灰色神经网络在深基坑位移预测中的应用

将灰色神经网络模型GNNM（1,1）应用于深基坑支护结构位移预测中,以润扬长江公路大桥南汉桥南锚锭深基坑为例进行实例分析,结果表明：GNNM（1,1）模型的预测结果与实测结果拟合得很好,比GM（1,1）有更强的适应性,对基坑工程三类位移增长曲线能较好地模拟,可较准确地预测基坑支护位移。     

灰色神经网络组合模型及在滑坡预测中的应用

提出将灰色GM(1,1)预测模型与神经网络预测模型结合起来,建立灰色神经网络预测模型,对滑坡变形位移进行预测.此方法为串联型灰色神经网络组合模型,是指用神经网络识别灰色GM(1,1)所得的预测值和实测值之间的未知关系,去修正灰色系统所得的预测值.实例表明:此种预测模型预测精度高、所需样本少、有效以及在滑坡预测中有着良好的应用前景.     

灰色模型在短期电力负荷预测中的应用

电力负荷预测是电力控制及运行方面的最重要的一项任务，根据不同的预测对象，常用的方法有概率统计法、时间序列分析及灰色系统等等。文章讨论了灰色模型GM(1，1)及其改进模型在短期电力负荷预测中的应用。采用ARIMA(p,d,q)模型与GM(1，1)改进模型对特殊日电力负荷进行组合预测，提出了适合电网特殊日电力负荷预测的数据处理方法。提高了预测的精度。准确度到了95%以上，解决了每日24点正点采样情况下预测精度较低的问题。     

改进证据理论融合灰色神经网络的水质预测

针对水质预测过程中样本数据少的特点,引入了改进证据理论和灰色神经网络相结合的组合预测方法。首先利用灰色神经网络作为单一模型对水质进行初步预测,再用神经网络对预测结果进行分析建模,得到每个单一预测模型的可信度,最后采用改进证据理论进行融合决策,以获得各单一预测模型的权重,从而实现了水质的组合预测。实例分析结果表明,该方法拟合误差小、预测精度高。     

BP神经网络算法在年电力负荷预测中的应用

本文主要研究电力负荷预测方法，依照神经网络系统理论，建立神经网络模型，并通过实例计算，介绍了BP神经网络算法在年电力负荷预测中的应用。     

灰色理论在电力系统负荷预测中的应用

结合一个实例，提出了用灰色理论模型来预测电力系统负荷的方法。     

灰色理论及神经网络组合模型在水质预测中的应用

利用灰色理论和神经网络的组合式模型实现了对原水水质的预测。它分析了水质数据的影响因素多,水质变化的非线性等特点,同时考虑灰色理论的单变量预测优势以及神经网络能有效处理数据的非线性、模糊信息的特点,提出使用灰色理论模型GM(1,1)对水质数据进行建模,再使用BP神经网络对实际值和预测值的残差进行建模,最后叠加上述两个模型,实现灰色神经网络组合式水质预测模型。通过对某水厂水质的预测值和实际值的比较,表明该模型对水质有较高的预测精度。     

改进灰色模型在水量预测中的应用

灰色模型对生活用水量进行预测本身具有一定的局限,数据离散程度越大,灰度也愈大,其预测精度也越差.文中采用滑动平均法对灰色预测的原始数据进行了改进,并采取残差修正,避免了数值过度波动.通过预测实例,结果表明改进后的灰色预测模型能有效提高预测精度.     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

改进的灰色马尔科夫模型在大坝变形预测中的应用

针对灰色模型在建模过程中受到随机扰动影响这一问题,利用马尔科夫模型预测波动性数据准确的优势,对灰色模型进行改进,并应用于大坝变形预测计算与分析。结果表明,改进的灰色马尔科夫模型对存在扰动数据的大坝变形预测中,可以获得较好的预测效果,提高预测精度。     

基于神经元网络的碾压混凝土材料剪切本构模型研究

碾压混凝土的分层形式对其力学性能有较大的影响．为了全面探讨碾压混凝土材料力学性能及为碾压混凝土结构数值分析提供材料参数，研究和建立了基于损伤的碾压混凝土材料剪切本构模型．由于现场原位抗剪（断）试验条件的限制，试验无法量测出试件的真实应变值．在考虑碾压层面点的强度、应变局部化效应的基础上，基于岩滩水电站现场碾压抗剪（断）试验结果，采用损伤模型的本构形式进行了碾压混凝土剪切本构研究，并建立了基于神经元网络的碾压混凝土剪切本构模型．     

改进灰色聚类关联在地下水水质评价中的应用

将改进的灰色聚类关联模型应用于地下水水质评价,通过对白化函数的改进,提高了资料的信息利用程度,根据各监测点不同水质类别关联度的比较,可判断出各监测点地下水水质的优劣。东昌府区地下水水质综合评价结果表明:改进的灰色聚类关联评价方法易于掌握,评价结果可以作为地下水管理的依据,是地下水水质评价的新途径。     

基于灰色系统理论的电力负荷预测研究

利用灰色系统理论建立电力负荷预测模型,并将其加以改进,应用结果表明改进的灰色预测模型具备较高的精确性和可靠性.     

缓冲算子改进灰色模型在变形预测中的应用

灰色模型用于建筑物变形监测分析和预测时,通常依靠时间信息建立预测模型,但该类模型不能充分反映点位变化规律。在对变形监测时间序列定性分析的基础上,提出利用缓冲算子对变化幅度大的点进行调整,以此建立改进的灰色模型,再进行预测,并用实例进行分析验证,取得了更优的预测效果,精度也有所提高。更多还原     

门限人工神经网络模型及其在洪水预报中的应用

结合门限自回归模型与人工神经网络模型的建模思想，首次提出这两种方法的耦合模型，即门限人工神经网络模型，新模型的实质是一种分段非线性化的处理方法，是对现有门限模型分段线性化的很好改进。实例计算结果说明，新模型在洪水的预报中是有效的，在各种非线性时序动态预测中具有普遍意义和广泛的实用价值。     

电力负荷预测的灰色随机组合模型

年电力负荷具有稳定增长的趋势成分和随机成分．由灰色模型描述趋势成分，由自回归模型刻化随机成分，两者叠加，即灰色随机组合模型，可反映年电力负荷的变化特性．实例验证表明，该途径是可行而有效的．     

改进的非等间距灰色模型在大坝位移预测中的应用

传统GM(1,1)预测模型在大坝位移拟合及预测中存在优化方式单一、适应性不佳等不足,一定程度上影响模型的预测效果。基于蛙跳算法,通过优化背景值和平滑系数、寻找最优定解条件以及残差优化等方法,提出了改进的非等间距GM(1,1)大坝位移预测模型。结合相关工程实例,对比分析了2种模型的拟合效果和预测精度,说明了相对于传统GM(1,1)大坝位移预测模型,改进的GM(1,1)大坝位移预测模型能有效提高位移预测精度,可以应用于实际大坝结构中的位移监控及预测。     

改进的TOPSIS模型在污水灌溉安全性评价中的应用

 选择开封市惠济河水作为污灌引水点的样本水体,采用标准方法对灌溉水质进行监测分析。考虑到 TOPSIS 法在进行综合评价时的不足之处 , 提出了运用垂直距离代替欧氏距离进行评价 , 通过建立改进的 TOPSIS 模型,对污水灌溉安全性进行了评价研究。结果表明,开封市惠济河水质低于国家灌溉水质标准,直接用来灌溉或进行其他用途是不安全的,且重金属污染较严重。研究成果为水体的科学管理和污染防治提供决策依据,在水资源可持续开发利用中具有重要意义。     

改进的GM(1,1)模型在城市需水量预测中的应用

基本GM(1,1)模型未充分利用新信息,且背景值构造不合理,对变化非平稳的数据序列预测精度较低,为此,本文采用重构背景值和等维递补原理对基本GM(1,1)模型进行改进,建立重构背景值的GM(1,1)等维递补模型,并运用改进模型预测北方某市需水量,结果表明,改进模型预测精度更高,为需水量的预测提供了一种新方法.     

改进模糊神经网络模型及其在大坝监测中的应用

鉴于传统模糊神经网络计算繁琐、模型精度较低、难以收敛等问题,在大坝位移的监测数据分析中应用改进的模糊神经网络及改进的反向传播(BP)网络算法,并建立了相应的网络模型.大量的数据分析计算表明,该模型收敛快,且精度优于常规的模糊神经网络和传统的统计模型.