灰色神经网络的研究及发展

灰色神经网络是将灰色系统模型与神经网络模型有机融合的一种新型智能计算模型,它充分利用了两者在信息表现上存在的相似性及模型特点上存在的互补性,能弥补单纯使用灰色模型或单纯使用神经网络解决问题的不足,灰色神经网络预测模型应用广泛.主要论述了灰色神经网络计算模型的关键技术、研究热点、难点及发展.     

基于灰色BP神经网络的沉降预测模型应用研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的建筑物沉降预测模型,通过工程实例数据分别对GM(1,1)模型和灰色BP神经网络模型进行验证,得到了灰色BP神经网络的预测效果要比单纯的灰色GM(1,1)预测模型精度要高的结论,本模型为解决建筑物基础沉降预测分析提供了一种新的方法.     

基于有机灰色神经网络模型的空气污染指数预测

针对灰色预测对波动较强的序列只能预测大致变化趋势的缺陷,结合灰理论中的GM(1,1)、无偏GM(1,1)、非等时距GM(1,1)、pGM(1,1)和BP神经网络的特点,提出有机灰色神经网络预测模型,将一维序列通过三个灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构．以哈尔滨市近三年内空气污染指数为例,结合其变化规律,建立哈尔滨市月平均空气污染指数的有机灰色神经网络预测模型,结果表明,该模型拟合误差小,预测精度高．     

灰色补偿RBF神经网络

给出了灰色系统与神经网络的一种新的结合方式—灰色补偿RBF神经网络。该网络利用RBF神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

灰色补偿RBF神经网络

给出了灰色系统与神经网络的一种新的结合方式一灰色补偿RBF神经网络。该网络利用RBF神经网络建立残差与数据间的映射关系，并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

基于马尔科夫链改进灰色神经网络的水质预测模型

根据汾河运城段的实际情况,应用改进灰色神经网络对水质进行预测.在数据处理以及关联度分析的基础上,选取关联度较高的氨氮、挥发酚、水温、BOD5及COD作为灰色神经网络的输入节点.应用灰色神经网络对水质进行预测,再用马尔科夫修正误差残值,可使修正值更加接近实测值.灰色神经网络的相对误差为68.44%～4.69%,改进灰色神经网络将相对误差为41.96%～2.23%,可见改进神经网络的预测精度更高.改进灰色神经网络模型,结合了灰色神经网络和马尔科夫的优点,提高了预测的精度,并以汾河河津大桥监测断面的水质预测为例,验证了该方法的可行性.     

基于数据挖掘技术的SCR脱硝反应器入口NOx软测量方法

针对选择性催化还原系统(SCR)严重的滞后性特点,以电厂实际运行数据为基础数据,分别采用灰色系统GM(1,N)模型和BP神经网络进行试验数据的挖掘,寻找试验过程的重要控制参数,并对其进行入口氮氧化物(NOx)预测分析.通过比较两个模型的预测结果可知,BP神经网络模型比灰色系统GM(1,N)模型具有更高的预测精度,更适合于SCR入口NOx的预测.     

灰色神经网络耦合模型在城市需水量预测中的应用

目的为了更准确预测城市用水量,弥补灰色和神经网络预测模型在中长期需水量预测中的不足.方法采用最小方差法建立了灰色新息递补模型和新息递补BP神经网络的耦合模型即灰神经模型,并对城市需水量进行预测.结果预测沈阳市生活需水量,灰神经网络耦合模型的平均相对误差为0.144%;预测沈阳市工业需水量,灰神经网络耦合模型的平均相对误差为0.19%.在模拟精度方面远远高于其他模型的模拟值,提高了预测的准确性.结论提出了用灰色神经模型来预测城市需水量的方法,能更好地预测城市未来需水量,把影响预测的不定因素降到最低限度,具有广泛的实用性.     

GNNM(1,1)模型在城市用水量预测中的应用

我国城市年用水量数据较少并与诸多因素息息相关,是一个典型的灰色系统。本文利用灰色系统的少数据建模优点和神经网络的精度可控性优点,建立了城市年用水量的灰色神经网络GNNM(1,1)模型。利用该模型对S市城市用水量进行了实际预测研究,实例证明了该方法的正确性和科学性。     

基于灰色神经网络技术的陶瓷电性能分析

运用灰色神经网络理论，研究了掺杂SrTiO3多功能陶瓷氧化热处理过程中，氧化热处理条件对介电性能和压敏性能的影响。根据各种参数的主行为因素的多少，运用GNNM(1，1)、GNNM(1，2)、GNNM(1，3)模型进行分析，并且建立了相应的GNNM(2，1)灰色神经网络模型。