贝叶斯分位数估计的软土路基沉降预测模型

对于波动性较大或含异常点的软土路基沉降时间序列,选择以观测时间为自变量的多项式为该类数据列的预测模型。多项式模型容易线性化,适合用贝叶斯分位数估算模型参数。算例分析表明贝叶斯分位数回归估计优于单一的分位数回归估计,远优于传统最小二乘估计。     

基于遗传算法因素筛选的BP神经网络在软土路基沉降数据处理中的应用

软土路基沉降与其影响因素之间存在着非线性关系,因输入自变量较多,用神经网络建模容易出现过拟合现象,导致网络模型预测精度降低。针对这个问题,提出用遗传算法对输入自变量进行压缩降维处理,同时对网络模型的权值和阈值进行优化。实例仿真表明:经降维和权值及阈值优化的BP网络具有较高的精度;预测效果优于GRNN网络模型和单纯BP网络模型;用于软土路基沉降预测是可行的。     

基于熵权灰关联度分析法的煤样识别研究

针对常用煤炭识别方法样本数据要求高、人为因素影响大、识别准确性差等问题,提出一种基于信息熵的灰色关联度分析方法。通过分析熵权灰关联分析法的决策模型,根据样本数据建立了熵权灰关联度分析法的煤炭种类(无烟煤,烟煤和褐煤)辨识模型,并反向检验了待测煤样识别的准确性。最后对比分析了熵权灰关联度分析法和模糊识别法的煤样识别的准确性。结果表明:熵权灰关联度分析法对建模煤样和待测煤样的识别准确率均达到100%;而模糊识别法对建模煤样、待测煤样的识别准确率分别为83.33%、75.00%,总准确率为81.25%。说明熵权灰关联度分析法泛化能力强、可靠性高,明显优于模糊识别法。     

基于复合分位数高斯核基函数的非参数回归模型及应用

波动性大、规律性和整体性较差的建筑物变形数据,难以用参数回归模型描述其变化规律,为此建立了一种基于高斯核基函数的非参数回归模型,利用复合分位数和模拟退火算法估算模型系数。工程实例表明,复合分位数估算的高斯核基非参数回归模型具有较高的精度,能够满足工程需要,用该模型对建筑物变形数据进行预测分析是可行的。     

煤炭发热量的二次回归方程预测分析

以灰分、全水分为煤样指标建模了煤炭发热量的非线性二次回归预测模型,通过测试及对比,该模型具有较高的预测精度,预测结果能够满足工程需要,预测效果优于线性回归模型及神经网络模型等。另外,该预测模型还具有容易程序实现、操作简便等特点     

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。     

基于卡尔曼滤波算法的最小二乘拟合及应用

图像处理或在工业控制中经常要用到最小二乘直线拟合,对于有奇异点的直线拟合,传统的最小二乘法拟合误差较大,难以满足较高精度的要求。卡尔曼滤波算法具有最小无偏方差性,能够去除测量系统中的随机误差,将卡尔曼滤波算法与传统最小二乘法结合,建立了一种基于卡尔曼滤波预处理的最小二乘估计的新方法,获得了比传统最小二乘法效果更好的估计结果。试验证明了该方法的有效性和高精度性。     

基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型

针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。     

基于遗传算法自变量降维的神经网络煤矿瓦斯涌出量预测模型

煤矿瓦斯涌出量与其影响因素之间存在着高度的非线性关系,因输入自变量(即影响因素)较多,用神经网络建模容易出现过拟合现象,导致所建模型精度低、建模时间长。针对这些问题,提出用遗传算法对自变量进行压缩降维处理,实例仿真表明用降维后的数据建模提高了模型的预测精度,缩短了建模时间,且优于其他建模方法。     

基于粗糙集的Probit回归模型在煤炭种类识别中的应用

利用粗糙集理论筛选出识别无烟煤、烟煤、褐煤的主要特征指标粒状微粒体、壳质树脂体、平均最大反射率,并以此三指标建立了Probit回归分析模型,对模型参数先借助模拟退火算法求出初始值,再利用MATLAB优化函数fmincon求出参数的最终值。利用所建模型分别对建模样本和测试样本进行种类识别,结果正确率为100%,表明该模型具有很高的精确度,可用以煤炭种类识别,而且模型简单、易操作。