基于灰色新陈代谢和神经网络的故障预测方法研究

针对工业装备故障预测中存在信息不完备等问题,提出将灰色理论与神经网络算法相结合的组合预测方法。首先,通过数据变换技术和重新构造背景值求值方法优化新陈代谢GM(1,1)模型的初始值以及背景值,然后将优化后的新陈代谢模型的输出数据集作为神经网络的输入,原始数据作为神经网络的期望输出。运用附加动量项和变化的自适应学习速率对神经网络的权值更新方法进行改进。其后将得到的最佳神经网络的输出值作为最新信息运用到新陈代谢模型中得到预测值。齿轮运行状态实例预测结果表明,该预测方法可有效提高故障预测精度。     

基于粒子群优化的灰色神经网络组合预测模型研究

灰色神经网络在人工智能预测领域已经得到广泛的应用,但由于其自身存在局部最小化和收敛速度慢等问题,使其预测精度受到一定的限制。针对其不足,本文提出一种利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法对股指期货历史数据进行初步预测,并且把初步预测的结果作为优化BP神经网络的输入进行训练和预测,构建了基于粒子群优化的灰色神经网络组合预测模型(PSO-GMNN)。仿真实验结果表明,新预测模型的预测精度高于BP神经网络、灰色神经网络和灰色预测模型,同时也表明了该方法的有效性和可行性。     

基于灰色神经网络建模的水质参数预测

针对水质参数预测过程中样本数据少的特点,结合灰色新陈代谢GM(1,1)模型和BP神经网络模型,提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本,解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。实验表明,与普通BP网络、灰色新陈代谢模型比较,灰色新陈代谢BP神经网络组合模型的预测精度更高,能够应用于水质参数的预测。     

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。     

基于BP神经网络的水质预测方法的研究

为了建立相应的水质预测和评价管理决策支持系统,在了解和分析一些常规水质模型的基础上,提出了用BP神经网络进行智能建模的方法,并结合东江自动监测站的实测水质数据进行了初步的探索,建立了东江水质预测的BP神经网络模型,并给出了仿真结果。结果表明,BP神经网络模型可以很好地对水质进行预测,解决系统中复杂的非线性关系,具有预测精度高,简便可靠等特点。     

一种基于灰色神经网络的网络流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。灰色模型和神经网络在反映数据的趋势性变化上效果明显,随着灰色神经网络的发展及其广泛应用,越来越多的方法已经被提出。文中利用神经网络补偿器获得误差补偿信号,则最终的预测值为灰色神经网络模型的预测值加上误差补偿。仿真结果验证了所提方法的有效性。     

基于补偿器的灰色神经网络流量预测模型

为衡量网络运行负荷和运行状态,对网络进行合理规划,在对目前网络流量预测模型进行了研究的基础上,结合灰色模型和神经网络模型在反映数据的趋势性变化上的明显效果,以及神经网络补偿器,提出了基于补偿器的灰色神经网络流量预测模型,仿真结果验证了所提方法的有效性。     

基于灰色神经网络一种预测模型的研究

应用灰色系统理论和BP神经网络(简称为GMBPNN)来创建农业机械化的预测模型以展开有关研究。通过举例来分析该方法,并利用GMBPNN获取有关结果,再与灰色预测模型和BP神经网络预测方法进行比较。仿真结果证明本文算法效率高,为改善预测准确性提供新途径。     

基于神经网络的水质预测模型研究

水体预测分析在掌握江河水体的现状、理解污染物质转移的特点以及了解污染源的排污状况进而预测水体发展趋势等方面有着重要意义。有效的水资源管理和明确的水污染治理的区域规划是水生态环境保护的首要任务,而水体的预测分析则是基本保障。本文以某河流域为研究对象,根据其水体现状以及检测的统计数据,创建人工神经网络的水体预测模型,对水环境的关键超标准污染物质总氮的含量进行仿真模拟预测分析。分析数据表明,经过训练后的神经元网络的预测分析偏差低于5%,因而该实体模型能合理地预测分析水体中的总氮浓度值。     

基于灰色神经网络对软件可靠性模型的研究

软件可靠性是软件工程的一个重要的研究课题。软件可靠性模型可以预测软件产品的缺陷累计率。在GM（1,1）模型、DGM（2,1）模型和Verhulst模型的基础上,结合BP神经网络的理论对软件可靠性进行建模。通过理论分析和预测实验表明,该方法是可行的,拓宽了软件可靠性模型的研究方法。     

基于灰色神经网络和自适应网络过滤的流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。在灰色神经网络研究的基础上,提出一种新的网络预测方法,通过自适应过滤法对灰色神经组合模型时产生的残差进行修正,从而达到比较精确的效果。实验结果表明,该方法有效可行。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

基于灰色神经网络的宏观经济因素修正股指预测模型

股票指数具非线性和不确定性变化规律,传统单一模型只能反映股票指数的部分信息,预测精度不高.各个模型的思路又常常从不同的角度出发,其预测所基于的原理是各有优劣的.为了提高股价预测精度,充分利用不同单一模型的优势,本文提出一种在灰色神经网络的基础上加以宏观经济因素解释修正的股价预测方法.     

基于灰色BP神经网络的服装面料规格参数预测

提出一种针对服装面料在生产加工过程中预测成品服装面料规格参数的预测模型。该模型通过将灰色关联分析与BP神经网络相结合的方式实现,利用灰色关联分析找出面料生产加工过程中的各测量参数与成品面料规格参数的潜在关系,为BP神经网络提供筛选因子的功能,最后通过训练BP神经网络来实现预测。根据企业提供的现实生产数据,经过实验验证了该模型的有效性。     

基于灰色BP神经网络模型的煤矿地下水位预测研究

针对煤矿地下水位监测精度不高的问题,提出灰色BP神经网络预测煤矿地下水位的模型.分别利用灰色预测理论、BP神经网络模型和灰色BP神经网络对某煤矿一观测井地下水位进行预测,仿真数据表明采用灰色BP神经网络模型预测煤矿地下水位更为准确.     

基于BP神经网络的股市预测模型

介绍了神经网络的基本概念,建立BP神经网络模型,以某个股实际收盘价为原始数据样本,对网络进行训练后,对股票价格进行了短期预测,并计算出预测值和实际值的误差.通过实验发现该模型收敛速度快,预测精度高.     

基于灰色BP网络的城市建设用地预测模型

城市建设用地的准确预测是城市合理规划,持续发展的重要保证,建立一种灰色BP网络预测模型,把灰色预测与BP神经网络组合起来,通过历史数据预测城市建设用地量,该模型既考虑了城市建设用地的时序特性,又考虑了它的非线性特性。通过具体的实例研究,对比了单独灰色预测模型与组合预测模型的预测结果,结果显示组合预测的结果与实际有较高的拟合度。     

基于神经网络的某超市水产品运营量预测模型研究

随着人工神经网络技术的不断成熟,人工神经网络和预测预报紧密结合起来。结合＂神经网络＋预测＂的开发模式,引入BP人工神经网络学习算法,构建了某超市水产品运营预测模型,并讨论不同结构的BP网络及随机初始化对预测结果的影响,同时进行了神经网络预测方法和其它预测方法的比较。     

灰色神经网络控制器在液位控制中的应用

针对实际工业生产过程中被控对象的时变和纯滞后的特点,本文根据神经网络具有能够充分逼近任意复杂的非线性关系和能够学习严重不确定系统的动态特性,具有适应性、智能性较好的特点并结合灰色预测控制的超前预测的特点,提出了基于BP神经网络的灰色预测控制算法.仿真结果的对比分析表明:本文的控制算法与传统控制器相比,具有控制简便、自适应性较强等特点,适用于对纯滞后和模型时变对象的控制.最后采用xPC技术在实际设备上进行了算法的验证,取得了满意的效果.     

基于BP神经网络的压缩空气用能预测模型研究

文中根据BP神经网络对复杂问题所具有的预测能力,选取某企业压缩空气用能数据作为预测评判指标,建立了用于压缩空气用能预测的BP神经网络模型,并应用于实际问题预测。然而,最初预测结果在几个时刻点出现异常,在此文中针对记录数据可能出现问题的各种原因,再次利用局部预测对原始数据做出修正,最后预测结果已基本符合。实例表明：用BP神经网络模型进行压缩空气用能预测是可行和有效的。