共查询到20条相似文献,搜索用时 62 毫秒
1.
分析了在长江水质的评价和预测建模过程中出现的一些问题,利用灰色模型的指数特性,建立预测长江水质的GM(1,1)的改进模型。根据数据的周期波动特性,采用灰色系统理论建立了残差序列周期修正GM(1,1)模型,用复合残差来修正预报数据,提高了数据预报的准确程度和模型的适用性。 相似文献
2.
3.
研究了灰色系统在建筑结构可变荷载中的分析应用。由于常规GM(1,1)模型在用于预测时只对近几次预测数据精度高,未来数据预测精度低的原因,导致越往后模型的预测意义就越弱。故尝试用灰色新陈代谢GM(1,1)模型来预测济南地区未来5年标准状态下的风荷载。事实表明,该种预测模型有着良好的效果,预测精度高,有很好的利用价值。 相似文献
4.
灰色GM(1,1)模型及其在电力负荷预测中的应用 总被引:6,自引:0,他引:6
讨论了灰色模型GM(1,1)及其改进模型在电力负荷预测中的应用.从灰色理论建模特点出发,提出使用加权均值生成原始数据序列的数据生成方法,在进行平滑的非负电力负荷数据序列的预测中取得了较好的效果.通过后验差检验,对传统的灰色系统GM(1,1)模型和加权均值的GM(1,1)模型进行了比较分析.实例证明,加权均值生成数据的方法进行建模具有较好的精度,在实际电力预测系统中有很好的应用价值. 相似文献
5.
背景值是影响灰色理论建模精度的重要因素之一。根据灰色系统理论建模机理以及数据累加生成具有非齐次灰指数规律,构建动态序列模型;基于积分几何意义的视角,利用函数逼近的思想,结合复化梯形公式,提出一种新的GM(1,1)模型背景值优化方法。算例结果表明,利用优化的背景值计算公式所建立的GM(1,1)模型在预测精度上有显著的提高。 相似文献
6.
研究采用灰色系统理论的数列优化预测问题.传统GM(1,1)模型对光滑性差的数据序列拟合偏差较大,为将GM(1,1)改进模型与数据融合算法相结合,构建一种GM-DF预测模型.首先将几种典型改进方案引入GM(1,1)模型:对原始序列进行幂函数变换,以积分法重构背景值,用累积法进行参数估计;然后从原始序列取不同数据量分别建立GM(1,1)模型进行多次拟合;最后将各次预测值进行数据融合运算得到最终结果.仿真结果表明,将GM-DF预测模型应用于光滑性较差、级比偏差较大的数据序列可获得较高的预测精度. 相似文献
7.
为了提高交通事故数据预测的准确度,采取GM(1,1)和OSDGM(1,1)等单一模型,对2008-2019年我国交通事故死亡人数数据进行分析。根据GM(1,1)和OSDGM(1,1)模型建立最优加权组合模型,使用Verhulst模型对建立的加权组合模型进行残差修正,并借助灰色模型精度评价指标对预测结果进行检验。预测结果表明,GM(1,1)、OSDGM(1,1)模型和改进的灰色预测模型的预测结果的平均相对误差分别为4.35%、4.30%和1.19%,且改进的灰色模型通过精度指标检验,说明改进灰色预测模型具有较高的精度。 相似文献
8.
《计算机应用与软件》2017,(2)
现有安全态势预测方法由于消耗较大和耗时较长而造成预测效果不佳,考虑到信息系统的结构复杂、信息交互频繁等特点,依据典型灰色模型GM(1,1)的消耗低、样本小、适用性强、短期预测效果好等特点对信息系统进行实时的安全态势预测。同时针对GM(1,1)模型的随机波动性小的问题,结合马尔可夫(Markov)链适用于随机波动较大的特点,提出一种以灰色GM(1,1)为预测原型,用马尔可夫链对GM(1,1)预测模型进行误差修正的实时信息系统安全态势预测模型。实验结果表明,在信息系统安全态势预测方面,该模型能够较准确地预测安全态势的总体趋势,且预测精度高于原灰色-马尔可夫模型的精度。 相似文献
9.
10.
基于灰色理论GM(1,1)模型,结合Elman神经网络组成灰色神经网络模型。模型的输出误差作为一个新的时间序列,通过Elman神经网络对误差序列进行拟合和预测,更大限度地减小预测误差。GM(1,1)模型所需要的数据少,方法简单;Elman神经网络是动态的神经网络对历史数据具有高度的敏感性。这种灰色理论与动态神经网络的组合模型,比起单个的预测模型提高了预测精度,通过分析和验证表明,该方法实用有效。 相似文献
11.
受控Rabinovich系统的超混沌系统 总被引:1,自引:0,他引:1
在三维Rabinovich系统的基础上,通过引入一个线性状态反馈控制器构建一个新的四维超混沌系统,分析其基本动力学行为.在保证系统有界的前提下,通过计算Lyapunov指数值和研究其分岔的途径,证实其超混沌的特性.还给出了四维超混沌系统的指数吸引域和正向不变集等.同时也设计了实现四维Rabinovich超混沌吸引子的实际电路,验证了理论分析的结果. 相似文献
12.
13.
15.
16.
17.
18.