Elman网络在实际应用中的作用

从故障预测、天气预测到股市预测，都可以看到RNN的应用。

（1）天气预测模型

各行各业对准确的天气预测都有浓厚的兴趣。农民依据天气状况来进行农作物的种植和收割；运输部门依据气象信息，来决定是否关闭或者打开特定的运输通道；个人关注天气情况是为了确定他们的日常活动能否正常进行。

Maqsood、Khan和AbRaham共同开发的Elman神经网络用来预测温哥华、英国、哥伦比亚和加拿大的天气，模型尤其注重于建立用来预测每天的最高、最低气温和风速等，这几个国家一年内每天所观测到的数据都包含在其中。其中一年里面的前11个月的数据作为网络的训练集，最后一个月的数据作为测试集。其中，最理想的Elman神经网络模型是有45个隐藏层，激活函数为双曲正切。

在Elman神经网络中，气温峰值的预测和实际观测值的平均相关系数为0.96，最低气温预测和实际观测值的平均相关系数为0.99。并且，对于风速的预测的平均相关系数也为0.99。

（2）逆变器故障特征识别

逆变器是城市轨道车辆的重要组成部分，如果它们发生故障会导致经济损失、班次延误，以及乘客对服务质量和可靠性的不满。基于这些原因，Yao等应用Elman神经网络完成了对这个重要设备的故障检测和分类。

他构建的这个网络由8个输入神经元，7个隐藏层神经元和3个输出层神经元组成。其中，8个输入对应于从逆变器在频谱范围内接收的不同的故障信号。3个输出分别对应电压波动信号、脉冲瞬态信号和频率变化信号的响应变量。研究人员说“Elman神经网络分析技术可以用来识别城市轨道车辆逆变器的故障特征”。(www.xing528.com)

（3）水质检测

水质的评估通常由水中的含氮总量（TN）、含磷总量（TP）和溶解氧（DO）的含量组成。Heyi和Gao使用Elman神经网络预测中国第三大淡水湖——太湖的水质。他们在太湖的贡湖湾中的3个不同的站点测量水质，观测点的选取是随机的，观测值的70%组成了训练集，剩下的30%则组成了测试集。

检测中选择10个重要参数，作为水质评估的标准。他们构建了离散Elman网络来预测TN、TP和DO。在测试中，构建了9个模型，而每个模型都有自己的特点。每个模型都由一个输入层、一个隐藏层和一个输出层组成。每个模型隐藏层中结点的最优个数由试验和错误率来决定。

研究人员的报告显示，TN在站点1、站点2、站点3统计的决定系数分别为0.91、0.72和0.92。TP在站点1、站点2、站点3统计的决定系数分别为0.68、0.45和0.61。尽管TP模型的值没有TN模型的值那么高，但是仍然是可以接受的。DO在站点1、站点2、站点3统计的决定系数分别低于0.3、0.39和0.83。对于这些较低的值，研究人员建议“不仅可以通过增加3个站点训练集和测试集的数据，还可以通过导入和湖水流动方向相关的变量来提高模型的准确性”。

（4）金融指数预测

预测金融指数（例如股市）的能力是Elman神经网络吸引人的地方。研究人员为四种指数分别创建了一个模型，其中，上海证券交易所（SSE）综合指数模型隐藏层有9个结点，台湾证券交易所（TWSE）市值加权指数模型隐藏层有12个结点，韩国股票价格指数（KOSPI）和日经225指数（Nikkei225）模型隐藏层每个都有10个结点。研究人员的报道称，这四个模型和实际观察值之间的相关系数都达到了0.99，建立模型使用的数据覆盖了2000个交易日的收盘价数据。