有机灰色神经网络模型在河流水质预测中的应用

针对灰色预测对波动较强的序列只能预测大致变化的缺陷,在分析河流水质动态变化的基础上,结合灰色理论中的GM(1,1),无偏GM(1,1)和RBF神经网络的特点,提出有机灰色神经网络预测模型,将灰色模型得到的数值作为神经网络的输入,原始数据作为神经网络的输出,训练得到最佳神经网络结构.以某地区河流水质为例,根据其变化规律,应用有机灰色神经网络模型进行预测,结果表明,该模型拟合误差小,预测精度高.     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

基于灰色-神经网络的核动力设备运行趋势预测

根据核电设备运行参数的历史数据,利用灰色系统GM（1,1）预测模型建立动态微分方程,并预测其发展趋势。如果原始数据序列呈线性变化且还原值序列的相对误差平方和较大,则用BP神经网络对GM（1,1）的预测结果进行修正,以提高预测精度。文中以二回路辐射剂量率的预测为例,对该方法进行了仿真实验验证。验证结果表明,用BP 神经网络对GM（1,1）的预测结果进行修正相比较GM（1,1）预测模型,预测精度得到了显著提高。     

一种新的组合灰色神经网络预测模型

对GM（1，1）灰色和几种灰色组合模型进行了讨论，针对多个相关序列预测的问题，提出了组合灰色GM（1，1）神经网络预测模型。此方法采用灰色模型对各序列进行预测，然后利用神经网络对预测值进行校正，得到最终预测值。实例表明此种模型在实际应用中的确能够提高预测精度。     

基于RBF神经网络的城市快速路短时交通流预测研究

为检验灰色模型及径向神经网络模型用于短时交通流预测的可行性及适用性,本文分析和比较了灰色模型GM（1,1）和RBF径向神经网络模型对短时交通流的预测效果。仿真实例表明,灰色模型不适合用于短时交通流预测,而径向神经网络能够准确预测短期交通流的未来变化趋势,当径向基函数的分布密度值在0.8~1.0之间时能够取得较高的预测精度。     

基于灰色网络组合优化的年增油量预测

老井措施增油成为油田稳产、降低油田区块开发成本的必然选择。针对多项式回归预测的局限性、灰色理论不能反映影响因素特征、神经网络需求数据多且数据敏感性差等特征,通过建立最优控制模型,实现GM（1,1）灰色理论与神经网络的高精度组合预测。以某油田区块2011-2018年的措施增油为例,对影响措施增油量的因素进行识别,建立了最优控制灰色神经网络模型对老井措施年增油量进行预测,相比多项式回归预测、GM（1,1）预测及BP神经网络预测方法,新模型模拟效果更好,预测精度更高。新方法对2018年措施年增油量的预测精度达97.34%。基于最优控制的灰色神经网络模型可以作为一种人工智能组合最优化模型预测措施年增油量,为准确预测措施增油效果,指导油田开发决策提供了新的思路。     

基于灰色模型GM(1,1)的海岸线变化趋势预测——以辽河口三角洲地区为例

将灰色模型GM（1,1）用于海岸线变化预测,在分析灰色系统理论的原理与方法,探讨灰色模型在海岸线变化趋势预测的可能性的基础上,以多时相Landsat遥感影像为数据源进行海岸线提取,设置原点和若干侧线,建立GM（1,1）模型的原始序列并进行模型计算,得到若干预测点和预测海岸线．最后通过残差检验和交叉检验的方式对预测结果进行了验证．结果表明：利用灰色GM（1,1）模型进行海岸线预测是合理可靠的,并且在辽宁省国土资源规划地理信息系统中得到应用和推广．     

非等间隔序列的灰色模型在路基沉降中的应用研究

目前灰色系统理论中的GM（1,1）模型是应用于预测方面频率最高的模型,灰色GM（1,1）模型预测方法具有理论性强、实用价值高、计算简便等优点。本文就是在详述灰色系统基本概念、基本原理以及灰色建模理论和预测方法的基础上,以广东某高速公路沉降变形为依托,运用非等间隔GM（1,1）灰色模型对其变形进行分析,对以后的沉降量进行了预测。     

基坑周围建筑物沉降的灰色预测

结合工程实际,采用灰色系统新陈代谢GM（1,1）模型进行对基坑周围建筑物进行沉降预测,并与普通GM（1,1）模型预测效果进行了比较,效果良好。     

GM(1,1)的MATLAB实现及其应用

灰色GM（1,1）预测模型是灰色理论中的重要组成部分,也是主要的预测方法之一．因此,GM（1,1）模型的应用范围很广泛．本文简要介绍了GM（1,1）模型的原理及其预测步骤,用MATLAB软件实现了GM（1,1）预测算法并给出了源代码．在此基础上,用统计年鉴上的住宿和餐饮业收入增加值数据进行了仿真,从而验证了该算法的有效性和程序的正确性。     

灰色模型在我国人口预测中的应用

人口问题就是一个典型的灰色系统问题,在灰色GM(1,1)模型的基础上,构建了灰色+BP神经网络组合模型。根据1949-2011年我国人口发展的最新统计资料,提出并建立变换初值灰色模型,然后利用两种模型预测值的均值对我国人口发展趋势进行中长期预测。     

基于改进蜂群算法和灰色模型的管道腐蚀预测

为了解决缺少大量数据样本情况下油气管道剩余寿命预测问题,采用GM（1,1）模型预测管道腐蚀趋势。考虑到GM（1,1）模型自身存在的缺陷,采用指数变换预处理原始数据和动态生成系数重构背景值两种方法改进GM（1,1）模型的建模过程,并运用改进的蜂群算法（IABC）求解全局最优动态生成系数,进而建立改进的蜂群算法优化的指数变换灰色模型（IABC-EGM（1,1））。利用弯头测厚数据进行验证分析,GM（1,1）模型的平均相对误差为4.92%,IABC-EGM（1,1）模型的平均相对误差为2.28%,表明模型的预测精度得到了提高。     

灰色系统理论在隧道围岩变形预测中的应用

根据某隧道围岩变形的实际监测数据,应用灰色系统理论并建立GM（1,1）模型对围岩变形进行分阶段不同维度的预测,并在此基础上进一步比较了几种改进的GM（1,1）模型的实际预测效果。计算证明了灰色模型在围岩变形预测中的适用性。     

基于GM（1,1）模型的机场危险源预测研究

为提高机场危险源预警的准确性,提高风险管理水平,根据灰色模型的优点,采用GM（1,1）模型对其进行分析研究,结果表明灰色GM（1,1）模型预测精度高,适于机场的风险管理。     

基于灰色BP神经网络的混凝土连续刚构桥应力预测

为了对混凝土连续刚构桥施工过程中的应力进行控制与预测,保证桥梁施工的安全,根据灰色理论和BP神经网络建立了灰色BP神经网络应力预测模型GNNM（1,1）．以贵阳花溪特大公路刚构桥施工过程实测应力为输入数据,对模型GNNM（1,1）进行训练,得到了应力预测值．该预测值与检验值的相对误差在3％以内,表明GNNM（1,1）模型的预测精度高,可以对混凝土连续刚构桥施工进行短期应力预测,同时,对大桥应力控制及安全施工具有一定的参考价值．     

疾病费用预测的建模分析

根据重庆市某三级甲等医院2012年1月至2014年12月5种常见疾病（糖尿病、甲状腺功能亢进、顺产、肠息肉、脑梗死）的月人均治疗费用数据,采用BP 神经网络模型、广义回归神经网络模型、灰色GM（1,1）模型以及非线性回归模型,分别预测2015年1月至8月5种疾病的月人均治疗费用的变化情况,并与真实费用数据进行对比,判断4种模型预测的准确程度。结果表明：BP神经网络模型、广义回归神经网络模型、灰色GM（1,1）模型、非线性回归模型预测5种疾病的可决系数R2最小分别为0．278、0．565、0．048和0．097,最大分别为0．826、0．901、0．600和0．747;与2015年1月至8月的真实费用数据比较,4种模型预测的相对误差最小分别为9．845％、3．507％、5．897％和3．642％,最大分别为15．450％、13．940％、30．518％和17．204％。其中广义回归神经网络在疾病费用的预测结果相对于其他模型更准确。     

基于灰色马尔可夫模型的水上交通事故预测

在灰色GM（1,1）预测模型的基础上,运用马尔可夫模型对预测结果进行优化,并将由此建立的灰色马尔可夫模型运用于1979～1998年全国水上交通事故数据来预测1999年事故量．结果表明,这种模型的预测精度高达89％,明显优于单独使用GM（1,1）模型的预测结果．     

基于灰色模型及其改进模型的土石坝沉降预测

考虑到土石坝沉降变形因素的复杂性以及GM （1,1）灰色模型基于贫信息数据所表现出来的优势,由大坝实测数据拟合构造GM （1,1）模型。为了进一步提高大坝沉降变形的预测精度,对原始GM （1,1）模型分别进行了考虑不同数据对预测结果有不同影响的加权改进和利用指数函数变换来提高原始数据光滑度的改进。实例应用表明,加权改进的GM （1,1）模型和函数变换改进的GM （1,1）模型的预测精度均优于原始GM （1,1）模型。     

基于最优加权的组合预测模型及应用

针对各种单一的传统预测方法中存在的问题,提出了一种基于最优加权的组合预测方法．根据珠江三角洲天河水文站的水位预测要求,运用最优加权法建立了多元线性回归、灰色系统GM（1,1）和BP神经网络的组合模型．实验结果表明,组合预测方法比各单一模型有更高的预测精度．     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.