基于非线性自回归神经网络模型对生活垃圾产生量的预测

旨在建立生活垃圾产生量预测模型,更好的预测生活垃圾产生量,以便有序筹划生活垃圾处置设施和构建灵活的收运调配体系。方法采用非线性自回归神经网络(NAR),通过调整延迟阶数和隐含层神经元个数等模型参数,建立基于生活垃圾产生量的历史时间序列预测模型。实验结果显示,NAR神经网络时间序列模型对于北京市生活垃圾产生量有较好的预测能力,当延迟阶数为5,隐含神经元个数为10时,预测模型测试集的r值为0.9717,平均绝对百分比误差为3.385%,均方根误差为5051.831 t/w,预测模型通过了残差序列非自相关检验,预测效果较好。结论表明针对生活垃圾产生量数据可以开展NAR神经网络模型非线性自回归预测,且可不用考虑其它相关影响因素数据的可获得性,具有一定的便利和实际应用意义。

基于改进非线性自回归网络的洪水预测算法

针对流域的洪水预测具有高度非线性和随机性的问题,提出了一种混合预测模型用于流域的洪水预测.该模型是一个集成了数据预处理模块的具有外部输入的非线性自回归神经网络,采用小波变换进行时间序列分解,利用多基因遗传编程进行细节缩放,以提高时域和频域特性的提取能力,进一步捕获时间序列的非平稳性,与NARX结合可以大幅提高洪水预测的准确性,利用栾川水文站15年中所测水文数据对所提模型进行验证和测试.实验结果表明,相比较于传统算法和其他预测算法,所提出的算法具有更高的预测准确度和性能,可广泛应用在洪水预测等领域.

多层局部回归网络的非线性系统预测模型

提出采用多层局部回归神经网络建立多变量非线性系统多步预测模型的方法，神经 网络模型可提供多步预测控制所需要的系统输出预测值及输出向量对控制向量的雅可比矩 阵．仿真试验表明这种动态神经网络的预测模型具有较高的精度．

改进非线性外源自回归网络的潮位实时预测

中国海域辽阔,海岸带面积约占全国总面积的13%,在沿海区域的交通运输及经济建设领域,都需要具备精确的潮位数据,因此实现精准快速的潮位预报具有重要的应用价值和实际意义。为了提高潮位预测精度和稳定性,提出了一种基于带外源输入的非线性自回归(nonlinear auto-regressive exogenous, NARX)神经网络的实时潮位预测方法,并在其基础上做了相应改进。首先采用了模块化潮位预测(modular tide level prediction)方法,将潮汐数据分为天文潮及非天文潮两部分,其次引入滑动时间窗(sliding time window, STW)概念构建出改进的MS-NARX神经网络预测模型。利用美国比斯坎湾(Biscayne bay)的实测潮汐值数据进行潮位预测的仿真试验,并与传统NARX神经网络及自适应粒子群算法优化的基本反向传播(SAPSO-BP)神经网络两种预测方法进行比较,结果表明在MAE、MSE及RMSE三项精度指标测算中,MS-NARX神经网络均为最小,可见其针对数据预测的精度和稳定性均优于SAPSO-BP神经网络和传统NARX神经网络,能够为提高船舶运营效率和保障船舶航行安全提供指导。

基于人工神经网络的非线性回归预测模型的研究

将人工神经网络引入回归分析过程，探讨了回归分析神经网络的结构和学习算法，研究了基于人工神经网络的模型变量的选择、观测样本的采集和使用等．进行了仿真实验，仿真结果初步显示了神经网络方法能够较好地解决传统的回归方法所面临的困难，并具有较高的模型精度．

多维非线性自回归模型的投影寻踪学习网络逼近

本文研究基于投影寻踪学习网络的多维非线性自回归模型逼近的收敛性,证明了在 Lk（k为正整数）空间上,投影寻踪学习网络可以以任意精度逼近多维非线性自回归模型,并给出应用实例.

基于非线性自回归网络的民航货运量预测模型

应用基于非线性自回归神经网络的预测模型对民航货运量进行预测。选取不同的时滞，将季度国民生产总值作为外生变量，对1993—2010年的季度民航货运量进行预测。试验结果表明，当预测变量和外生变量的时滞均等于3时，预测效果最佳。

基于优化非线性自回归神经网络模型的水质预测

针对突发性水污染事件频发的问题,以上海市某支流具有代表性的监测断面为研究对象,通过优化调整输入数据段以及延迟阶数与隐含层神经元数等模型参数,构建基于历史水质时间序列的优化非线性自回归(NAR)神经网络模型,预测分析pH、溶解氧(DO)质量浓度和浊度3项水质指标的变化趋势。结果表明:优化后的NAR神经网络模型具有较好的非线性处理能力;当输入数据量为180,pH、DO质量浓度和浊度的神经网络模型的延迟阶数分别为2、3、9,隐含层神经元数为10时,NAR神经网络模型对pH、DO质量浓度和浊度的预测均方根误差分别为0.053、0.382 mg/L和17.300 NTU,平均绝对百分比误差分别为0.53%、3.97%和18.01%,预测效果较好。

基于非线性有源自回归神经网络的路面不平度识别

针对传统方法在识别路面不平度时需要消耗大量的人力物力且识别精度不理想等问题,该文提出一种基于非线性有源自回归(NARX)神经网络识别路面不平度的方法。使用ADAMS软件建立某SUV车型的整车模型。以左前与右后悬架动挠度、车身绕质心俯仰角位移、车身绕质心侧倾角速度、左前与右后车轮垂直加速度以及车身质心垂直加速度共7个车辆响应的数据样本点作为NARX神经网络的输入,以对应的路面不平度作为NARX神经网络的输出,建立NARX神经网络模型。通过仿真得到相关系数为97.577%,均方根误差为0.0037。另取A、B、C、D 4种不同等级路面下的车辆响应,带入训练好的NARX神经网络。结果表明,NARX神经网络对4种等级的路面识别的相关系数均在90%以上。

基于非线性回归和BP神经网络的交通事故时空影响预测模型

高速公路偶发性事故影响的严重程度和波及范围的定量研究,对保障道路通行能力和为偶发性事故提供科学的应急处置方案与高效的应急救援具有重大意义。本文通过VISSIM交通仿真平台模拟了高速公路偶发性事故路段交通拥堵、扩散和消散的全过程,仿真分析了事故路段上游到达车流量、客货比例、事故处置时间和占道情况等因素的影响。根据仿真结果,建立了基于非线性回归和BP神经网络方法的两种交通事故时空影响预测模型。运用广东省某高速公路的交通事故处置记录对模型的有效性进行了验证,结果表明两种预测模型均有较好的效果,且BP神经网络预测模型更为精确,最大排队长度的最大值误差小于1 km的准确率为88. 6%,拥堵消散时间的误差小于10 min的准确率为75. 7%。

基于多元非线性回归和BP神经网络的长春花形态指标生长模型的比较

为了顺应发展智慧苗圃、科学培育植物的趋势,借助物联网实现花卉培育智能化,科学地分析了长春花外观品质与生长发育时间和环境因子的关系,通过多元非线性回归和BP神经网络两种方法分别拟合生长模型。比较两种模型的拟合效果和预测能力显示:多元非线性回归拟合的回归估计标准误差为0.456—12.090,BP神经网络拟合的回归估计标准误差为0.0331-1.4857。BP神经网络拟合效果更好,预测精度更高,能够更好展示长春花生长周期内的生长规律,为预测长势提供可靠的依据,也为智慧苗圃中长春花外观品质的提升提供了有力的决策支持。

基于非线性有源自回归模型的船用凝汽器故障早期预警

针对故障数据稀缺的现实情况,为实现船用凝汽器性能的准确评估以及灵敏故障早期预警,提出了基于非线性有源自回归模型的故障早期预警方法。考虑到凝汽器参数间存在的时序特性以及非线性特性,采用非线性有源自回归模型对参数间关系进行刻画并建立了面向故障早期预警的常模式模型。利用凝汽器物理模型的故障仿真数据进行试验,结果表明,提出方法对正常数据和故障早期数据的检测精度分别达到98.13%与100%。对比实验证明了考虑时序特性在船用凝汽器故障早期预警中的必要性。

基于神经网络的非线性混合回归预测模型

本文运用神经网络理论，建立了一种新的非线性混合回归预测模型。该模型同时具有回归及时间序列模型的特点，能很好地刻划输出量与输入量（因素）之间的动态相依关系，而且还包括了常用的线性及非线性回归模型和时间序列模型。

基于多层局部回归神经网络的多变量非线性系统预测控制

以罐式搅拌反应器为例 ,针对复杂多变量系统的强耦合性、非线性、时变性等问题 ,研究了多变量非线性系统的预测控制及改善控制性能的方法 .采用多层局部回归神经网络离线建立预测模型 ,以偏差补偿和模型修正相结合的方式对预测模型进行误差补偿 ,经在线校正用于预测控制 .通过对性能指标中的偏差项负指数加权 ,进一步改善预测控制性能 .仿真结果表明了控制算法的有效性 .

基于改进小波神经网络的光伏发电系统非线性模型辨识

将光伏发电系统看成基于气象参数的非线性黑箱模型,用非线性自回归外推模型对不同天气条件下的光伏发电系统进行辨识。采用了对系统维数不敏感的基于方差分析展开的改进小波神经网络对系统进行非线性自回归外推模型辨识,辨识数据和验证数据均取自实际光伏发电系统。实例研究结果表明:与Sigmoid网络函数法、树分割法及基本小波神经网络法相比,基于改进小波神经网络的非线性自回归外推模型能更好地反应各种不同天气条件下光伏发电系统的动态行为;天气波动的剧烈程度对辨识效果影响较大。

基于非线性时序模型的神经网络图形识别方法

提出了复数域非线性指数自回归（ＣＮＥＡＲ）图形轮廓建模方法．构造了用于ＣＮＥＡＲ模型参数估计的神经网络模型，利用该网络可解决非线性参数的估计问题．ＣＮＥＡＲ模型参数具有平移、旋转和比例不变性并与计算起始点的选择无关．基于模型参数构造了特征向量，并设计了复数神经网络分类器，给出了复数神经网络学习算法．实验结果表明ＣＮＥＡＲ模型在较低阶次即能获得较高的识别率，ＣＮＥＡＲ模型对带噪声图形及形状差别较小图形的识别效果要好于复数域自回归模型方法．

自回归模型和基于数据处理分组法的非线性模型的比较研究

为信号建立非线性模型，既是非线性动力学（例如混沌理论）研究中关心的课题，也是信号处理及系统辨识的核心课题之一。由于实际生物系统总是有非线性的，因此建立非线性模型比线性模型更具普遍意义。数据处理的群集算法（ＧｒｏｕｐＭｅｔｈｏｄｏｆＤａｔａＨａｎｄｌｉｎｇ，ＧＭＤＨ）是根据给定数据建立非线性模型的有效方法。作者吸收人工神经网络中反传算法的思想，把ＧＭＤＨ算法进一步发展成自适应算法，使之可以随着数据的不断输入自动调整参数，以跟随数据统计特性的变化。作者还以心电数据为例进行了处理，结果证明其性能确实比线性的ＡＲ模型更优。

基于非线性自回归模型的短期导游人才需求预测

该文采用非线性自回归模型(NAR),利用从四大招聘网站上提取的旅游公司导游岗位需求数据,使用MatLAB编制相关计算程序,按“每日需求”预测导游岗位的需求量,该方法可以为旅行社、景区等旅游企业提供参考。

基于回归神经网络的时间序列非线性分析

本文提出了一种基于局部回归神经网络的时间序列非线性预测分析方法，给出了新的非线性模型训练方法，并针对几类常见的时间序列，给出了实验结果。

基于非线性多参数模型的软件老化检测

提出了一种软件系统的非线性有源自回归(Nonlinear AutoRegressive models with eXogenous Inputs,NARX)网络模型的老化检测方法。解决了目前软件老化方法未考虑多变量间关联性及历史数据的延迟影响的问题。该方法首先通过对实验采集的HelixServer-VOD服务器性能数据进行主成分分析,确定网络的输入维数,根据AIC准则确定最佳模型阶数,最终选取合理的网络模型结构;使用已知的未老化状态样本对NARX网络进行训练,建立系统的辨识模型;然后运用序贯概率比检验(Sequential Probability Ratio Test,SPRT)对NARX辨识模型的残差进行假设检验,判断系统的老化状态。实验分析表明,基于NARX网络模型的故障检测方法能够有效地应用于软件老化的检测。