基于神经网络的混沌时间序列预测

为了提高了RBF神经网络对于混沌时间序列的预测性能,从相空间重构理论出发,建立RBF神经网络,并且改变RBF神经网络训练参数及训练样本数,以Logistic及Lorenz混沌时间序列进行预测仿真,取得了不错的预测效果。     

基于小波变换与RBF神经网络的GNSS水汽值预测研究

利用小波变换与RBF神经网络方法预测河北省GNSS水汽值。首先对GNSS测站水汽序列进行小波分解,然后利用RBF神经网络对小波分解的高频与低频信号进行预测,最后通过实验选择合适的高频与低频信号结果重构获得GNSS水汽值预测值。以实测GNSS水汽值为标准,基于小波变换与RBF神经网络预测的GNSS水汽值精度高于单一RBF神经网络预测精度,但预测结果的精度随着预测时长的增加而降低。     

基于LS-SVM的灰色补偿RBF神经网络组合预测模型在建筑物沉降分析中的应用

针对GM(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于LS-SVM的灰色补偿RBF神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色GM(1,1)模型预测得到的一组结果的残差值,直接获得RBF网络的中心函数训练RBF网络,得到RBF误差补偿器,去补偿GM(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。     

基于改进RBF神经网络的GNSS高程拟合

针对传统的RBF神经网络模型在GNSS高程拟合中拟合精度较低、稳定性较差、相关因子需提前人为设置等问题,通过将改进的自适应权重粒子群优化算法与MATLAB RBF神经网络函数newrb相结合,实现RBF神经网络函数模型中隐含节点数和SPREAD值的自动优化选取,提高算法在GNSS高程拟合中的精度和稳定性。通过实例分析,该方法拟合精度高,可达到mm级精度,相对于传统的二次多项式模型精度提高17%,稳定性良好。     

����RBF���˲�������Բο�վ�߳�ʱ�����з���

?????????IGS???????вο??????????仯???????仯????????????????????????????仯??????RBF?????????缰С??????????????????MATLAB7.0????????IGS???????????????GRNN?????????С??????????????????????????????????????????????????????д??????仯????????????????????????????仯?????????????????????     

混沌RBF神经网络的地磁变化场预测模型

提出一种融合混沌理论和RBF(radial basis function)神经网络的地磁变化单站预测模型。分析磁场数据的混沌特性,求取关键参数嵌入维数m和时间延迟τ,据此对初始数据进行相空间重构,并将经混沌理论优化的样本集作为神经网络的训练集和测试集进行仿真实验。结果表明,经混沌理论改进后的RBF神经网络模型可以较为准确地预测地球磁场的变化趋势,对我国地磁场的适用性较好,具有一定的泛化能力。     

加权总体最小二乘和RBF神经网络的三维坐标转换

分析部分变量误差加权总体最小二乘法（PWTLS）、加权总体最小二乘法（WTLS）和最小二乘法（LS）在三维坐标转换模型参数求解中的应用与影响,提出PWTLS与RBF神经网络组合的坐标转换方法。结果表明,当三维坐标转换模型系数矩阵中同时存在常数元素和重复元素时,PWTLS方法计算的单位权中误差和内符合精度均优于LS方法,且源坐标改正数较WTLS方法更加合理。PWTLS+RBF组合方法能够使PWTLS的求解参数得到有效使用,提高坐标转换精度。     

����RBF�������GPS�㲥������ֵ

?????????????????????GPS????????????г????Runge???????????t????????(Radial Basis Function,RBF)???????GPS????????????????????????в???????2011-07-25????????????t????????????????????GPS?????????????????????????GPS???????????????????÷???????Ч????Runge????????????????????????????????GPS????λ??????     

Fully coupled time-domain simulation of dynamic positioning semi-submersible platform using dynamic surface control

A fully coupled 6-degree-of-freedom nonlinear dynamic model is presented to analyze the dynamic response of a semi-submersible platform which is equipped with the dynamic positioning （DP） system. In the control force design, a dynamic model of reference linear drift frequency in the horizontal plane is introduced. The dynamic surface control （DSC） is used to design a control strategy for the DP. Compared with the traditional back-stepping methods, the dynamic surface control combined with radial basis function （RBF） neural networks （NNs） can avoid differentiating intermediate variables repeatedly in every design step due to the introduction of a first order filter. Low frequency motions obtained from total motions by a low pass filter are chosen to be the inputs for the RBF NNs which are used to approximate the low frequency wave force. Considering the propellers’ wear and tear, the effect of filtering frequencies for the control force is discussed. Based on power consumptions and positioning requirements, the NN cen-ters are determined. Moreover, the RBF NNs used to approximate the total wave force are built to monitor the disturbances. With the DP assistance, the results of fully coupled dynamic response simulations are given to illustrate the effectiveness of the proposed con-trol strategy.     

局部最优形态参数的RBF分块地形插值方法与实验

径向基函数（Radial Basis Function,RBF）是一种不需对数据做任何假设,能准确逼近任意维度数据的空间插值方法。其特别适合于复杂地形的数字高程模型（Digital Elevation Model,DEM）插值重建,但随着已知点数量的增加会导致插值模型求解困难或缓慢。针对这个问题,本文基于二叉树自适应递归分块原理,采用局部最优形态参数的RBF分块插值方法进行DEM插值重建。首先,设定子区域最小点数阈值和相邻子区域的重叠率,自顶向下,对研究区域进行递归分块,构建区域分块二叉树,对二叉树叶子节点区域,采用逐点交叉验证（Leave One Out Cross Validation,LOOCV）方法求解其最优形态参数,建立局部RBF最优插值模型;然后,根据单元分解原理,采用加权平均方法对相应叶子节点区域内的待插值点高程进行加权求和,自底向上递归求解,得到待插值点最终高程值。以云南某地区DEM进行插值实验表明,采用本文方法进行DEM插值重建,稳定性较好,插值精度高。     

桥梁水平位移混沌特征识别与神经网络预测研究

跨海大桥系统受外界影响扰动,其变形伴有混沌现象发生.对桥梁变形监测数据实现了混沌识别,运用C-C法计算时间序列的延迟时间,用G-P方法求得最佳嵌入维数,通过求取的时间延迟和最佳嵌入维数对桥梁变形监测数据进行相空间重构,为混沌时间序列预测模型的建立奠定基础;基于RBF神经网络建立混沌时间序列预测模型,对实测数据进行桥梁变...     

优化组合预测模型在桥梁变形预测中的应用

为提高桥梁变形预测的精度,探讨不同预测模型在桥梁变形预测中的效果,结合桥梁变形监测数据及组合预测思路,构建桥梁的MC误差修正优化组合预测模型。通过实例验证得出,组合预测较单项预测具有更高的预测精度及稳定性,其中以RBF神经网络组合的预测精度最高;同时,误差优化修正模型进一步减小了预测误差,优化后预测结果的相对误差期望值为0.86%,方差值为0.097 3 mm2,准确预测了桥梁变形,验证了该思路的有效性。     

融合GNSS水汽、风速与大气污染物的河北省冬季PM2.5浓度预测研究

为提高PM_2.5浓度预测的时效和精度,本文综合大气污染物、GNSS水汽和风速等观测要素,利用FFT与LSTM神经网络方法构建PM_2.5浓度预测模型,开展未来24 h的PM_2.5浓度预测研究。首先对大气污染物、GNSS水汽和风速等观测要素进行快速傅里叶变换,提取各类要素的公共变化周期,获得最佳公共周期为216 h;然后选取最佳公共周期长度的各类要素作为模型输入,24 h序列的PM_2.5浓度作为模型输出,分别以PM_2.5单要素的RBF神经网络和融合大气污染物、风速、GNSS水汽的LSTM神经网络构建PM_2.5浓度预测模型;最后利用实测PM_2.5浓度序列分别对2种模型开展外部可靠性检验,将RMSE和IA作为评价指标进行模型精度评价。研究结果表明,基于FFT-LSTM的PM_2.5浓度预测模型的RMSE和IA分别为16.22 μg/m³和84.36%,模型预测精度较好,可有效预测未来24 h的PM_2.5浓度,该模型可为大气污染防治部门空气质量预测提供参考。     

通过改进自适应PSO优化BP网络预测大坝变形

提出自适应粒子群神经网络（ADPPSO-BP）算法，并加入自适应变异算子，提高粒子跳出局部搜索的能力，实现对坝体位移的精准预测。以丰满大坝为例进行验证，建立PSO-BP（粒子群神经网络）、LPSO-BP（线性粒子群神经网络）、改进ADPPSO-BP（改进自适应粒子群神经网络）3种模型，对大坝进行变形预测。结果表明，ADPPSO-BP预测误差最小。     

����ѧϰ���������Ӳ�Ԥ���е�Ӧ��

?????????????????????????????Sigmoidal??Sine??Hardlim??????????????????????????????????????????????????????б??????????????????????????????????????????????????????????????????????磬?????Sigmoidal????????????????????????     

基于深度全连接神经网络的大坝变形预测研究

将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型。利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型进行检验分析,并将预测结果和传统BP神经网络的预测结果进行对比。研究结果表明,本文的深度全连接神经网络模型预测精度高、实用性强,可为大坝安全监控提供参考。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测.实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网...     

����IPSO-BPģ�͵Ĵ�Ӷ�Դ�������Ԥ���뷴��

???????????????????IPSO??????????????????????м??????????????????????????????????????????????????????????????????????????????BP?????????γ?IPSO_BP??????????????????μ????????????????????????IPSO_BP???????????????Ч??????????????????????????????