1、天然氣市場需求預(yù)測本質(zhì)上是一個復(fù)雜的非線性系統(tǒng)建模問題，神經(jīng)網(wǎng)絡(luò)集成具有很強的非線性映射能力，且具有比單一神經(jīng)網(wǎng)絡(luò)更強的學(xué)習(xí)和泛化能力，能夠較好地解決這類問題，所以，本文對神經(jīng)網(wǎng)絡(luò)集成方法進行了研究和改進，并將其應(yīng)用于天然氣市場的需求預(yù)測。 考慮到訓(xùn)練樣本的分布信息，根據(jù)聚類的思想，本文提出了一種基于Kohonen網(wǎng)絡(luò)的個體網(wǎng)絡(luò)生成方法KNNE(KohonenbasedNeuralNetworkEnsemble)。在對神經(jīng)網(wǎng)絡(luò)集

2、成方法進行研究的基礎(chǔ)上，通過理論分析表明，對于結(jié)論生成方法采用加權(quán)平均法的神經(jīng)網(wǎng)絡(luò)集成，去除部分滿足一定條件的個體網(wǎng)絡(luò)后，神經(jīng)網(wǎng)絡(luò)集成將獲得更強的泛化能力。在此基礎(chǔ)上，提出了一種基于約束規(guī)劃的選擇性神經(jīng)網(wǎng)絡(luò)集成方法，在獨立訓(xùn)練出一批神經(jīng)網(wǎng)絡(luò)之后，利用約束規(guī)劃方法來選擇性能相對較優(yōu)的個體網(wǎng)絡(luò)集合，從而構(gòu)造出較好的神經(jīng)網(wǎng)絡(luò)集成。針對在不同輸入空間，個體神經(jīng)網(wǎng)絡(luò)的預(yù)測性能不同的問題，提出了基于RBF神經(jīng)網(wǎng)絡(luò)的動態(tài)權(quán)重結(jié)論生成方法，實驗結(jié)果表明