基于背景值和初值优化的灰色Verhulst建模方法与应用

针对灰色Verhulst模型的优化问题,提出从背景值和初值两个方面对灰色Verhulst模型进行优化,分别利用倒数变换和约束优化模型求解模型的背景值参数与初值参数,并给出基于背景值和初值优化的灰色Verhulst建模步骤,最后以案例验证了本文模型的有效性、适用性和优化效果。结果表明,利用背景值和初值的优化方法能够有效地提高Verhulst模型的模拟精度与预测精度。     

精英遗传改进的非线性灰色神经网络算子与军费开支多目标组合预测应用

军费开支属于复杂经济系统下具有宏观经济特征的一类非线性时间序列。在多目标组合下的军费开支预测问题研究背景下,提出了一种基于精英遗传算法(elite genetic algorithm,EGA)改进的非线性灰色神经网络计量组合预测模型,给出了总体建模思路与非线性灰色神经网络算子分系统和EGA分系统设计方法,解决了多准则目标优化的NP完全问题,并对模型的预测效果进行比较分析。采集美国27年间(1990-2016年)军费开支时间序列进行实证检验,分析结论认为非线性灰色神经网络算子能够有效提高模型精度,EGA算法在收敛速度与精度上优于标准遗传算法,采用所建立的预测模型进行军费开支预测精度更高,效果更好。     

基于灰色模型与LSTM网络的旋转机械轴承寿命预测

大型机械设备中旋转机械占到总量的80%, 为及时掌握其工作状态, 开展如何旋转机械轴承的寿命预测精度的仿真研究。首先, 通过可靠性数值(confidential value, CV)量化评估工作状态; 然后, 利用数据变换和累加积分的方法优化数据平滑性与背景值来改进灰色模型; 并与长短时记忆网络结合为新预测模型来预测系统工作状态; 最后, 将平均绝对百分比误差等3种性能指标与单一模型对比, 将预测失效时刻与全卷积层神经网络算法和无迹粒子滤波算法对比。结果表明, 组合模型预测退化趋势3种指标的平均值优于3种单一模型; 组合模型预测的失效时刻相比于另外两种改进算法更准确。     

PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

灰色模型GM（1，1）的一种新优化方法

根据灰色系统理论的新息优先原理,提出了将X(1)的第n个分量作为灰色微分模型的初始条件与优化背景值相结合的方法,对GM(1,1)模型进行了改进,改进后的模型既适用于低增长指数序列建模,也适用于高增长指数序列建模,尤其是对高增长指数序列,改进的GM(1,1)模型的模拟精度与预测精度都有提高,即使在发展系数|a|大于2时,新模型的拟合精度仍然很高.     

非等间距GM(1 ,1) 模型建模研究

基于灰色模型的指数特性和积分定义,提出了一种重构非等间距序列的GM(1,1)模型背景值的方法,用该方法重构的背景值更加精确,可以提高GM(1,1)模型的拟合精度和预测精度,进一步拓广GM(1,1)模型的应用范围.     

灰色Verhulst模型的背景值的改进及应用

基于灰色Verhulst模型的建模机理，分析了该模型的模型误差产生的原因，针对该原因构造了改进的背景值公式，使得模型的精度得到了有效的提高，扩大了模型的适用范围.实例证明，优化模型具有较高的理论意义和实际应用价值.     

基于向量连分式理论的MGM(1,n)模型

分析了多变量灰色模型(multi-vaiiable grey motiel)MGM(1,n)中的背景值构造方法,基于向量连分式理论提出了用有理插值和数值积分中的梯形公式及外推法重构背景值,可以有效地提高模型的模拟精度和预测精度,实例分析结果表明了该方法的有效性和实用性.     

基于背景值和边值修正的GM(1,1)模型优化

针对灰色GM(1,1)预测模型提高精度的问题, 提出了新的背景值优化公式代替传统的背景值优化公式, 再进行边值修正的方法. 该方法采用新的背景值优化公式求出紧邻均值生成序列, 并使用均方误差和最小准则, 针对原始序列和生成序列进行边值的修正. 通过对优化后的模型实证测算, 验证了修正后的模型在提高预测精度上的可行性和有效性.     

多变量非等间距GM(1,m)模型及其应用

对于多变量非等间距数据序列,建立了一类GM(1,m)预测模型。基于灰色模型的指数特性和积分定义,提出了构造多变量非等间距序列的GM(1,m)模型背景值的方法。该方法可以提高GM(1,m)模型的拟合精度和预测精度,拓广了灰色模型的应用范围。应用该方法,建立了中国农村青少年生长水平的灰色预测模型,结果理想可靠,有较好的实际意义。     

Combined model based on optimized multi-variable grey model and multiple linear regression

The construction method of background value is improved in the original multi-variable grey model (MGM(1,m)) from its source of construction errors.The MGM(1,m) with optimized background value is used to eliminate the random fluctuations or errors of the observational data of all variables,and the combined prediction model together with the multiple linear regression is established in order to improve the simulation and prediction accuracy of the combined model.Finally,a combined model of the MGM(1,2) with optimized background value and the binary linear regression is constructed by an example.The results show that the model has good effects for simulation and prediction.     

基于灰色组合模型的校准间隔优化仿真

针对测量仪器校准间隔的优化问题,分析了历史校准数据的特征,描述了校准数据动态发展的数学模型,提出一种灰色组合模型进行校准间隔的预测仿真。灰色组合模型的思想是:采用灰色GM(1,1)模型预测历史校准数据序列的趋势性成分,同时引入AR模型、BP人工神经网络模型和马尔可夫模型三者的组合模型预测随机性成分。仿真实验表明:灰色组合模型适应了校准数据小样本、非线性的特点,适合用于校准间隔的预测仿真。     

基于EEMD-BP组合模型的区域海平面变化多尺度预测

海平面变化具有非线性、非平稳性以及多时间尺度变化特性,传统的基于时间序列的统计预测模型对于这种变化的预测存在较大局限性,预测结果不够理想.结合集合经验模式分解(ensemble empirical mode decomposition,EEMD)与BP (back propagation)神经网络,本文提出一种改进的海平面变化多尺度预测方法——EEMD-BP组合模型.首先利用EEMD分解提取海平面变化序列中具有物理含义的信号并降低噪声影响,得到不同尺度的多个固有模式函数(intrinsic mode functions,IMFs),确定出海平面变化中隐含的周期及趋势;然后利用BP神经网络分别对不同尺度IMF分量建立预测模型分析其未来变化趋势,最后将各IMF分量的预测结果重构,得到海平面变化序列的最终预测值.结果显示:EEMD分解能有效提取海平面变化中隐含的多时间尺度信号,神经网络能较好地预测不同尺度海平面变化趋势.相对于直接利用BP神经网络进行预测(R=0.74,RMSE=37.51 mm,MAE=48.02 mm),EEMD-BP组合模型预测精度显著提高(R=0.88,RMSE=29.23 mm,MAE=37.50 mm).EEMD-BP组合模型首先对海平面变化序列进行平稳化、降噪等处理,再对分解后的不同尺度时间序列分别进行预测,能够有效提高预测精度,为区域海平面变化预测研究提供了一种新方法.     

基于串联灰色神经网络的电力负荷预测方法

为了提高电力负荷预测的精度,分析现有人工神经网络和灰色预测方法各自的优缺点,将二者相结合提出了一种串联灰色神经网络预测方法.新方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,同时避免了灰色预测方法存在的理论误差.最后实际算例证明了方法的有效性.方法适用于中长期负荷预测.     

基于改进D-S的汽轮机组集成故障诊断研究

在分析与比较多个D-S合成规则的基础上,结合汽轮机组故障的特点,提出了一种基于改进D-S证据理论的集成故障诊断方法。该方法利用改进的D-S理论来表示和处理不确定的、模糊的信息,利用灰色理论和GRNN（广义回归神经网络）网络来处理证据理论中的基本概率分配问题,充分发挥灰色理论和GRNN的优点,提高故障诊断率。仿真结果表明,所提曲的集成故障诊断方法能有效地诊断汽轮机纽的故障,决策合理,可信度高,且能避免误诊现象,具有庭好的应用前景。     

基于改进PSO-BP算法的冷负荷预测模型

针对PSO-BP(Particle Swarm Optimization-Back Propagation)神经网络预测模型在冰蓄冷空调冷负荷预测中存在输入输出数据关联度低和预测模型存在误差的情况,提出了一种基于JMP数据处理软件、PSO-BP神经网络和马尔可夫链的组合预测方法.利用JMP处理输入数据,剔除耦合度低的样...     

基于改进的灰色预测的模糊神经网络控制

采用等维新信息和提高原始数据列光滑度的方法对灰色预测模型进行改进,具有预测更准确的效果,结合采用模糊神经网络控制的精确稳定性特点,提出一种改进的灰色预测的孵化模糊神经网络控制算法,将其应用在具有大滞后、强干扰的孵化过程中。仿真和实际结果表明,提出的控制策略能够有效克服时滞过程的超调问题,具有较强的鲁棒性和自适应性。

Abstract：

Grey Predictive model was improved by using ＂moving window＂ and increasing the smoothness of original data,which can predict accurately,by combining grey predictive model with fuzzy neural network control algorithm which is accurate and stable.A fuzzy neural network control algorithm based on improved grey predictive model was proposed to be applied in incubation process which is lag largely and strongly disturbed.Simulation and running results show that the proposed control strategy can effectively overcome the overshoot caused by delay and has better flexibility and robustness.     

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。