基于PLS-PSO-Elman的飞机燃油流量预测

摘要：

传统的Elman神经网络处理高维度、多样本的复杂数据时,将出现一系列问题.如网络结构冗余、训练不完善、学习精度差等.这些缺陷不仅会导致网络工作效率低,而且还会使其识别精度差.将偏最小二乘回归(partial least squares,PLS)和粒子群算法(particle swarm optimization,PSO)与Elman神经网络相结合,提出了一种基于PLS和PSO优化的Elman神经网络算法(PLS-PSO-Elman).该算法通过PLS减少数据维度,获得较为理想的低维数据,达到简化网络结构的目的;然后利用PSO算法优化神经网络连接权重、阈值和隐含层神经元数量,弥补Elman算法训练不完善、学习精度差的缺陷;最后基于PLS与PSO双重优化的新算法对飞机燃油流量进行预测.实验表明,新算法有较高的运算效率与预测精度.

关键词：Elman神经网络、算法优化、偏最小二乘回归(PLS)、粒子群算法(PSO)、燃油流量预测

所属期刊栏目：21

分类号：TP391.9(计算技术、计算机技术)

资助基金：工信部民机专项;中央高校基本科研业务费中国民航大学专项

在线出版日期：2021-05-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1963-1973