混合神经网络和混沌理论的股票价格预测研究

针对股票时间序列的非线性特点,结合混沌理论和神经网络理论,提出了基于混沌理论的股票价格神经网络预测方法。同时利用重构相空间的嵌入维数确定神经网络的结构,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,在股票时间序列预测中有广泛的实用价值。     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑，运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论，建立航空发动机性能趋势预测的神经网络模型，同时，针对神经网络的结构设计困难问题，建立了基于遗传算法的结构自适应神经网络预测模型，实现了神经网络结构的优化。最后，利用三组民航飞机发动机的性能数据进行了预测分析，验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。     

混沌时间序列的神经网络预测研究

研究了一类特殊非线性系统——混沌系统的预测问题。混沌是一种普遍存在的非线性动力学行为,混沌时间序列难以预测和控制,文章先是通过重构系统状态相空间分析混沌时间序列,然后采用多层前向神经网络对其进行预测。对典型的Lorenz和Mackey-Glass混沌序列预测结果表明,如果训练样本足够多,网络结构简单适当,训练后的网络具有很好的泛化性能,说明神经网络预测方法具有较好的工程实用价值。最后分析神经网络初始权值设置对预测性能的影响,指出改进方向。     

基于递归径向基神经网络的航空发动机盘腔瞬态壁温预测

针对航空发动机空气系统盘腔瞬态壁温动态预测难的问题,提出了一种基于径向基神经网络的递归预测模型。通过时序数据多维重构的方法建立训练样本,强化径向基神经网络对“时滞性”的预测能力,分析了模型固有超参数和由多维重构引入抽样控制参数对模型预测精度的影响。采用简化的典型盘腔壁面换热模型结合公开的试验历程转速数据,构建了供模型训练和测试的瞬态壁温数据样本,以递归调用模型的方式完成了对测试样本时序数据的预测和验证。结果表明,与常规的径向基神经网络预测模型相比,该模型的平均相对预测偏差由3.0%降低至0.45%,有效提升了模型的预测精度。为航空发动机盘腔瞬态壁温异常监控及超温排故问题提供了一种新的预判方法。     

利用粒子群支持向量机预测轴流压气机机匣壁面压力

建立了基于粒子群优化的轴流压气机机匣压力支持向量机预测模型.利用支持向量机的强大非线性映射能力,实现了对某型轴流压气机机匣压力时间序列的非线性预测,并运用粒子群优化算法对支持向量机的重要参数进行了优化,增强了预测模型对混沌动力学的联想和泛化推理能力,提高了预测的精度和稳定性.而针对发动机台架试验数据的预测结果证明了方法...     

基于ESN的航空发动机状态组合预测方法

基于回声状态网络(ESN)预测模型,结合小波分析和主元分析,提出一种组合预测方法.首先对含噪非线性时间序列进行小波降噪,并重构时间序列产生训练样本,再将训练样本通过主元分析进行降维处理,降维后的时间序列数据则输入ESN模型进行预测分析.对控制飞机动力输出的动压参数非线性时间序列数据进行了仿真对比实验,结果表明:组合预测方法的5步和单步预测速度累计提高了66.97%,预测的平均平方误差、标准均方根误差和归一化绝对误差也均有较大提高.该方法与传统基于ESN的预测模型相比,能有效地提高预测的效率和精度,是一种有效的非线性时间序列预测方法.      

基于RBF神经网络的压气机特性仿真

为克服传统仿真方法误差较大的问题，提出了一种基于RBF（多变量插值的径向基函数）神经网络的压气机特性仿真方法。利用RBF神经网络能逼近任意非线性系统的特点，对压气机特性进行了拟合。试验结果表明，此方法具有精度高，收敛速度快等优点，可广泛运用于发动机数值仿真及控制模拟等领域。     

航空发动机磨损趋势RBF变权重组合预测方法研究

航空发动机滑油中金属元素的含量受许多复杂因素的影响,单一模型预测精度相对较低,本文针对这个问题提出了RBF网络变权重组合预测模型（RBFNN-VWCF）对航空发动机零部件的磨损趋势进行研究。首先引用C-C方法确定时间序列的嵌入维数和时间延时,重构相空间确定模型的输入输出样本,然后对两种模型进行组合预测,利用k均值聚类方法确定RBF网络的中心,利用固定法确定RBF网络的宽度,采用最小二乘法确定网络的权值。结果表明,RBFNN-VWCF模型充分利用了参与组合预测的两种模型的有效信息,更客观地反映发动机零部件的磨损趋势,预测结果更为稳健、相比单一模型精度更高,具有较强的工程实用价值,为发动机下一步的维修决策提供了有力支持。     

基于改进粒子群算法辨识Volterra级数的目标机动轨迹预测

目标机动轨迹预测是空战态势感知和目标威胁评估的重要前提。针对传统目标机动轨迹预测模型复杂度大、预测精度低等问题，结合目标机动轨迹时间序列的混沌特性，提出一种基于相空间重构理论和Volterra泛函级数的目标机动轨迹预测模型。该模型首先采用0-1检测法验证了目标机动轨迹时间序列具有混沌特性；其次，利用C-C法确定嵌入维数和时间延迟，对目标机动轨迹时间序列进行了相空间重构；然后，引入Volterra泛函级数预测模型，为了克服高阶Volterra核函数求解复杂的难题，提出一种混沌变异自适应粒子群算法，构建一种基于改进粒子群算法辨识的Volterra级数预测模型，并将其应用于目标机动轨迹预测；最后，将所提算法与卡尔曼滤波算法以及机器学习算法进行单步和多步预测对比，同时将改进粒子群算法与其他智能算法进行性能比较。仿真结果表明：所提预测模型具有良好的单步和多步预测性能，改进的粒子群算法具有参数辨识精度高、收敛速度快的优点。     

BP神经网络在元器件贮存可靠性参数预测中的应用

元器件贮存可靠性受多个非线性因素的影响。时间序列预测实质是实现一个非线性映射。应用BP神经网络模型对某元器件贮存可靠性性能参数时间序列进行了预测,仿真表明BP神经网络预测模型有较高的精度。     

离心压缩机叶轮旋转失速的相空间重构及分形特征

结合非线性动力学中的相空间重构和分形理论,提出了一种分析离心压缩机叶轮旋转失速动力学特征的方法.采用数值方法对低速离心压缩机(LSCC)叶轮旋转失速状态进行了模拟,得到了失速工况下叶轮出口多个位置的气流压力时间序列.对各压力时间序列进行相空间重构,构造出一低维动力系统,其时间延迟和嵌入维数通过运用C-C方法得出.对重构的动力系统的相图进行了分形特征分析,计算了相应的分形维数.研究表明:叶轮旋转失速后系统的压力信号具有混沌特性,在相图上表现为具有分形结构,揭示了旋转失速后系统的动力学特征.计算分析分形维数后发现,数据采集点位于相同半径处计算得到的分形维数相近,约为3.39;数据采集点的半径增大时,分形维数减小.     

基于神经网络的故障率预测方法

 为了更好地预测产品故障率,提出了基于神经网络的故障率预测方法,分别给出了基于反向传播(BP)网络和径向基函数(RBF)网络进行故障率预测的基本思想、预测模型和实施步骤。分别对比分析了神经网络法与回归分析法、分解分析法、移动平均法、指数平滑法、自适应过滤法、自回归移动平均混合(ARMA)模型等统计预测方法的区别,对照故障率的特点,说明了神经网络法是其中最适用于故障率预测的统计方法。最后分别按这两种模型对某航空公司波音飞机故障率进行了预测,预测结果表明：这两种模型均适用于故障率预测,预测值与真实值的误差在20%之内,且RBF网络的预测效果略优于BP网络,此外通过与上述统计预测法的误差进行对比,说明神经网络法预测误差最小。     

基于响应面插值的非线性气动弹性计算

飞翼、大展弦比低雷诺数气动布局容易在小迎角的条件下出现气流分离,会带来明显的非线性气动力问题,同时气动弹性带来的影响亦不可忽略。针对此类布局提出一种建立基于径向基函数插值的非线性压力系数分布模型的方法,利用径向基函数插值建立面元上压力系数对迎角导数的响应面,将压力系数积分并通过无限板样条(IPS)方法进行气动结构多次迭代插值实现非线性气弹分析。结果验证了该方法对于静气动弹性分析的有效性,同时能准确地反映弹性带来气动效率的降低和变形对升力及阻力的影响。     

结构可靠度逐步逼近径向基神经网络响应面法

提出了逐步逼近径向基神经网络响应面法计算结构可靠度,这种数值方法较好地解决了结构功能函数非线性及结构随机变量非正态分布时采用结构可靠度指标度量结构可靠度存在误差的问题.经过多个数值试验表明,该算法迭代收敛迅速、计算准确性较高、应用过程简单.利用这种方法对含有多个随机变量的结构进行可靠性分析和设计,特别是当结构功能函数具有较强的非线性或结构随机变量分布具有较大的偏斜度时,具有一定的应用价值.