Elman神经网络在地下水动态预测中的应用

详细介绍了Elman神经网络的基本结构和数学模型,同时以地下水动态预测为例,给出用Elman神经网络建立地下水动态预测模型的方法。模型检验结果表明,该模型拟合和预测精度均较高,可应用于地下水动态系统的建模,借此说明Elman网络在地下水动态预报中的可行性,并为Elman网络技术在水文水资源领域的动态模拟应用提供借鉴。

基于滑坡监测数据的Elman神经网络动态预测

滑坡在我国是一种极为频发的地质灾害,且其积累位移监测曲线有着复杂的非线性特性,对此各研究者建立过许多预测模型,然而这些模型的预测精度不尽如人意。基于Elman神经网络可以任意精度逼近任意非线性函数的特征,并以sigmoid为方程的核函数,在选择隐含层数时用了试用法,通过"3δ"法及归一化工程实例滑坡累积位移数据,建立了Elman神经网络动态预测模型。基于该模型对多个监测点数据进行动态预测,结果表明该模型的预测结果与实测数据的吻合度较高,且平均误差为1.78%,预测精度较高,验证了Elman神经网络能够在预测滑坡灾害中发挥一定作用。

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的El-man网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。

基于Elman神经网络的表层岩溶泉动态预测及应用——以广西平果县果化镇布洋1号表层岩溶泉为例

基于Elman网络基本原理,建立了布洋1号表层岩溶泉Elman神经网络模型,并以2005年8月2日开始的一次衰减过程为例,详述了Elman神经网络模型应用分析过程,给出了在无降雨影响下该次衰减过程具有的总排泄量及最佳的储水时间。经检验,该模型预测精度较高,为布洋1号表层岩溶泉水资源的科学利用提供了依据,同时也为Elman网络技术在表层岩溶泉动态系统的其它领域应用提供了借鉴。

基于ELMAN神经网络的同步电机动态参数在线辨识

为提高同步电机参数在线辨识的速度和可靠性 ,减少辨识计算量 ,提出了一种基于神经网络的同步电机参数动态跟踪辨识方法。针对同步电机暂态、次暂态参数的非线性和动态特性 ,在多层前向 BP网络中引入特殊关联层 ,形成有“记忆”能力的 Elman神经网络 ,因而可以映射系统的非线性和动态特性。在网络训练算法中 ,提出一种自适应修正步长和矩量因子的算法 ,显著提高了训练的收敛速度。训练样本集以同步电机在各种典型运行模式下的检测数据经卡尔曼滤波、状态空间有限元等基于模型的辨识算法离线计算得到。文中还给出了由工控机、智能数据采集卡和传感器锁相环控制接口电路构成的在线辨识硬件电路设计。数字仿真和动模实验机组辨识算例证明 ,这种 Elm

基于Elman型回馈神经网络的流域降雨-径流动态过程建模的研究

本文将Elman回馈型神经网络与水文系统的特点相结合 ,建立了流域降雨 -径流动态模型。文中用较简单的方法解决了神经网络模型难以直接描述水文系统前期状态的难题 ,并以福建沙县流域的降雨 -径流过程为研究对象 ,通过完整的分析 ,表明Elman型神经网络与水文系统概念相结合的动态过程模型是一种能够保证较高的预报准确性的模型 ,同时又具有良好的适应性、健壮型和外延性 ,显示出良好的应用前景。

Elman动态递归神经网络在陀螺仪系统建模中的应用

本文针对Ｅｌｍａｎ 动态递归神经网络的特点，提出了一种基于Ｅｌｍａｎ 动态递归神经网络建立陀螺仪系统模型的方法。文中给出了Ｅｌｍａｎ 网络的网络结构和学习方法，并对建立起的网络模型进行了仿真，仿真结果表明，该方法是可行的。

基于Elman神经网络的三元乙丙橡胶胶料动态粘弹性能预测

研究三元乙丙橡胶(EPDM)胶料配方因子与动态粘弹性能之间的关系,通过建立Elman神经网络模型预测EPDM胶料在85℃,0. 1Hz,15%应变下的动态粘弹性能。通过正交试验设计18组数据样本,利用1—14号样本训练Elman神经网络、15—18号样本验证Elman神经网络的预测能力。结果表明:Elman神经网络对EPDM胶料动态粘弹性能预测结果的相对误差基本在4%以内,具有较高的预测精度。

基于Elman神经网络的我国入境游客量动态预测

为了更好地拟合我国入境游客量系统动态和时变特性,对我国入境旅游游客量进行科学准确的预测,将Elman网络引入我国入境游客量预测,提出基于Elman神经网络的入境游客量预测模型。以国家统计局公布的最近30个月我国入境旅游游客量月度数据为研究对象,前27个月数据用于建立训练网络,后3个月数据用于检验模型,模型预测最大误差为2.928%,最小误差为1.492%,平均误差为2.19%,模型预测效果与实际非常接近。结果表明:模型能更好地反应我国入境游客量系统的非线性、动态性、时变性等特征,为我国入境旅游游客量预测提供了一种较可靠的途径。

基于Elman神经网络的受热面积灰动态预测

在火电厂燃煤锅炉运行过程中,受热面的积灰是降低锅炉运行效率和安全性的一个重要原因。对此,各研究者根据建立固定的预测模型制定吹灰策略,认为是及时吹灰而忽略了吹灰需要一定的准备时间。针对上述问题,不仅在数据预处理时,采用时间序列随机选取的方法反映不同工况下的灰污沉积厚度,而且提出了基于清洁因子(CF)的Elman时序神经网络动态预测模型。为了构造合理的网络模型,采用试凑法得到最优隐含层节点数。最终,通过正态概率密度(PDF)曲线验证了该模型预测的精准性,并对比分析了在不同预测起始点滚动预测的结果。经实例仿真,结果显示Elman网络模型的预测结果与实际监测数据的吻合度较高。从而为下一步的吹灰优化研究奠定了坚实的基础。

基于Elman神经网络的高压电缆导体温度动态计算方法

导体温度作为运行电缆的关键状态参数,是影响电缆载流能力、绝缘性能的重要因素。针对传统方法难以克服电缆本身物性参数和外部环境变化影响的局限,构建了以电缆运行电流和电缆实时外表面温度为输入,以导体温度为输出的Elman神经网络模型,并引入粒子群算法优化网络的初始权值和阈值。最后,提出了具体的电缆导体温度动态计算方法,通过设计不同工况下电缆温升实验,进而验证了所提出方法的有效性。实验结果表明,所提方法的计算准确度可以不受电缆物性参数、负荷变化方式及外部环境变化的影响,有助于实现电缆导体温度的实时监测。

基于改进Elman神经网络的电子元件性能预测

为提高传统Elman神经网络的动态性能,通过增加输出层与承接层之间的反馈环节,提出了一种新的改进的Elman神经网络模型,利用梯度下降原理对其学习算法进行了推导。同时引入附加动量和变学习率算法,建立了基于改进Elman神经网络的预测方法,并将其应用于电子元件性能参数的预测中。仿真实验证明,相比于BP和传统Elman神经网络,改进后的Elman神经网络训练速率快,预测精度高,具有良好的动态性能。由此可见,改进的Elman神经网络模型在对具有非线性时序特征参数的预测中,具有良好的应用前景。

Elman神经网络在平原区降水入渗补给预测中的应用

在概括性地介绍了Elman神经网络的基本原理的基础上,以吉林省中部某平原区降水入渗补给的多年动态变化为例,建立了5-7-1结构的Elman神经网络动态预测模型。模型的检验结果表明,该模型的预测精度较高且能够反映该地区降水入渗补给的周期性变化特征。借此说明Elman神经网络在降雨入渗补给的多年动态变化预测中具有一定的实用价值,为Elman网络在其他领域的动态模拟应用提供参考。

基于递归小波神经网络的非线性动态系统仿真

为提高动态递归神经网络的动态系统仿真能力,在Elman神经网络的基础上,提出动态递归小波神经网络(RWNN),给出了其动态梯度下降算法,并将其成功应用于非线性动态系统仿真。仿真算例表明,该网络具有收敛快,精度高等优点,仿真效果很好,同时具有较好的泛化性能,具有广阔的应用前景。

一种新型的动态递归神经网络及其算法

通过对Elman网络的研究 ,提出了一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络 ,并给出了其算法。通过在系统辨识中的应用表明 ,该网络收敛速度快 ,模型精度高 ,具有较为广阔的应用前景。

基于Elman神经网络的港口货物吞吐量预测

为提高港口货物吞吐量的预测精度,进而为港口建设提供数据支持,引入具有处理动态信息能力的Elman神经网络。将Elman神经网络应用于宁波舟山港的货物吞吐量预测,采用前6个月数据递归预测后一个月数据的方式构建时间序列数据,同时与BP神经网络以及RBF神经网络的预测结果进行分析比较。结果表明:在港口货物吞吐量预测方面,相比于BP神经网络以及RBF神经网络,Elman神经网络更能适应吞吐量数据随时间变化的特性,其预测值更接近实际值,其预测性能更优,且更能体现港口实际状态。

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测。首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型。经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习。以宁波-舟山港2011—2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度。研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91%,最小值0.06%,可以将预测误差控制在2%以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法。

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机(PMSM)中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。

基于神经网络的动态响应时间序列预测

研究目的是建立复杂非线性动态响应时间序列预测模型。摩擦和柔性的影响使柔性机构动态响应为高度非线性,实时控制的难度很大。应用改进的Elman动态神经网络技术,建立了柔性机构运动参数动态响应预测模型,对柔性机构的运动参数进行实时预测。通过机构动态响应的预测实例,证明该方法计算速度较快,精度较高,为实现复杂大系统的实时控制提供了一个有效可行的方法。

基于神经网络在线学习的输电线路多时间尺度负载能力动态预测

输电线路负载能力的动态预测能够为负荷调度方案和线路故障检修管理提供十分重要的参考。提出基于运行环境变化对输电线路多时间尺度负载能力进行预测的方法。利用Elman神经网络结合气温、风速、负荷的历史值实现在线学习并预测气象参数和负荷,再基于稳态和暂态热容量计算模型对输电线路不同运行时间的允许负载能力进行动态预测。对比输电线路负荷与稳态、暂态负载能力,充分挖掘了输电线路的潜在容量,为制定电网科学调度和检修策略提供有力支撑。