第２７卷第２期 ２Ｏｌ３年３月 甘肃联合大学学报（自然科学版） Ｊｏｕｒｎａｌ ｏｆ Ｇａｎｓｕ Ｌｉａｎｈｅ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅｓ） Ｖｏｌ＿２７ Ｎｏ．２ Ｍａｒ． ２Ｏｌ３
文章编号：１ ６７２ ６９ｌＸ（２０１３）０２ ０００８—０６
基于‘ＢＰ神经网络与加权模糊马尔可夫链的粮食
组合预测模型
李向兵
（兰州石油化Ｔ公司兰炼总校，甘肃兰州７３００６０）
摘要：根据数据序列具有宏观变化、微观波动、相近性和相依性，建立了基于ＢＰ神经网络与模糊加权马尔可 夫链的数据预测模型．首先利用ＢＰ神经网络对数据拟合，对残差进行模糊Ｃ均值聚类得到马尔可夫链的状态 区间，以此求 状态转移概率矩阵，并利用ＩＪ＿］一化后的自相系数对其进行改进，确定出预测数据所属状态区间， 根据状态区间求 预测值．从实例分析表明该文算法具有较高的精确度和可靠性，应用前景广阔． 关键词：ＢＰ神绎网络；马尔可夫链；模糊聚类；自相关系数 中图分类号：（）２１１．６２ 文献标识码：Ａ
０ 引言
全国粮食产量与有效灌溉面积、粮食作物播 种面积、化肥使用量、乡村办水电站发电能力、受
灾面积、农用机械总动力、农业基本建设投资有着
很强的线性关系【 ］．另外，受气象条件的多样性、
变异性、复杂性以及土地流失等因素的影响，粮食
产量存在着大量的不确定性、不稳定性，表现出较 强的随机性、相依性和非线性，从而降低了产量预
测的精确性．因此，有必要研究在存在大量不确定 冈素的情况下，如何较为准确地预测全国粮食产
量，为有关部门提供决策依据．
该文提出了一种基于ＢＰ神经网络与加权模 糊马尔可夫链的组合预测方法．首先采用ＢＰ神经
网络，使用较少的样本数据完成粮食产量曲线的
粗略拟合，在此基础上应用模糊聚类方法划区粮 食产量数据序列的分级模糊区间 ］，然后以产量
序列规范化后的各阶自相关系数为权，用加权的 马尔可夫链缩小预测区问以提高预测精确度，从
科技创新 ２０１３年第１１期Ｉ科技创新与应用
基于小波一ＬＭＢＰ神经网络短期电力负荷预测研究
申小玲
（责问广播电视大学（贵州职业技术学院），贵州贵阳５５００２３）
摘要：为了提高电力系统短期负荷－Ｎ￣，Ｉ精度，针对短期电力负荷具有随机性、不确定性和周期性的特点，提出基于小波分析和
ＬＭＢＰ（Ｌｅｖｅｎｂｅｒｇ—Ｍａｒｑｕａｒｄｔ Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ）神经网络组合模型预测方法，并经实际算例证明，该方法优越于单一ＬＭＢＰ神经网
络预测模型和算法，是电力系统预测领域中一种提高预测精度的有效方法。
关键词：电力系统；短期负荷预测；神经网络；小波分析
１引言 电力负荷变化受气候、自然灾害、政治经济因素等多方面因素
影响，这使得电力负荷的变化具有随机性和不确定性，影响预测精
度ｌ１１。近年来，应用人工神经网络进行电力系统负荷预测已经发展成
为一个很有潜力的研究方向。但是人工神经网络的具有收敛速度
慢、容易陷入局部极小点的缺 ［２１。为了提高短期负荷的预测精度，
本文以某地区（安顺市）城市电网历史负荷数据为背景，根据该地区
的电力负荷特点建立了小波一ＬＭＢＰ神经网络组合模型进行短期负
荷预测，并利用ＭＡＴＬＡＢ软件平台进行仿真，仿真结果表明这种组
合预测模型优于单独使用ＬＭＢＰ神经网络模型预测，能获得更加精
确的预测结果。
２理论基础
２．１小波分析
小波分析同时具有时域和频域良好的局部性质，能将信号ｆ时
间序列）分解成多尺度成分，从而能够不断地聚集到所研究对象的
任意微小细节Ｉ３ｌ。小波变换是用合适的母小波通过时间轴上的位移
与放缩的幅度产生一系列的派生小波，用这一系列的小波对要分析
的信号进行时间轴上的平移比较，从而获得用以表征信号与小波相
似程度的小波系数 阁。本文引入离散小波变换的多分辨分析对电
力负荷原始数据序列ｓ。进行小波分解，深度为三尺度，最终得到４
个分解而得的子序列，高频序列ｄｌ，ｄ 、ｄ 和低频序列Ｃ，，分解式为：
燃气管道腐蚀状态模糊综合评估方法
黄荣辉;李勋;伍国兴;祝小松
【期刊名称】《设备管理与维修》
【年(卷),期】2017(000)011
【摘 要】采用模糊综合评价法,运用科学分析方法综合腐蚀势态和防护势态两方面选取燃气管道腐蚀评估指标,再分别求各个指标的相对健康度,通过分析指标与状态量之间的联系确定隶属度函数,最后得到评估结果以此判定管道腐蚀程度.方法有助于燃气管道风险的预防,可以有针对性地确定管道运行过程中的维护、维修、检验等措施.
【总页数】4页(P127-130)
【作 者】黄荣辉;李勋;伍国兴;祝小松
【作者单位】深圳供电局有限公司,广东深圳518020;深圳供电局有限公司,广东深圳518020;深圳供电局有限公司,广东深圳518020;重庆大学输配电装备及系统安全与新技术国家重点实验室,重庆400030
【正文语种】中 文
【中图分类】TU996.7
【相关文献】
1.城市钢质燃气管道外腐蚀程度评价方法及应用2.基于模糊综合评估的继电保护装置运行状态感知方法3.基于模糊综合评估的继电保护装置运行状态感知方法4.燃气管道腐蚀缺陷电磁超声检测方法5.浅谈燃气管道及储罐腐蚀与防护调查方法 因版权原因，仅展示原文概要，查看原文内容请购买
基于GRU-BP组合模型短时交通流预测问题研究
基于GRU-BP组合模型短时交通流预测问题研究
随着城市交通的不断发展和人口的不断增加，交通流量预测成为城市交通管理中不可或缺的一环。短时交通流预测准确性对于实施合理的交通管理和优化出行路线至关重要。因此，研究如何有效地预测交通流量成为一个具有重要意义的问题。
本文将介绍一种基于GRU-BP组合模型的短时交通流预测方法。GRU（Gated Recurrent Unit）是一种循环神经网络结构，具有长短时记忆能力，能够捕捉时序数据中的依赖关系。BP（Back Propagation）算法是一种基于梯度下降的训练算法，用于调整神经网络的权值和阈值。通过将GRU和BP相结合，可以更准确地预测交通流量。
首先，需要收集历史交通流数据作为训练集。这些数据包括车流量、道路拥堵情况、天气状况等因素。将数据进行预处理，包括数据归一化和特征选择等步骤。然后，将处理后的数据输入到GRU网络中进行训练。GRU网络根据历史数据中的时序信息，学习到交通流量的模式和规律。
接下来，使用训练好的GRU网络进行预测。将待预测的交通流数据输入到网络中，通过前向传播计算得到预测结果。然后，将GRU网络的输出作为特征输入到BP神经网络中。BP神经网络通过反向传播算法不断调整权值和阈值，以减小预测结果与真实值之间的误差。最终，得到预测结果。
为了评估模型的准确性，本文使用了均方根误差（RMSE）作为评价指标。实验结果表明，基于GRU-BP组合模型的短时交通流预测方法相比其他方法具有更高的准确性和稳定性。这是因为GRU网络能够捕捉到交通流量序列中的时序依赖关系，而BP神经网络能够进一步优化预测结果。
在实际应用中，基于GRU-BP组合模型的短时交通流预测方法可以为交通管理部门提供准确的交通流量预测结果，帮助优化交通流动布局和交通规划。同时，该方法也可以为驾驶员提供合理的出行路线选择，减少交通拥堵和出行时间。因此，基于GRU-BP组合模型的短时交通流预测方法具有广泛的应用前景。
