共查询到20条相似文献，搜索用时 234 毫秒
1.
《浙江大学学报(A卷英文版)》2016,(2)
目的:相对于由能量平衡方程得到的数值预报模型和以神经网络为代表的非线性模型而言,自回归(AR)模型在波浪预报中具有计算效率高、自适应性强和建模所需的样本小等优点,但同时存在局限于平稳线性假设的缺陷。针对非线性非平稳波浪的极短期预报问题,提出一种复合的经验模态分解自回归预报模型,提高波浪预报精度。创新点:1.研究非线性非平稳波浪极短期预报问题,提出一种复合的预报方法;2.基于三个不同地理位置的海洋波浪实测数据对预测模型进行验证,并分析非线性非平稳性对波浪预报结果的影响。方法:1.在AR模型中引入经验模态分解(EMD)方法,形成复合的EMD-AR预报模型;2.分析实测波浪数据的非线性和非平稳性特点,并基于实测波浪数据获得AR模型和EMD-AR模型的预报结果;3.基于多种预报误差度量分析AR模型和EMD-AR模型的预报性能以及非线性非平稳性对波浪预报结果的影响。结论:1.波浪非线性和非平稳性会导致AR预报模型精度降低。预报误差中,幅值上的偏差主要由波浪的非线性引起,而相位上的偏差则是源于波浪的非平稳性;2.EMD方法能够有效地克服波浪非线性和非平稳性对AR模型在精度上所带来的不良影响,在精度上EMD-AR模型的预报结果较AR模型有较大提高。 相似文献
2.
《长江工程职业技术学院学报》1991,(2)
本文将介绍哥伦比亚河流域的洪水预报方法及水库未来的防洪控制情况。在回顾流域历史洪水的同时,也将简要介绍流域特性及开发情况。介绍水库调度方法及对预报的精度要求。水库系统的预报采用被称之为SSARR的水文计算模型。与波特兰国家气象局的河道预报中心联合运行后,该模型可用来制作短期(1～5天)和长期(5～90天)的河流洪水和水库运行预报。利用这些预报可制订单一水库或整个流域系统的防洪计划。 相似文献
3.
研究了小波神经网络对于预测短时交通流的适应性,提出了利用小波神经网络的特性建立短时交通流预测模型;并利用苏州市某交叉口实测交通流量,运用小波神经网络建立了非线性回归预测模型,结果证明预测是可靠的,有助于城市交通流动态参数的预测,可为 ITS 的构建提供数据支持 相似文献
4.
产汇流模型是根据TANK模型,经引入优化原理和改进模型结构并结合长湖水电厂流域自然条件特点而研制的水文模型.模型采用直列式三级串联和两列并联结构;参数直接由实测雨洪资料分析、综合求出,客观地描述了产汇流过程和流域暴雨洪水特点。该模型还具有优化计算和对预报值作实时跟踪校正的功能。 相似文献
5.
从控制结构的角度总结神经网络自适应在非线性系统中的应用,对神经网络自校正、模型参考自适应控制和内模控制,并对其构成与特点进行了分析.指出了神经网络自适应控制研究中存在的一些问题. 相似文献
6.
简要介绍了非线性的神经网络和分量级的多元线性回归模型 ,并采用这两种方法对广东省珠江三角洲河口区水位过程进行预报分析 相似文献
7.
根据信号和噪声的特性不同,提出了一种基于神经网络的双小波混沌信号降噪方法。该方法结合奇异谱和梯度下降算法,分别对小波变换后的近似部分和细节部分进行了分析。一方面,奇异谱分析更大程度地去除了代表噪声的较小奇异值;另一方面,神经网络对非线性阈值的自学习,实现了小波系数的自适应选取,提高了信号的定位精度。通过对Lorenz模型和月太阳黑子时序进行仿真,证实了本文所提方法能够对实际观测的混沌信号进行有效的降噪。 相似文献
8.
为了深入挖掘天线平行T形薄壁件结构焊接装配特性之间的关联映射关系,考虑焊接方向、焊接夹具夹持和释放时间、固定约束和焊接顺序等因素,采用有限元仿真进行焊接特性分析,揭示焊接特性之间的映射关系.同时,采用广义回归神经网络(GRNN)、小波神经网络(WNN)和模糊神经网络(FNN)等机器学习算法,预测薄壁件焊接的多重特性,以反映其变化趋势和映射关系的正确性.与广义回归神经网络和小波神经网络的预测结果相比,采用模糊神经网络方法所预测的焊接变形、温度和残余应力值的相对误差最大的均值分别小于4.8%、1.4%和4.4%.结果表明,采用模糊神经网络方法预测的焊接特性结果优于其他2种方法.此外,针对不同焊接工况下的变化分析结果亦表明,焊接变形、温度和残余应力之间在某一时间段确实存在相应的关联映射关系. 相似文献
9.
《实验室研究与探索》2016,(5)
由于交通流量的非线性、复杂性和不确定性,确定数学模型的预测方法难以满足交通管理控制中对预测精度和收敛速度的要求。为了对交通流进行准确、实时、高效的预测,提出将小波理论与神经网络相结合,并改进网络的训练过程从而构建改进型小波神经网络;同时运用遗传算法优化网络的初始权值,最终提高了预测精度,加快了收敛速度,避免陷入局部极小。通过仿真和分析,提出的方法具有较好的预测结果。 相似文献
10.
由于水文模型是对物理过程的简化,用以描述事物最主要的物理过程,从而数学模型受许多不确定因素的影响.因此,提出了一种耦合了人工神经网络(ANN)和新安江概念模型以提高径流预报精度的方法.该方法用最新的观测资料和新安江模型中产生的径流剩余误差/流量预报结果,其工作原理为用神经网络模型预报新安江模型误差,并作为新数据引入,使径流预报得到改进.对互补的神经网络模型而言,使用的变量要以特定格式输入以符合新安江模型的要求.结果表明,与单独用新安江模型预报相比,互补模型的洪水预报精度有明显提高. 相似文献
11.
蒋惠凤 《温州职业技术学院学报》2014,(1):57-60
为提高负荷预测精度,将主成分回归（PCR）、偏最小二来回归（PLSR）与反向传播神经网络（BPNN）相结合,分别建立基于PCR和PLSR及与神经网络耦合的年用电量预测模型.结果表明,以PCR和PLSR方法提取成分作为神经网络的输入,以实际用电量作为输出,建立的PC-BPNN和LV-BPNN非线性预测模型拟合优度优于PCR和PLSR线性预测模型.从检验四个预测模型的预测效果看,线性预测模型的预测值均高于实际值,非线性预测模型的预测值均低于实际值. 相似文献
12.
Short-term load forecasting (STLF) plays a very important role in improving the economy and security of electricity system operations. In this paper, a hybrid STLF method is proposed based on the improved ensemble empirical mode decomposition (IEEMD) and back propagation neural network (BPNN). To alleviate the mode mixing and end-effect problems in traditional empirical mode decomposition (EMD), an IEEMD is presented based on the degree of wave similarity. By applying the IEEMD method, the nonlinear and nonstationary original load series is decomposed into a finite number of stationary intrinsic mode functions (IMFs) and a residual. Among these components, the high frequency (namely IMF1) is always so small that it has little contribution to model fitting, while it sometimes has a great disturbance for the STLF. Therefore, the IMF1 is removed in the proposed hybrid method for denoising. The remaining IMFs and residual are forecast by BPNN, and then the forecasting results of each component are combined with BPNN to obtain the final predicted load series. Three groups of studies were done to evaluate the effectiveness of the proposed hybrid method. The results show that the proposed hybrid method outperforms other methods both mentioned in this paper and previous studies in terms of all the three standard statistical indicators considered in this study. 相似文献
13.
利用MATLAB编程软件,分别建立BP神经网络和AR模型,采用全国出生率,死亡率,老年抚养率等9个指标作为样本,分别对BP网络和AR模型进行训练,预测5年后的人口数量.结果表明这两种方法预测人口均是可行的,效果较好,误差很小,但是AR模型较适合线性预测,而BP网络适合较非线性预测. 相似文献
14.
全局优化神经网络拓扑结构及权值的遗传算法 总被引：12，自引：0，他引：12
提出将前馈多层神经网络的全局优化表述作为启发式遗传搜索的问题．设计了遗传算法全局优化神经网络拓扑结构和网络权值的新的编码方案,并利用该方法求解了洪水预报问题,给出了实例预报结果 相似文献
15.
为了提高灰色GM(1,1)模型在城市用水量预测中的精度,结合BP神经网络的优点,给出了两种灰色-神经网络组合模型GM-BP1和GM-BP2.模型1利用神经网络对GM(1,1)模型的误差序列进行回归训练,将得到的预测值作为原始误差的修正来减小误差;而模型2由部分数据建立了GM(1,1)模型组,通过神经网络训练得到部分数据GM(1,1)模型组与真实值之间的非线性映射关系,利用这种精准的映射关系来提高预测精度.最后实际算例表明了所给方法是有效的,该组合模型可用于城市用水量的中长期预测. 相似文献
16.
符保龙 《柳州职业技术学院学报》2009,9(1):81-85
针对BP神经网络的不足,采用PSO算法对BP神经网络进行优化,建立一个混合的神经网络洪水预测模型。实验仿真结果表明,该模型的预测效果优于传统的洪水预测模型。 相似文献
17.
集装箱量预测的BP神经网络方法 总被引：2，自引：0，他引：2
陈军飞 《南京晓庄学院学报》2002,18(4):65-68
介绍了BP神经网络的基本理论 ,建立了集装箱运量时间序列的BP神经网络预测模型。并将此模型应用于上海港集装箱运量的预测。结果表明 ,与传统的预测方法相比 ,该方法具有较好的非线性自适应能力和预测精度 相似文献
18.
Accurate wave forecasting with a couple of hours of warning time offers improvements in safety for maritime operation-related activities. Autoregressive (AR) model is an efficient and highly adaptive approach for wave forecasting. However, it is based on linear and stationary theory and hence has limitations in forecasting nonlinear and non-stationary waves. Inspired by the capability of empirical mode decomposition (EMD) technique in handling nonlinear and non-stationary signals, this paper describes the development of a hybrid EMD-AR model for nonlinear and non-stationary wave forecasting. The EMDAR model was developed by coupling an AR model with the EMD technique. Nonlinearity and non-stationarity were overcome by decomposing the wave time series into several simple components for which the AR model is suitable. The EMD-AR model was implemented using measured significant wave height data from the National Data Buoy Center, USA. Prediction results from various locations consistently show that the hybrid EMD-AR model is superior to the AR model. This demonstrates that the EMD technique is effective in processing nonlinear and non-stationary waves. 相似文献
19.
为获得更精确预测粮食价格的方法,引入了人工神经网络预测法,建立了一种改进的人工神经网络模型,并通过该模型自学习的特性对已获得粮食价格时间序列数据的波动规律与发展趋势实现记忆性的学习,最终预测出未来价格.结果表明：人工神经网络模型在预测价格问题上具有很高的精度;其方法不仅可行,而且适用性强,预测结果客观、合理,具有一定的研究价值和较好的应用前景. 相似文献
20.
基于CS理论和BP神经网络理论的工程造价估算研究 总被引：1，自引：0，他引：1
在借鉴国内外相关理论和方法的基础上,利用显著性成本理论和神经网络理论相结合对工程项目的投资进行估算.运用显著性成本理论,通过寻找显著性项目,简化工程造价估算的操作难度,从而解决操作烦琐的问题;并依据BP神经网络在大量已完工程资料中提取类似CSIs和显著性因子csf,从非线性角度实现了对项目投资的准确预测,并进行算例分析,从算例可以看到,预测值与实际值的相对误差很小,满足投资预测要求. 相似文献