CAJ | 학술논문

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法.该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果.仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越.将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的.
위제고시간서렬예측모형정도,근거각본정모태함수(intrinsic mode function,간칭IMF)서렬적변화특점,침대EMD-RBF신경망락은함신경원수목급기중심수거선취문제,이용경험모태분해(empirical mode decomposition,간칭EMD)적신호자괄응처리능력화경향기함수(radical basis function,간칭RBF)신경망락적비선성핍근능력,제출료일충기우EMD여RBF신경망락적혼합예측방법.해방법장구유유사시빈특성적본정모태함수분별건립RBF신경망락예측모형,채용기우통계분석적k-균치취류방법자괄응학정RBF모형삼수,최후장각IMF-RBF신경망락예측결과진행중구득도최종예측결과.방진결과표명,해방법충분고필도각IMF본신적특성,증강료시서적가예측성,예측성능비전통반향전파(back propagation,간칭BP)신경망락화소파BP신경망락경우월.장해방법응용재모장비온공계통성능감측중,기온도삼수최대예측오차원소우전감기오차,설명장해방법재해장비고장예측중시가행적.