基于脊波神经网络的短期风电功率预测

对风电功率进行较为准确的预测是提高电力系统运行安全性与经济性的有效手段。在分析脊波神经网络原理的基础上,将其应用于风速、风向及风电功率预测。首先建立预测模型分别预测风速及风向,再采用非线性神经网络实现对实际功率曲线的逼近,最后根据风速预测值和实际功率拟合曲线计算功率预测值。仿真结果表明,采用脊波神经网络预测方法相对于小波神经网络、反向传播(BP)神经网络和径向基函数(RBF)神经网络方法,其风电功率预测结果准确性能得到提高。

基于混沌DNA遗传算法与PSO组合优化的RNN短期风电功率预测

提高短期风电功率的预测精度对保证电力系统安全、稳定地运行具有重大意义。针对风速信号的强奇异性,采用脊波神经网络建立短期风电功率的预测模型;同时利用混沌DNA遗传算法确定脊波神经网络的隐层结构,采用粒子群算法优化网络的连接权值及方向向量。对新疆某风电场的输出功率进行了预测实验,并比较了优化前后脊波网络模型的预测性能。研究结果表明采用粒子群与混沌DNA遗传算法组合优化后的脊波神经网络均方根误差降至12.3%,预测精度得到显著提高。

基于小波神经网络的医学图像分类方法

为了提高乳腺癌早期诊断的准确率,将小波理论与神经网络理论相结合提出改进的小波神经网络算法。将经过预处理的医学图像提取特征值,然后利用基于改进的小波神经网络算法的分类器对医学图像进行分类。通过实验表明此分类器具有较高的分类精度,是有效和可行的;与单独使用后向传播神经网络算法相比分类效果也得到了改善。

一种自适应脊波网络模型

将脊波理论和神经网络相结合,采用具有方向信息的脊波函数作为隐层神经元的激励函数,提出一种自适应脊波网络模型.由于脊波表征高维信息的稳定性和逼近线型奇异性的稀疏性,脊波网络能够以更小的网络规模逼近广泛的多变量函数类型.相对固定的脊波变换它具有更灵活的结构、快速并行的处理速度以及强容错性和鲁棒性.仿真结果也证明了其有效性.

基于脊波和神经网络的大压缩比遥感图像压缩

为了实现大压缩比的遥感图像压缩,利用神经网络的自组织、并行计算和分布式存储的能力,提出一种基于神经网络的压缩方法.在传统单隐层前向神经网络的基础上,该网络使用一种新的能有效处理直线型和曲线型奇异性的多尺度几何分析工具-脊波,作为隐层神经元的激活函数.它不仅具有神经网络压缩的优点;并且由于脊波良好的时、频和方向局域化特性,能够对遥感图像的边缘和轮廓实现更加有效的表示.仿真结果表明:该方法不仅能实现较高的压缩比,而且具有重建图像质量好、学习快速和鲁棒性强等优点.

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。

基于自适应脊波网络的高光谱遥感图像分类

神经网络是遥感地物自动分类的重要工具之一。利用多尺度几何分析中的脊波基函数建立了一种自适应脊波网络模型。在传统自适应粒子群算法的基础上,提出一种引入粒子密度因子的自适应粒子群优化算法作为网络训练算法。为验证其性能,利用互信息约简技术对220波段AVIRIS 92AV3C高光谱数据进行约简,并将它们作为网络输入实现对高光谱遥感地物的自动分类。仿真试验表明:引入粒子密度因子的粒子群算法与传统粒子群算法相比,不易出现早熟问题,在处理高维非线性组合优化问题时具有一定优势;由于脊波函数对高维奇异性的表征能力,相比于传统的RBF和SVM分类器,脊波神经网络分类器对具有明显边界特征的地物分类问题具有较高的精度,同时网络规模小,结构简单。

基于分形脊波神经网络的遥感图像分类研究

在分形理论和脊波神经网络的基础上,综合利用彩色遥感图像的光谱、纹理和形状特征,提出了一种彩色遥感图像的分类新方法.该方法把彩色图像的蓝、绿、红波段作为3个光谱特征,由分形理论计算的DBC维和多重分形维数作为2个纹理特征,平均不变矩作为1个形状特征,并利用对曲线具有极强方向识别能力的脊波神经网络作为分类器.实验结果表明,提出的彩色遥感图像分类方法具有较高的分类准确率和较强的抗噪音能力.

极限学习脊波过程神经网络及应用

为提高页岩的岩性识别精度,首先针对测井曲线连续变化、突变频繁的信号特征,利用脊波变换作为过程神经元的激励函数,提出一种脊波过程神经网络模型;其次通过Ada Boost的动态调整机制迭代调整模型和样本集权重,利用多个弱分类器的线性加权构建强分类器;最后为提高AdaBoost中的每个脊波过程神经网络模型的学习速度,提出一种基于满秩分解的极限学习算法,通过Moore-Penrose广义逆求解隐层输出权值。仿真实验以A区的B1井和B2井为例进行岩性识别,通过对比分析验证方法的有效性,识别效果优于其他过程神经网络模型,准确率最高可达90%左右。

基函数网络逼近:进展与展望

从神经网络、统计估计、逼近论、调和分析等角度研究了多变量目标函数的逼近问题 ,评述了这些工具的逼近效率和能力 ,同时研究和评述了脊波 (Ridgelet)的发展现状及应用前景 。

高速铁路桥梁段无缝线路纵向受力特性分析及工后沉降预测研究

为准确掌握不同荷载及影响因素对桥梁段无缝线路的纵向受力特性的影响,并得到其工后沉降规律,先利用Ansys软件构建无缝线路纵向受力分析模型,再利用脊波神经网络构建工后沉降预测模型,旨在通过两类模型分别开展桥梁段无缝线路的纵向受力特性分析及工后沉降规律研究。研究结果显示:在纵向受力特性分析方面,阻力扣件类型及其铺设方案对无缝线路的纵向受力影响较大,应结合工程实际,充分探讨不同阻力扣件类型和铺设方案的适用性,且桥墩和桥台刚度宜接近为优,桥梁跨数也不宜过大;在工后沉降预测方面,脊波神经网络具有良好的预测效果,但其模型参数应进行优化处理,且通过递进优化及混沌误差弱化,能有效提高预测进度,所得结果的平均相对误差均小于2%,验证了该预测模型的有效性。预测结果显示,桥梁段工后沉降趋于稳定,为其后期运营提供了一定的理论指导。

基于RRNN的破障武器滑模控制

为了提高某破障武器随动系统响应的快速性和准确性,对其进行神经网络滑模控制研究。结合伺服系统的模型,引入脊波递归神经网络(RRNN)对模型动态自适应逼近,可有效提高响应速度和鲁棒性。通过脊波递归神经网络滑模控制器(RRNN-SMC),有效地抑制了扰动、参数变化等非线性因素的影响。最后,采用粒子群优化算法对脊波参数和链接权值进行优化,可以有效降低滑模抖振的影响。通过仿真实验发现,该方法能够保证随动系统的稳定性,加快动态实时响应的速度,提高随动控制的精度。

基于数字脊波和样条权神经网络的高光谱图像融合分类

提出了一种基于数字脊波和样条权神经网络的高光谱图像融合分类新算法。在特征级融合中,针对数字脊波的特点,对不同分辨率的脊波系数采用局部信息熵进行融合,并运用样条权神经网络实现了分类。在决策级融合中,提出了先用样条权神经网络进行预分类,然后用主体投票法进行决策融合的算法,为避免作为局部分类器的神经网络结构过于复杂,对输入数据先进行了像素层的融合实现数据降维,这实质上体现了一种多层次融合的思想。实验结果表明,这两种方法都能有效的实现高光谱图像的融合及分类,在较少的训练样本下分类精度能达到92%以上,其中特征级融合可达到95.87%。

基于粗集理论算法-脊波神经网络的深基坑变形预测与应用

基坑开挖变形具有非线性特性,在脊波神经网络的基础上,采用粗集理论算法优化初始权值和阈值,建立了基于粗集理论算法-脊波神经网络的深基坑变形预测模型,应用该模型对西南地区某市火车站综合交通换乘中心南广场的基坑开挖过程进行了变形预测。结果表明:粗集理论算法能够对脊波神经网络进行优化,提高了脊波神经网络基坑变形预测结果的收敛速度和泛化能力;脊波神经网络能逼近基坑变形的非线性部分,避免了模型误差影响基坑开挖变形预测精度,提高了系统整体抗干扰性能。模型的预测值与实测值之间的误差在5%以内,满足实际工程的要求。

基于深度脊波神经网络的电力系统短期负荷预测模型

针对电力系统负荷的非线性预测问题,本文构造了一种基于深度脊波神经网络的电力系统短期负荷预测模型。该模型的隐含层采用脊波神经元,神经元的激励函数采用脊波变换函数。对该预测模型采用受限的玻尔兹曼机学习原理进行预训练,最后利用粒子群优化算法对其进行深度优化精调。通过对某地区实际电网负荷系统进行仿真预测,结果表明,与传统的BP神经网络、脊波神经网络和常规深度神经网络模型相对比,深度脊波神经网络预测模型的日平均绝对误差百分比分别降低了1.96%、1.12%和0.3%,日最大绝对误差分别降低了3.91%、2.19%和1.78%,验证了深度脊波神经网络预测模型具有较好的预测准确度和稳定性。

基于脊波递归神经网络的短期负荷预测模型

为准确有效地预测电力系统负荷,本文提出了一种基于脊波递归神经网络(ridgelet recurrent neural network,RRNN)的电力系统短期负荷预测模型。采用脊波函数作为预测模型隐含层神经元中的激励函数,在网络模型的内部加入关联层,关联层节点可有效存储隐含层神经元的内部状态,增强了网络模型的反馈联接,并采用粒子群优化算法(particle swarm optimization,PSO)对网络的参数和权值进行优化,避免模型出现陷入局部最优解的问题。以某地区电网负荷系统作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络和常规脊波神经网络预测模型相比,本文所提出的预测模型的日平均绝对误差和日最大绝对误差均有所降低,具有较好的预测性能。该研究具有一定的实际应用价值。

基于粒子群脊波神经网络的飞机目标识别

针对传统的基于梯度的脊波神经网络训练算法存在效率低、网络规模大、后期容易震荡等缺点,提出了一种粒子群网络训练算法,网络结构采取逐步递增隐层神经元的方法加以确定,对粒子群个体参数取不同的位置边界,并对粒子飞行速度进行限制,在合理设定粒子群算法各参数值的情况下实现了网络快速而有效的训练.仿真试验将该网络用于6类空中飞机目标的识别,并与传统的识别手段进行了比较,结果表明粒子群算法训练的脊波神经网络具有规模小、学习和泛化能力强、网络可控性好等优点.

碰撞振动系统混沌运动的脊波神经网络控制

针对一类含间隙碰撞振动系统混沌运动的控制问题,提出一种基于脊波神经网络的混沌运动智能优化控制方法.该方法基于脊波神经网络设计混沌控制器,同时采用动态多子群引力搜索算法优化脊波神经网络模型的参数.在碰撞振动系统进入混沌运动状态后,利用经优化的脊波神经网络混沌控制器输出微幅调整量施加于系统的可控参数,对混沌系统进行参数反馈控制,使系统产生规则的周期运动.该方法不依赖被控系统的精确数学模型,可适用于系统模型未知而仅获得系统I/O数据的情况.仿真结果验证了该控制方法的可行性和有效性.

基于量子衍生布谷鸟的脊波过程神经网络及TOC预测

为提高总有机碳含量(TOC)的预测精度,针对测井曲线的时变、奇异性特征,选用脊波函数作为过程神经元的激励函数,提出一种连续脊波过程神经元网络.模型训练方面首先给出基于正交基展开的梯度下降法;其次为提高模型训练收敛能力,提出一种沿Bloch球面纬线实施莱维飞行的量子衍生布谷鸟算法,并用于模型参数优化;最后将训练好的脊波过程神经网络应用于泥页岩TOC预测,通过相关性选取对TOC响应敏感的测井曲线作为模型特征输入.实验对比结果表明,该方法的预测精度较高,较其他过程神经网络提高7个百分点.

进化优化脊波网络及其应用

用脊波函数作为单隐层神经网络的激活函数,针对此种网络提出了一种两阶段的参数估计优化算法:用进化算法来优化网络中的尺度、方向和位置参数,用最小二乘法来估计网络中的线性权重。把此种模型和优化方法用于预测著名的Mackey-Glass混沌时间序列。比较结果表明了提出方法的有效性。