失。传统方法是利用威布尔分布进行火灾探测报警系统的可靠性研究。但是,威布尔分布参数的分析法估计较复杂,区间估计值过长,降低了参数的估计精度。提出一种基于正交基神经网络的火灾探测报警系统的可靠性研究方法。通过正交基神经网络算法对火灾探测器和火灾探测报警系统的可靠性序列进行逼近,预测系统可靠性的变化趋势。该方法对平均故障间隔时间的计算与通过威布尔拟合的计算结果吻合,同时避免了可靠性假设与复杂的数学计算。

一种基于正交基神经网络的非线性卫星信道预失真补偿算法

针对卫星信道存在非线性失真严重影响系统性能的问题,提出了一种基于正交基神经网络的预失真补偿算法。该算法利用正交基神经网络的特点,能够一步确定权值,无需迭代,不存在局部极小值问题,计算速度快,误差小,补偿效果明显。

基于Laguerre正交基神经网络的动态手势识别

提出一种基于Laguerre正交基前向神经网络的动态手势识别方法.首先根据多项式逼近和矩阵理论,构造了一种以Laguerre正交多项式作为隐含层神经元激励函数的多输入、多输出三层前向神经网络模型,在网络权值迭代计算公式基础上推出一种基于伪逆的直接计算网络权值方法,避免求取权值的反复迭代过程;提出一种快速的基于颜色的指尖检测跟踪算法以便实时获取指尖运动轨迹,并提取指尖运动轨迹的特征向量作为Laguerre神经网络的输入向量;通过预先获取的动态手势样本(包括手势输入向量和预期结果)训练Laguerre神经网络,利用经过训练的Laguerre神经网络来识别通过摄像头获取的动态手势.测试结果表明:Laguerre正交基前向神经网络能够提高学习训练速度和精度,而且在动态手势识别方面具有较好的鲁棒性和泛化能力,具有较高的识别准确率.

基于正交基神经网络的热敏电阻温度传感器非线性补偿方法

针对热敏电阻温度传感器应用中存在的非线性问题,提出了应用正交基(OBF)神经网络进行非线性补偿的方法。研究结果表明,OBF神经网络非线性补偿算法具有补偿精度高、计算量小的优点,因而是一种有效的非线性补偿方法。

基于正交基函数的神经网络色谱曲线自适应在线滤波和压缩

由于正交基函数神经网络采用Givens正交学习算法 ,不是迭代算法 ,因而速度快 ,加之其无初始权值选择问题 ,不会陷入局部极小 ,所以本文选择此神经网络用于色谱数据的自适应在线滤波和压缩。实验结果表明 ,本方法滤波效果好 ,压缩比高 ,可实时完成 ,非常适用于色谱数据的在线处理需要。

输油管道在线检测数据融合模型

为了解决输油管道多传感器在线检测数据存在不确定性和模糊性问题,提出了输油管道在线检测数据融合模型。从参与融合的数据源头和智能融合器两方面,利用检测数据间互补信息,分两级逐步地降低检测数据误差。第一级融合,从检测数据自身蕴藏的信息提取出综合模糊支持度,由此确定各传感器自身数据的优劣程度,筛选组成最优融合数据源。第二级融合采用正交基神经网络,通过训练,获取检测数据与融合输出结果间的非线性映射关系,实现不同时段、不同组检测数据间的融合。仿真验证表明,建立的模型不但提高了检测数据融合结果准确性,而且数据融合实时处理能力强,并且硬件易实现。

后方油库智能监测控制系统架构研究

在分析传统的后方油库监测控制系统存在问题的基础上,构建了后方油库智能监测控制系统架构。针对后方油库监控环境复杂、监测控制点多、控制监测数据具有不确定性等特点,建立了信息融合模型,提出了基于正交基神经网络检测数据融合算法。该系统的研究对油库实现油料保障智能化、集成化有着重要意义。

改进型LOBNN&AR-GARCH模型在股票预测中的应用

为实现对股票价格的短期预测,本文在Laguerre正交基神经网络(LOBNN)模型的基础上,提出了一种新的组合预测模型来预测短期股价的变化。该模型先通过改进LOBNN模型的权值求解算法,用以增强模型的通用性。接着在其基础上设计新的迭代算法,进一步提高模型的预测精度,进而得到新的LOBNN模型。之后将股价数据分别代入AR-GARCH模型和改进后的LOBNN模型,得到输入数据的两组预测值。最后通过不同的权重来组合两种预测结果,生成最终股价的预测结果。文末的仿真结果表明该组合模型在预测精度与通用性上较原始模型有较大的提升,是一种高效的预测模型。