灰色神经网络模型及其应用

灰色建模要求的样本点少,不必有较好的分布规律,而且计算量少,操作简便。而BP网络学习样本时,会反馈校正输出的误差,具有并行计算、分布式信息存储、强容错力、自适应学习功能等优点。本文将灰色预测建模和神经网络技术融合起来,建立灰色神经网络模型(GNNM)。提出计算残差序列和新的预测值的公式。用于发酵动力学预测,结果表明,灰色神经网络模型在预测精度方面优于常规灰色模型。该模型的算法概念明确,计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围。     

基于灰色神经网络的污水处理厂水质预测研究

针对中小型污水处理厂出水监测设备长期监测精度不稳定的实际情况,利用灰色理论和广义回归神经网络建立了灰色神经网络模型,根据采集到的污水处理厂进水参数对出水参数进行预测,并对灰色神经网络模型和广义灰色神经网络模型的预测结果进行了对比,对比结果表明:这种灰色神经网络模型的精度明显优于广义神经网络模型,适合应用。     

遗传优化的GNNM在瓦斯涌出量预测中的应用

研究矿井瓦斯涌出量准确预测一直是煤矿安全生产中重点关注的问题。煤层瓦斯爆炸因受开发环境、矿层深度、天气等因素的影响,造成与瓦斯涌出量增大而引起的。针对传统预测模型在矿井瓦斯涌出量预测中存在建模困难、收敛速度慢、要求历史数据量大的问题,提出了一种遗传优化的灰色神经网络预测模型。模型利用灰色系统对数据量要求低的特点,将灰色系统理论与神经网络有机结合起来,建立灰色神经网络模型。并采用遗传算法对所建立模型的权值和阈值进行优化。采用模型对矿井瓦斯涌出量进行预测,实验表明,遗传优化的灰色神经网络模型,可以简化系统建模,并能提高瓦斯涌出量预测精度,有一定的实用价值。     

基于灰色神经网络的煤岩界面预测研究

针对井下煤岩界面识别的实际情况,采用相同的初始数据分别建立了B P神经网络模型、小波神经网络模型和串联灰色神经网络模型,并利用三种模型进行预测,预测结果表明:这种灰色神经网络模型残差明显小于其它两种神经网络模型,预测精度较高,适合应用。     

地区生产总值的灰色神经网络预测

灰色神经网络是将灰色系统与神经网络融合建立的模型。本文利用该模型对某市的生产总值进行了模拟和预测。该模型融合了两者的优点,能够充分发挥灰色系统建模简单,所需数据少,运算方便和神经网络非线性处理能力强的优势,降低使用单一模型预测的危险性,提高了预测精度。     

灰色理论和神经元网络在证券市场中的应用

将灰色系统和神经网络模型分别应用于证券市场中股票价格的预测;同时提出将灰色模型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,并以股票市场上证指数为例进行模拟预测。分析结果表明：组合预测模型的模拟预测精度比单一模型更为精确。     

基于灰色G(1,1)和小波神经网络的预测模型及应用

将灰色系统、小波分析和三层BP神经网络各自优点集于一身建立了基于灰色G(1,1)和小波神经网络的预测模型,大幅度提高了模型的预测精度和可靠性。选用我国自1994年至2006年狂犬病发病率统计数据,用灰色GM(1,1)模型对历年的疾病发病人数进行建模,将拟合值做小波神经网络的输入进行二次拟合和预测。实验结果及仿真验证表明,本文模型预测效果远优于单一的灰色模型预测。     

灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

基于灰色神经网络的烧结碱度预测与仿真

建立了应用灰色神经网络对烧机矿化学成分进行预测的有关理论，并在此基础上构造了灰色神经网络模型。该模型中。灰色理论弱化数据序列波动性和神经网络特有的非线性适应性信息处理能力相融合，本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测。该模型具有预测精度高、所需样本少、计算简便等优点，取得了比较满意的结果。和BP神经网络算法相比，灰色神经网络算法有很大的应用前景和推广价值。     

基于灰色粒子群神经网络的航天器参量预测

针对航天器精确预测与健康管理的需求,将粒子群算法、灰色理论与神经网络的优势相结合,提出了一种灰色粒子群神经网络组合参量预测方法,实现了灰色模型、粒子群算法、神经网络模型的优势互补.针对某卫星南帆板输出电流参量的预测实例,采用总平均绝对误差、总平均绝对百分比误差、总均方根误差3个预测结果评价指标,对灰色粒子群神经网络模型、粒子群神经网络模型、灰色模型和残差修正灰色模型的预测结果进行了比较,结果证明灰色粒子群神经网络模型的预测精度较高,在航天器参量预测领域具有很好的应用前景.     

基于支持向量机的油品质量预测

以某炼油厂加氢装置的现场数据为基础，利用支持向量机技术建立了轻柴油的凝点、闪点、95%馏出温度等3个关键指标的预测模型，并且分析了神经网络和支持向量机在预测上的差异，验证了用支持向量机建立的油品质量预测模型能快速得到有效信息，从而为实现质量指标的实时预估奠定了基础。     

基于多维泰勒网的超前d步预测模型

针对单入单出(SISO)与多入多出(MIMO)非线性时滞系统构建预测模型准确性问题,分别提出基于多维泰勒网(MTN)的预测模型构建方案.首先,分别依靠非递推技术与递推技术来设计非递推d步与递推d步超前MTN预测模型,给出二者表达式,二者皆可对未来d步范围进行预测,并有效弥补时滞带来的影响;然后,利用阻尼递推最小二乘(DRLS)算法,带有动量因子的BP算法,Levenberg Marquardt(L-M)算法和扩展卡尔曼滤波(EKF)算法分别作为MTN预测模型的学习算法进行实时在线学习;最后,引入两个仿真例子来验证所建立预测模型的准确性和实时性,并与神经网络预测模型作对比.实验结果表明,相比较神经网络预测模型,所提出的两种在线构建预测模型方案具有更好的准确性与实时性.同时,4种不同的学习算法对MTN预测模型的准确度影响不大.     

基于神经网络的油品质量预测

以某炼油厂加氢装置的现场数据为基础，利用神经网络技术建立了轻柴油的凝点、闪点、95％馏出温度等3个关键指标的预测模型；比较了反向传播网络和径向基网络在逼近精度和收敛速度上的差异；并且分析了基于小波分析的数据滤波和归一化处理对神经网络收敛速度和逼近精度的影响。最后验证了用神经网络方法建立的油品质量模型能快速地得到有效预测信息，从而为实现质量指标的实时预估和在线故障诊断奠定了基础。     

基于数据挖掘技术的信用卡审批模型研究

针对分类预测建模数据的非对称性,提出一种基于神经网络和决策树技术结合的非对称性数据集合预测分类建模方法,建立了信用卡审批模型.结果表明:增加预测类标识决策属性后,在用不同比例的建模数据集建立的所有模型中,比例为33.33%:66.67%的数据集建立的神经网络模型最好,模型的准确率达到88.49%.     

Comparative analysis of artificial neural networks and dynamic models as virtual sensors

This paper presents a comparison of predictive models for the estimation of engine power and tailpipe emissions for a 4 kW gasoline scooter. This study forms a benchmark toward establishing an online emissions control and monitoring system to bring the emissions to within specific limits. Three emissions predictive models were investigated in this study; direct and series artificial neural network (ANN) models and a MATLAB dynamic model. The direct models takes variables lambda, throttle position, engine and vehicle speed to predict the engine power and the emissions CO, CO₂ and HC. The series model first takes the mentioned input to predict the engine power and consequently using the engine power as the fifth input to predict the emissions. For the ANN models, two multilayered networks were compared and analyzed; the backpropagation (BP) and optimization layer-by-layer (OLL) algorithms. The predictive accuracy for each algorithm were compared and it was found that the OLL network is the most accurate with a maximum mean relative error (MRE) of 1.78% and 1.38% for the direct and series predictive model respectively. Comparative results showed that the series neural network model gives the most accurate predictions, with MRE of 0.63% and 0.47% for the engine power and emissions respectively. The series neural network model can be seen as generic virtual power and emissions sensors, substituting costly and cumbersome hardware. Simple obtainable process parameters together with the series neural network will contribute immensely in control and tuning of emissions for real-time vehicular applications.     

Estimation of predictive accuracy in survival analysis using R and S-PLUS

When the purpose of a survival regression model is to predict future outcomes, the predictive accuracy of the model needs to be evaluated before practical application. Various measures of predictive accuracy have been proposed for survival data, none of which has been adopted as a standard, and their inclusion in statistical software is disregarded. We developed the surev library for R and S-PLUS, which includes functions for evaluating the predictive accuracy measures proposed by Schemper and Henderson. The library evaluates the predictive accuracy of parametric regression models and of Cox models. The predictive accuracy of the Cox model can be obtained also when time-dependent covariates are included because of non-proportional hazards or when using Bayesian model averaging. The use of the library is illustrated with examples based on a real data set.     

基于链上数据的区块链欺诈账户检测研究

针对区块链上存在的欺诈账户给交易带来的安全问题,提出了基于机器学习的欺诈账户的检测及特征分析模型,将以太坊上真实的链上数据进行特征提取后作为模型的数据来源,通过对不同的机器学习方法进行比较得到最优模型并进行迭代训练以获得最佳的预测模型,同时引入 SHAP值对数据特征进行分析。实验结果表明,基于XGBoost的欺诈账户检测模型在RMSE、MAE和R2三组指标上达到了0.205、0.084和0.833,优于其余的对比模型,并结合SHAP值识别出预测欺诈账户的关键因素,为区块链的交易安全提供决策参考。     

Bayesian statistical effort prediction models for data-centred 4GL software development

Constructing an accurate effort prediction model is a challenge in Software Engineering. This paper presents three Bayesian statistical software effort prediction models for database-oriented software systems, which are developed using a specific 4GL toolsuite. The models consist of specification-based software size metrics and development team's productivity metric. The models are constructed based on the subjective knowledge of human expert and calibrated using empirical data collected from 17 software systems developed in the target environment. The models' predictive accuracy is evaluated using subsets of the same data, which were not used for the models' calibration. The results show that the models have achieved very good predictive accuracy in terms of MMRE and pred measures. Hence, it is confirmed that the Bayesian statistical models can predict effort successfully in the target environment. In comparison with commonly used multiple linear regression models, the Bayesian statistical models'predictive accuracy is equivalent in general. However, when the number of software systems used for the models' calibration becomes smaller than five, the predictive accuracy of the best Bayesian statistical models are significantly better than the multiple linear regression model. This result suggests that the Bayesian statistical models would be a better choice when software organizations/practitioners do not posses sufficient empirical data for the models' calibration. The authors expect these findings to encourage more researchers to investigate the use of Bayesian statistical models for predicting software effort.     

基于模型树的多核设计空间探索技术

处理器设计面临的重要挑战是如何在庞大的设计空间中高效地找到满足约束的设计结构,而预测模型方法是探索复杂设计空间的重要方法.为了提高预测模型的实用性,提出一种基于模型树的多核设计空间探索技术.首先对整个设计空间中部分设计结构进行采样模拟,然后通过模型树算法构建设计参数与处理器响应之间的预测模型,最后通过该模型预测出其他设计结构的响应以找到满足约束的最优设计.实验结果表明,与现有的基于支持向量机和人工神经网络的预测模型技术相比,针对性能预测,采用文中技术能够提高74.87%和38.87%的准确度;针对能耗预测,能够提高2.66%和16.82%的准确度.     

利用Bagging算法和GRU模型预测股票价格指数

股价预测对监管部门了解金融市场运行状况和投资者规避股市的高风险具有重要意义。提出了一种基于门控循环（gated recurrent unit,GRU）神经网络和装袋（Bagging）的方法,并将其应用于股指的预测研究。该模型通过Bagging方法处理训练数据集,在模型构建过程中引入随机性,并结合GRU模型预测股价,最终能够降低预测误差,提高预测准确性。通过4个数据集实验结果的对比发现：（1）GRU模型能够较好地预测股指数据,与另外两种单个模型相比,多数情况下具有更小的预测误差;（2）引入Bagging方法的GRU模型具有较强的预测能力,相比于三种基准模型（GRU、ELM、BP）有更小的预测误差和更高的预测稳定度。