基于改进Elman神经网络的故障诊断模型研究.pdf

Elman神经网络具有良好的动态特性和强大的全局稳定性，被广泛用于处理非线性，动态和复杂的数据。 但是，作为对反向传播（BP）神经网络的优化，Elman模型不可避免地会继承其某些固有缺陷，从而影响识别精度和操作效率。 已经提出了许多改进来解决这些问题，但是事实证明很难平衡许多相关特征，例如存储空间，算法效率，识别精度等。而且，很难同时从临时解中获得永久解。 为了解决这个问题，可以将遗传算法（GA）引入Elman算法以优化连接权重和阈值，从而可以防止神经网络陷入局部最小值并提高训练速度和成功率。 隐藏层的结构也可以使用遗传算法进行优化，可以解决确定神经元数量的难题。 以前关于这种进化Elman算法的大多数研究都单独优化了连接权重或网络结构，这代表了一个轻微的不足。我们在此提出一种新颖的优化GA-Elman神经网络算法，其中连接权重是实数编码的，而隐藏层也采用实编码，但增加了二进制控制基因。 在这种新算法中，同时使用混合编码和演化同时优化了连接权重和隐藏神经元的数量，从而极大地提高了所得结果的性能。novelGA-Elman算法。 三个实验的结果表明，就所有计算指标而言，这种新的GA-El

Elman神经网络的数据预测—电力负荷预测模型研究(matlab实现)

【预测模型】基于Elman神经网络房价预测matlab源码.md

Elman神经网络预测数据matlab代码.zip

行业分类-物理装置-基于改进Elman神经网络的气动阀执行机构故障诊断方法.zip

改进的elman神经网络应用程序

摘要：阀控铅酸蓄电池的老化机理复杂.劣化程度受多种因素影响.因此较难预测.在分析影响蓄电池劣化程度的多种因素的基础上，采用Elman神经网络方法对电池劣化程度预测建立模型，并通过遗传算法对预测模型中的初始权值和阈值进行优化，根据浅度放电的测量数据进行劣化程度的预测.仿真结果表明：该模型达到了对电池劣化程度准确预测的目的.通过与实测数据的对比，证明该模型具有较高的有效性. 　　蓄电池目前被广泛地应用于汽车.电动车.UPS电源以及EPS电源系统等多个领域.阀控铅酸蓄电池（Valve RegulatedLead Acid Battery,VRLAB）是目前使用最为广泛的蓄电池，尤其是在电力.通信.

经测试，可以添加相应归一化数据data.matw文件即可使用

Elman神经网络与ARIMA模型对流感发病率预测效果的比较