基于长短期记忆神经网络的健康状态估算

当前电池健康状态估算与预测在处理大量电池数据、时间间隔较长存在一定缺陷。长短期记忆神经网络算法在解决该问题时效果明显。在完成电池循环充放电实验基础之上,分析和提取电池放电过程中外部信号变化的特征指标,以电池放电数据中放电容量、放电时间、循环次数训练并建立了长短期记忆神经网络预测模型,采用3种不同的自适应学习率优化算法对学习训练部分进行优化,最后对比分析模型预测的准确程度。结果表明,长短期记忆神经网络估算电池健康状态的误差小于5%,证明预测模型的有效性。     

基于TVF-EMD与LSTM神经网络耦合的月径流预测研究

为了有效提高非平稳非线性径流序列的预测精度,采用具有自适应序列特征的时变滤波经验模态分解(TVF-EMD)与长短期记忆神经网络(LSTM)耦合,构成TVF-EMD-LSTM预测模型.首先利用TVF-EMD方法自适应地将径流序列分解为高频序列和低频序列;进而,利用LSTM神经网络对分解后的序列分别预测;最终,将预测结果加...     

基于NARX神经网络的年径流预测

针对传统BP模型在时间系列年径流预测中的适应性问题,本文构建了基于动态反馈性NARX神经网络的年径流预测模型,模型结构带有外部输入的非线性自回归网络,输入向量选取降雨及气温,输出向量为未来的年均流量。本文采用构皮滩站历史实测数据对模型进行训练及测试,对NARX模型与传统BP模型及逐步线性回归模型性能进行了对比分析。     

基于径流分类的日径流量预测神经网络模型

利用聚类分析法将径流序列分解为若干个子径流序列，对这些子径流序列分别建立局部神经网络模型，而后把这些局部模型合并成一个混合模型。当新的信息进入该模型时，首先用分类器判别其类别，以确定用混合模型中的何种局部模型加以模拟。通过与不加分类的总体神经网络模型的模拟结果加以对比，结果表明这种基于径流分类的降雨－径流模型表现出了更优良的性能，可以较大地提高径流模拟精度。     

一维卷积长短期记忆神经网络的管道泄漏检测方法

针对以数据为驱动的管道泄漏检测方法,未能有效同步利用泄漏信号的空间和时序特征的问题,提出一种基于一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)相结合的管道泄漏识别方法.该网络模型以去噪处理后的管道压力信号为输入源,先后使用1D-CNN、LSTM提取其空间特征和时间维度特征,利用已提取的空时两种不同维度的特...     

基于径流分类的日径流量预测神经网络模型

利用聚类分析法将径流序列分解为若干个子径流序列 ,对这些子径流序列分别建立局部神经网络模型 ,而后把这些局部模型合并成一个混合模型。当新的信息进入该模型时 ,首先用分类器判别其类别 ,以确定用混合模型中的何种局部模型加以模拟。通过与不加分类的总体神经网络模型的模拟结果加以对比 ,结果表明这种基于径流分类的降雨 -径流模型表现出了更优良的性能 ,可以较大地提高径流模拟精度。     

基于长短期记忆的柑橘园蒸散量预测模型

传统的柑橘灌溉方式主要依赖人工经验,一方面有可能导致灌溉时机不准确,另一方面有可能造成灌溉量过高或者过低,对果实的生长都会产生负面影响。柑橘果园水分蒸散量是表征耗水量的重要指标。为了实现对大面积柑橘果园蒸散量(Evapotranspiration, ET)的准确估算,制定更加科学精细化的灌溉策略,基于气象数据集,应用长短期记忆（Long short term memory, LSTM）、极限学习机（Extreme learning machine, ELM）和广义回归神经网络(General regression neural network, GRNN)方法对蒸散量建立预测模型并验证其准确性。结果表明,LSTM模型的平均绝对误差(Mean absolute error, MAE)和均方根误差(Root mean square error, RMSE)是3种模型中最优的,ELM和GRNN模型的性能接近。为了估算3种模型结果的可信度,在训练时加入了蒙特卡洛不确定性分析方法。结果表明,LSTM模型在不同输入特征数量下具有较高的精度,而ELM模型存在预测值偏高的现象,GRNN模型则偏低。     

基于L—M优化算法的喷头射程神经网络预测模型

喷头射程受较多因素影响,各因素之间相互作用,是一个复杂的非线性系统.神经网络能有效地描述非线性模型多输入和不确定的特征.采用Levengerg-Marquardt优化算法对神经网络进行了改进.对获得的数据进行训练,建立了喷头射程预测中喷嘴仰角、喷嘴直径和工作压力的映射网络模型,并模拟分析了喷头射程与其影响因素之间的变化规律.结果表明,用基于L-M算法的人工神经网络预测喷头射程时,不需要建立具体的模型,设计方便、运算迅速、仿真性强、精确度高.     

基于LM算法的溶解氧神经网络预测控制

针对污水处理溶解氧时变、非线性以及设定值难以跟踪控制的问题,提出了一种基于Levenberg-Marquardt算法(LM算法)的溶解氧浓度神经网络预测控制器的设计方法。首先在国际水协会提出的活性污泥1号模型(ASM1)基础上,经过合理的假设和约束,得到简化的溶解氧浓度模型,经过BP神经网络系统辨识和模型预测设计了溶解氧神经网络预测控制器。并采用LM算法改进了BP神经网络,克服了容易陷入局部极小值、收敛速度慢的缺点,提高了神经网络预测精度。仿真结果表明,神经网络预测控制具有很好的自适应性和鲁棒性,提高了溶解氧跟踪控制性能。     

基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一，营养丰富，用途广泛，是一种谷物、蔬菜和水果功能兼具的食物，其蛋白质含量远高于其他块茎类食物，且富含优质的氨基酸。马铃薯生育期短，在湖北平原、丘陵地区冬种春收适宜发展早熟品种，对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此，马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此，针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题，利用鲸鱼算法(Whale optimization algorithm, WOA)对BP神经网络模型进行优化。同时，基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量，采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明：WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型，R²达到0.9764,预测值与试验值之间拟合程度较高，表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。     

基于BP神经网络的雨雪混合径流预

通过分析暴雨融雪混合径流的物理成因,确定其主要影响因子,然后分析雨雪混合径流主要影响因子对径流的影响,建立一个基于BP神经网络雨雪混合径流预报模型。并利用新疆喀浪古尔河流域暴雨融雪径流资料对模型进行仿真训练实验和验证,通过结果比较分析,在一定程度上提高了模型预报精度,取得了一定成效。     

偏最小二乘回归神经网络在径流预报中的应用

地表水系统中,径流受诸多因素影响。将偏最小二乘回归与神经网络耦合,建立了径流量预报模型。将自变量利用偏最小二乘回归处理,提取对因变量影响强的成分,既可以克服变量之间的相关性问题,又可以降低神经网络的输入维数;利用神经网络建模可以较好地解决非线性问题。实例表明本模型有较高的拟合和预报精度。     

基于灰色神经网络与多目标优化的中国淡水资源预测与分配研究

随着淡水资源的日益减少和需求量的日益增加,我国未来一段时间的淡水需求预测与分配问题显得尤为重要。首先通过建立灰色神经网络组合模型来预测2025年全国各省份的淡水资源需求量,然后建立多目标优化数学模型,给出10大淡水湖给各省份的调水方案。结算结果显示,给出的分配方案能够满足全国各省的2025年的淡水需求计划,这对我国合理利用淡水资源具有一定的指导意义。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。     

基于PSO-BP神经网络的参考作物蒸腾量预测

针对以往BP神经网络收敛速度慢及易陷于局部极小值等问题,引入粒子群算法优化BP网络的权值和阈值,建立PSO-BP神经网络,预测参考作物蒸腾量ET0。以西安地区的相关资料为基础,设计9种影响因子组合方案,利用PSO-BP网络模型进行ET0的预测,结果表明,该模型运算速度快,预测精度较高;对比分析9种方案的预测结果发现,方案7为最优,该方案只需选用平均温度、平均相对湿度、风速和日照时数四项影响因子,即可获得较高精度的参考作物蒸腾量预测值。     

基于参数化遗传神经网络的植物病害预测方法

将混合神经网络(PFNN—FG)技术应用于植物病害预测，其输入矢量含模糊分量，遗传算法优化配置各参数。变形Sigmoid函数用于不同的隐含层，构成参数化神经网络。网络的输入层引入模糊集合理论，使网络能处理语义变量。将PFNN—FG和其他神经网络(如前向神经网络、径向基神经网络等)用于大豆基准问题进行分析比较，结果是PFNN—FG在精度和训练速度上优于其他网络。将PFNN—FG和前向神经网络用于2组黄瓜霜霉病数据，前者测试组的均方根误差小于后者。     

人工神经网络的混合算法在发动机故障诊断中的应用

提出一种基于混合神经网络的发动机振动故障诊断方法,即迭代前期采用BP算法而迭代后期采用梯度优化法进行计算。通过BP算法和混合算法对相同算例网络权值和阈值的计算,验证所提出的混合算法的有效性和实用性。