基于等维新息灰色马尔可夫模型的校准间隔预测

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,建立了等维新息马尔可夫GM(1,1)预测模型.在等维新息GM(1,1)模型的基础上,引入马尔可夫模型,克服了随机波动数据对预测精度的影响.通过仿真实验对预测模型进行了验证,结果表明,等维灰色马尔可夫GM(1,1)模型的预测精度高于常规灰色GM(1,1)模型、等维新息灰色GM(1,1)模型和常规灰色马尔可夫GM(1,1)模型,更适合用于测量仪器校准间隔的预测.     

灰色预测控制的无偏GM(1,1)模型

灰色预测控制已在过程控制中得到了广泛应用,控制器的核心模型是GM(1,1)模型,该模型是有偏差的指数模型.作者导出了GM(1,1)模型的偏差公式,并在此基础上提出了无偏GM(1,1)模型.本文介绍无偏GM(1,1)模型,并用实例显示了无偏GM(1,1)模型的优越性.     

基于组合插值的GM(1,1)模型背景值的改进*

针对 GM(1,1) 模型预测误差偏大的问题,对GM(1,1)模型背景值的构造形式进行了研究。为了能够更加有效地降低GM(1,1)模型的预测误差,提出了基于辛普森3/8公式和牛顿插值公式的组合插值方法来构造出新的GM(1,1)模型的背景值。在GM(1,1)模型的建模过程中,由于原始建模数据序列中的第一个数据没有参与建模, 导致原始数据序列的数据资源利用效率降低,影响了GM(1,1)模型预测精度。因此,可以通过把灰色协调系数b加在原始建模数据序列前面的方法,使第一个数据能够参与到GM(1,1)模型的建模过程中。为了检验模型的改进效果,进行了原始建模数据类型分别为纯指数型数据序列、稳定型数据序列和缺失型数据序列的三组实验。对每组测试实验的预测结果进行对比分析,可以发现,基于组合插值方法对GM(1,1)模型的背景值进行改进,可以极大地降低GM(1,1)模型的模拟和预测误差。改进后的模型具有比较好的预测稳定性,增强了GM(1,1)模型的适用性。     

一种基于灰色残差模型的建筑物沉降预测

建筑物沉降预测成为工程建设中亟待解决的一大技术难题。应用灰色残差GM(1,1)模型对建筑物沉降进行模拟和预测,解决了传统GM(1,1)模型预测精度不高的问题。结果表明,灰色残差GM(1,1)模型误差较小,可以较好地预测建筑物沉降变形。     

分数阶离散灰色GM(1,1) 幂模型及其应用

针对GM(1,1)幂模型时间响应式由离散估计到连续预测所存在的固有误差,建立离散灰色GM(1,1)幂模型,并将该模型扩展为分数阶离散灰色GM(1,1)幂模型;以最小化平均相对误差为目标、参数之间的关系为约束条件,构建关于序列累加阶数和幂指数的优化模型,并运用量子遗传算法确定模型的最优累加阶数和幂指数。通过对高速公路地基沉降和中国高新技术产业R&D发展两个实例的预测结果表明,分数阶离散灰色GM(1,1)幂模型具有良好的建模精度。     

基于灰色-马尔可夫模型的粮食产量预测

文中首先用1976年到1995年的桐城县冬小麦单产,建立灰色GM(1,1)模型,再用随机过程理论的马尔可夫模型获得GM(1,1)模型在已知年份里的偏差规律(即偏差的转移概率矩阵),并且依照此规律对GM(1,1)模型结果进行修正,将由GM(1,1)模型预测的一个具体数值,修正成为区间和概率组成的预测范围,增加预测的可靠性。最后用灰色-马尔可夫模型外推预测1996年到2000年共5年的小麦单产。实验说明灰色-马尔可夫模型大大提高了预测精度,将预测结果表示为预测范围,更为准确地反映出粮食产量的走势。     

GM(1,1)模型拓广方法研究与应用

为了拓广GM(1,1)模型的适用范围,对GM(1,1)模型进行了两方面的改进:对初始序列进行预处理以改善其光滑性;用GM(1,1)模型的内涵型代替白化响应式作为新的预测公式.理论分析与实验结果表明,改进模型不仅比传统模型的预测精度高,而且完全适用干对高增长序列建模,拓广了GM(1,1)模型的适用范围.     

灰色-周期外延模型的动态关联规则元规则挖掘

提出了一种把灰色-周期外延模型应用到动态关联规则元规则挖掘中并提高元规则预测精度的方法。该方法首先对动态关联规则元规则支持度计数建立GM(1,1)模型;然后对建模时产生的残差序列建立周期外延模型并且提取最优周期;其次将周期外延模型作为GM(1,1)模型的残差补偿,把GM(1,1)模型以及周期外延模型得到的结果进行叠加得到最终的预测模型。最后通过实验证明了该方法有较高的预测精度。     

自适应GM(1,1,λ)模型及其适用范围

为解决传统GM(1,1)模型存在的问题,在运用积分中值定理证明含有自适应因子λ∈(0,1)的背景值构造方法可行性的基础上,将该方法引入传统GM(1,1)模型的定义型,推导出了GM(1,1)定义型预测公式,构造了具有自适应能力的GM(1,1,λ)模型.通过理论证明和数据模拟实验两方面的研究结果表明自适应GM(1,1,λ)模型能够克服现存问题,并将模型的适用范围扩大为发展系数a∈(-1/λ,1/1-λ),大于传统GM(1,1)模型的适用范围a∈(-2,2),且可用于高增长序列建模,比传统GM(1,1)模型具有更高的拟合和预测精度.     

GM(1,1)模型中一种新型数据变换技术的应用解析

本文以灰色系统理论中的数据变换技术为对象,从数据变换的机理出发,提出了一种新的数据变换技术,并将其应用于GM(1,1)模型。相关实践表明,该数据变换技术能够在一定程度上提高GM(1,1)模型的预测精准度,实践中具有较强的实用价值。     

基于遗传神经网络的超混沌时间序列预测

研究了超混沌系统的预测问题。通过分析混沌时间序列,建立具有多个隐节点的3层前馈网络,基于泛化性考虑采用剪枝算法训练,在保证预测精度的基础上消去部分隐节点以降低网络复杂性,利用遗传算法具有的全局寻优能力重新训练网络,利用具有局部寻优能力BP算法再次训练该网络。对Mackey-Glass时滞混沌系统预测实验结果表明,改进算法的泛化性能优于经典BP网络,归一化预测精度提高10倍多,能够较好地解决超混沌系统的预测问题。     

支持向量机在天然气企业产量预测中的应用

天然气企业副产品产量受市场的波动影响很大,对于副产品产量的预测,通常都是依靠工作人员的经验,工作量大,效率不高。回归统计分析方法及传统的机器学习方法在这个领域的应用存在着一些局限性,介绍一种新的机器学习算法—支持向量机,以企业为背景,运用支持向量机算法来解决预测问题,实验证明采用支持向量机能够满足企业的需求,得到满意的效果。     

A new hybrid Modified Firefly Algorithm and Support Vector Regression model for accurate Short Term Load Forecasting

Precise forecast of the electrical load plays a highly significant role in the electricity industry and market. It provides economic operations and effective future plans for the utilities and power system operators. Due to the intermittent and uncertain characteristic of the electrical load, many research studies have been directed to nonlinear prediction methods. In this paper, a hybrid prediction algorithm comprised of Support Vector Regression (SVR) and Modified Firefly Algorithm (MFA) is proposed to provide the short term electrical load forecast. The SVR models utilize the nonlinear mapping feature to deal with nonlinear regressions. However, such models suffer from a methodical algorithm for obtaining the appropriate model parameters. Therefore, in the proposed method the MFA is employed to obtain the SVR parameters accurately and effectively. In order to evaluate the efficiency of the proposed methodology, it is applied to the electrical load demand in Fars, Iran. The obtained results are compared with those obtained from the ARMA model, ANN, SVR-GA, SVR-HBMO, SVR-PSO and SVR-FA. The experimental results affirm that the proposed algorithm outperforms other techniques.     

基于小波变换与支持向量机的短期电力负荷预测

利用多分辨分析的小波变换对短期电力负荷序列进行分解处理，将负荷序列投影到不同的尺度上，对各子负荷序列根据其特性采用不同的支持向量机进行训练和预测，最后把各预测的结果叠加得到完整的负荷预测结果。算例结果表明该方法同支持向量机的方法相比较具有较高的预测精度和较强的适应能力。     

基于人工智能的BPR技术在企业建模中的应用

采用基于AI的BPR建模方法——i*模型建立企业业务模型。分析了SD模型与SR模型的meta-model以及形式化表达和图形描述，并给出i*模型用于企业建模的框架、步骤和例子。i*模型基于意图性分析，解决了企业BPR中战略意图难以与业务流程相结合的问题，是对现有BPR技术的发展。     

一种提高高性能服务器资源利用率的新方法

目前高性能服务器能够支持多种应用，但各种应用在同一段时间内对资源需求是不均衡的，致使高性能服务器的资源利用率较低。该文所提出的动态部署系统是一种提高基于InfiniBand 和SAN的高性能服务器资源利用的新方法。该动态部署系统通过构建虚拟服务器，改变服务器结点的计算特性，在各种应用中移动计算节点，从而合理分配服务器中闲置资源，提高资源利用率和应用的性能。对动态部署系统的基本概念、设计、功能实现、性能测试及其理论证明等进行了研究。     

基于物联网技术的太湖蓝藻水华预警平台

针对以往藻类水华预测系统在数据源方面存在的不足,采用物联网技术,实现基于三层网络传输结构的监测体系,保证了数据的时间连续性;并对遥感水质参数定量反演方法、中程无线传感网络技术和藻类水华预测预警模型方面进行了改进。在此基础上,开发了太湖蓝藻预测预警平台,运行结果表明蓝藻水华未来3天的平均预测精度达到了80%以上。     

基于离散灰色预测模型与人工神经网络混合智能模型的时尚销售预测

时尚销售预测对零售领域十分重要,准确的销售情况预测有助于大幅度提高最终时尚销售利润。针对目前时尚销售预测数据量有限并且数据波动大导致难以进行准确预测的问题,提出了一种结合人工神经网络（ANN）算法和离散灰色预测模型（DGM（1,1））算法的混合智能预测算法。该算法通过关联度分析得到关联度大的影响变量,在利用DGM（1,1）+ANN预测之后,引入二次残差的思想,将实际销售数据与DGM（1,1）+ANN预测结果的残差加入影响变量利用ANN进行第二次残差预测。最后通过真实的时尚销售数据验证算法预测的可行性及准确性。实验结果表明,该算法在时尚销售数据的预测中,预测平均绝对百分误差（MAPE）在25%左右,预测性能优于自回归积分滑动平均模型（ARIMA）、扩展极限学习机（EELM）、DGM（1,1）、DGM（1,1）+ANN算法,相较于以上几种算法平均预测精度大约提高8个百分点。所提混合智能算法可用于时尚销售即时预测,且能够大幅度提高销售的效益。     

基于NHibernate的数据持久化方案

分析目前广泛使用的对象关系映射（ORM）组件——NHibernate,针对NHibernate的不足提出改进的ORM模型,根据该模型设计并实现基于.NET平台的轻量级ORM组件——MYPL,利用该组件无须编写任何映射文件即可实现对象关系映射等数据持久化操作,并能降低业务层和数据层之间的耦合,提高系统的扩展性、可维护性和应用系统的开发效率。     

基于EMD与LS-SVM的风电场短期风速预测

为了提高风电场风速短期预测的精度,提出了将经验模式分解与数据挖掘方法相结合对风速时间序列进行建模预测.对风速时间序列进行经验模式分解,使之分解为若干不同频带的本征模式分量.对不同频带的平稳分量建立相应的最小二乘支持向量机预测模型,将各模型的预测值等权求和得到最终预测值.仿真实验结果表明,风电场短期风速预测的MAPE为1.507%,提高了此类预测的精度,表明了该方法的有效性.