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。

基于多元非线性回归和BP神经网络模型对黄河水沙监测数据特征分析的比较

利用2016-2021年黄河水位、水流量和含沙量已有的历史数据,采用三次样条插值方法,可建立多元非线性回归和BP神经网络模型。比较两种模型的误差率,进而得到BP神经网络预测精度更高(平均误差率:0.1981)。这为预测含沙量提供可靠的依据,也为监管机关制定合理有效的检测方案提供了有力的支持。

基于“多元回归分析法和BP神经网络”的坝体沉降预测研究

基于“多元回归分析法和BP神经网络”的方法,针对坝体沉降进行了预测研究。通过采集某蓄电站面板堆石坝的沉降数据,结合多元回归分析和BP神经网络模型,实现了对坝体沉降趋势的预测与分析。通过与实际监测数据的对比,验证了所提方法的有效性和准确性。本研究为坝体沉降预测提供了一种新的方法和技术支持。

思维进化算法和神经网络结合的PSD非线性优化

针对位置敏感探测器(PSD)的非线性输出误差导致激光对中仪整体精度较差问题,建立思维进化算法(MEA)和LM-BP神经网络相结合的模型对其进行优化。该方法利用MEA较强的全局寻优能力,优化LM-BP网络的初始权阈值,找到最优个体构建MEA-LM-BP神经网络。使用MATLAB软件编程构建BP神经网络,对实验获得的原始数据进行分析处理。仿真结果表明,该方法可以有效提高LM-BP法的泛化能力,同时具有更高的优化精度,可以极好地提高传感器的测量精度以及仪器整体精度。

基于Logistic回归和神经网络的甘肃省道路结冰预警模型研究

为更好地开展公路交通道路结冰预报预警服务工作,利用甘肃省道路结冰高发区路段(甘肃武威以东)的交通气象站逐小时观测资料,分析道路结冰空间分布特征,探讨道路结冰与气象要素的相关性,采用Logistic回归法和神经网络算法构建道路结冰预警模型。结果表明:甘肃省道路结冰主要集中在冬季(12月至次年2月),其中00:00—10:00和22:00—23:00(北京时)出现道路结冰的频率较高。Logistic回归模型和神经网络模型对未发生结冰事件的预测准确率较高,分别为91.9%和96.2%;针对发生结冰事件,Logistic回归模型的预测准确率较低,为31.6%,而神经网络模型的预测准确率可达44.6%,说明2种模型对道路结冰预警有一定指示意义,神经网络模型预测效果优于Logistic回归模型。

一种基于回归神经网络的码本激励非线性预测话音编码算法

为改善预测类声码器中长时预测器特性 ,本文引入了一种全连接回归神经网络 (FRNN)非线性预测器并将其应用于话音编码算法中。FRNN在隐层单元不仅有来自自身的反馈 ,也有来自输出单元的反馈 ,因此其预测性能好于常规预测器。将其应用于码本激励话音编码系统 (CELP)中 ,可得到较低的传输码率 ,同时亦可改善编码质量。

基于非线性自适应回归神经网络的GPS/IMU组合导航方法

车道级高精度定位导航是智能网联汽车的基本配置,全球定位系统(globlal positioning system,GPS)/惯性测量单元(inertial meansurement unit,IMU)组合导航是高精度定位的关键技术之一。根据汽车行驶过程中高精度定位要求,提出了应用于智能网联汽车的基于非线性自适应回归(nonlinear autoregressive exogenous,NARX)神经网络的GPS/IMU组合导航方法。首先,根据IMU传感器数据特性,建立了基于扩展卡尔曼滤波的惯性导航系统(inertial navigation system,INS)模型,其次,基于NARX神经网络,建立了GPS/INS组合定位训练和预测模型,然后,基于全球导航卫星系统(global navigation satellite system,GNSS)、实时动态差分技术(real-time kinematic,RTK)、INS等技术,设计了智能网联汽车RTK高精度定位数据采集实验系统,并收集了实验数据。最后,对NARX网络训练误差和GNSS信号长时间失效情况下定位预测误差进行了讨论与分析。实验结果表明,该方法在GNSS信号失效5 min情况下,定位预测误差在2.5 m以内,满足一般情况下,短、中、长隧道中智能网联汽车定位应用要求。

非线性回归分析中的神经网络方法

基于三层前馈式人工神经网络，提出一种用于确定一类非线性曲线回归参数的有效方法。通过实例学习，结果表明。

非线性多元回归分析的神经网络方法(英文)

提出了利用前馈神经网络进行非线性多元回归分析的方法 ,该方法能有效解决传统多元回归分析难以解决的非线性多元回归问题 ;并提出了进行非线性多元回归分析的BP改进算法 。

一种基于回归神经网络的非线性矢量量化方法

本文提出了一种两级神经网络矢量量化（ＮＮＶＱ）的方法。该方案中，通过用激励矢量所驱动的网络输出来逼近所要编码的矢量。网络和激励码本都通过优化从而能克服常规算法中的一些病态情况。实验结果表明使用了回归神经网络和优化训练算法的ＮＮＶＱ的性能好于一股的矢量量化算法。

基于反向传播神经网络的卤水蒸发速率预测模型

卤水的蒸发速率是盐田生产管理中的一个重要技术参数,通过搭建室外卤水蒸发实验装置,分析了辐照强度、风速、环境温度、相对湿度、卤水温度、卤水浓度与卤水蒸发速率的关系。利用反向传播(BP)神经网络,训练构建了卤水蒸发速率预测模型,并与传统的应用回归方法构建的模型进行比较。结果表明,BP神经网络模型和非线性回归模型的决定系数R2分别为0.902和0.884,预测平均相对误差分别为15.723%和18.943%,BP神经网络模型的拟合效果和预测能力均优于非线性回归模型。说明应用BP神经网络构建卤水蒸发速率预测模型是可行的,能够实现蒸发速率的快速估测。

基于人工神经网络及非线性回归的岩爆判据

采用人工神经网络和非线性回归方法研究岩爆判据研究。首先利用人工神经网络对原始样本进行量化,然后对量化后的样本数据进行非线性回归分析,获得新的岩爆判据公式。研究结果表明:此岩爆判据公式具有较高的预测精度。

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 .

基于人工神经网络的非线性回归

探讨了人工神经网络在回归分析领域应用的理论基础,对基于人工神经网络的非线性回归进行了深入的实践分析。以BP网络为例给出了基于人工神经网络的非线性回归实例分析。结果表明利用人工神经网络进行非线性回归是一种良好的数据回归方法,可以方便地应用于解决非线性回归问题。

广义回归神经网络在非线性系统建模中的应用

广义回归神经网络具有设计简单、收敛快等优势,因此在复杂非线性系统建模中得到了广泛应用;在简要介绍了广义回归神经网络的结构和算法的基础上,基于广义回归神经网络和均匀设计理论,提出了一种新的非线性系统稳健建模方法,并给出了仿真算例;仿真结果表明,用文中提出的方法建立非线性系统预测模型,具有预测结果稳定、模型稳健性好等优点。

基于广义回归神经网络的传感器非线性误差校正

介绍了径向基函数网络的函数逼近原理和方法,提出了一种基于广义回归神经网络(GRNN)的传感器非线性误差校正方法。通过Matlab的Network Toolbox(神经网络工具箱),GRNN训练程序实现了输出特性曲线逼近。仿真分析表明:GRNN能够很好地满足传感器非线性拟合的要求,网络结构简单,收敛速度快。

基于神经网络的非线性时间序列预测方法研究

本文提出了一种基于神经网络进行非线性预测的方法,对BP模型应用于非线性预测进行了较详细的研究和探讨,应用该方法对经典非线性时序信号进行预测,并与传统预测方法(TAR预测法)效果进行了比较,结果证明神经网络预测方法(ANN预测法)具有十分明显的优势.

基于回归神经网络的非线性时变系统辨识

为克服基于前馈神经网络的非线性时变系统辨识算法存在需预先估计系统输入输出滞后阶数的缺陷 ,提出一种基于回归神经网络的非线性时变系统的辨识算法。针对现有的回归网络学习算法大多采用梯度算法 ,收敛速度缓慢问题 ,提出一种具有快速收敛性的扩展卡尔曼滤波学习算法 ,大大提高了学习收敛速度 ;并推导了一种基于单个神经元的局部化算法 ,减少了计算量。仿真实例证明 ,所提出的算法是有效的。

电力需求的非线性回归组合神经网络预测研究

电力需求同时具有典型的增长性和季节波动性二重趋势,从而显示出复杂的非线性组合特征。为了提高电力需求的预测精度,提出一种新的预测模型——非线性回归组合神经网络模型。该模型有效兼顾了非线性回归分析和人工神经网络的优点,与其他预测模型进行了比较,该模型明显提高了电力需求预测的精度。仿真实验表明了该模型用于电力需求预测的可行性和有效性。同时,该模型也可以作为其他类似季节型时间序列预测建模的有效工具。

基于深度神经网络的船舶系泊受灾预报研究

为避免船舶系泊于码头时遭受恶劣海况而发生的缆绳断裂等问题,通过深度神经网络建立了系泊受灾预测模型,来快速获得系泊船舶所有系泊缆绳的受力。模型输入特征数量为11个,涵盖风、浪、流、涌、船舶吃水及船舶系泊方式等基本参数,输出特征为系泊系统中所有缆绳的受力。对模型的测试结果表明,相比于径向基神经网络,模型具有较高的预测精度,每组测试工况下的平均相对误差不超过10%。可将该模型用于在恶劣海况来临前对系泊系统的安全评估和风险分析,有助于相关人员及时采取应对措施,从而保证系泊系统的稳定性与可靠性。