一种基于弱化算子改进的灰色模型故障预测方法

针对航空装备故障预测需求,在对灰色GM(1,1)基本模型分析研究的基础上,通过引入弱化算子对该故障预测模型进行改进,并以某直升机滑油温度控制盒峰值电压数据为对象进行应用分析,结果表明弱化算子改进模型可降低故障预测误差、提高预测精度;同时,将基于弱化算子改进模型的算法分别与序列平均变化率算子、新陈代谢模型两种算法进行组合,也验证了基于弱化算子改进模型可以提高预测精度,这对提高航空装备故障预判与维修保障能力具有重要参考借鉴价值。     

QPSO改进灰色融合模型的软件故障预测

为了提高小样本的预测精度,提出了一种基于量子行为粒子群优化与数据融合算法的灰色融合预测模型。首先从两个方面改进了GM(1,1)模型,对原始序列进行了幂函数变换,并采用量子行为粒子群优化算法实现了参数的优化。然后提出了多次建模的策略,利用原始序列的不同分量分别建立GM(1,1)改进模型进行预测,将各次预测值进行融合得到最终结果。最后用该模型进行软件故障预测,结果表明其相对误差在3%以内,适用于平滑性较差和高增长的序列预测。     

基于改进灰色模型预测的节流流量传感器测量校正方法

为了提高节流流量传感器的测量校正精度,提出一种基于改进灰色GM(1,1)模型的预测校正方法。该方法首先对灰色GM(1,1)模型的流程进行改进,并采用LM方法对GM(1,1)模型的初始值进行求解计算;然后利用基于Markov过程的残差修正模型进一步提高预测精度;最后通过实例分析验证了提出方法的可行性。实验结果表明,相比传统灰色GM(1,1)模型,提出改进模型的预测值与实际测量值的拟合度更好,有效降低了校正后的节流流量传感器的测量误差。     

木材物流运输量GM(1,1)预测程序的设计

为了帮助基层林区政府更准确地预测木材运输量,研究了GM(1,1)模型的预测算法,发现其误差略大,离基准年份越远的预测值高于实际值的情况越严重。对其预测模型略做改进,将基准年份后移,降低了误差率。采用GM(1,1)和改进后GM(1,1)两种算法,分别对某县的木材物流量进行预测,和生产真实数据比较,改进后的GM(1,1)方法预测的最大相对误差为2.37%,精度有所提高。采用该模型计算量少,过程简单,精度高,可为县级基层林业局制作木材物流发展政策提供决策依据。     

基于灰色理论和神经网络建立预测模型的研究与应用

根据综合利用灰色理论与神经网络建立预测模型的思路,给出了利用神经网络对模型残差进行修正的灰色GM(1,1)模型综合预测方法。选用我国自1994年至2005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,并利用LM算法优化的快速BP神经网络对其残差进行修正,使得建模和预测具有更高的准确性和适应性。实验结果及仿真验证表明,加入修正过程的综合模型,其预测效果远优于单一的灰色模型。     

基于鸡群优化算法的改进GM(1,1)模型

针对传统GM(1,1)模型的模拟精度和预测精度不高的问题,提出了基于鸡群优化(chicken swarm optimization,CSO)算法的改进模型CSO-GM(1,1)。首先,为了提高模型的模拟精度,在模型的初始条件中引入扰动因子。其次,为了提高模型的预测精度,设计了一种基于新信息优先原理的优化模型。最后,利用鸡群算法对模型中的参数进行优化,进一步提高了模型的模拟和预测精度。利用多组不同增长幅度的指数序列和实际算例进行测试,结果显示在模拟精度和预测精度上,CSO-GM(1,1)模型都优于其他对比模型,从而验证了改进模型的有效性。     

应用灰色理论预测混合动力汽车蓄电池的剩余容量

电池剩余容量预测是混合动力汽车一个非常关键的问题,文章在分析混合动力汽车蓄电池充电和放电特性的基础上,针对蓄电池内阻与剩余容量之间的非线性关系,采用了一种在线的灰色GM（1,1）模型群方法对蓄电池单元的剩余容量进行预测。但是采用简单的灰色模型对蓄电池的容量进行预测会带来很大的误差,文中首先用灰色GM（1,1）的常规模型原理并对蓄电池剩余容量建立了简单的模型,其次详细分析了采用灰色GM（1,1）模型群的方法来提高预测精度的原理及方法。仿真模型的结果不但表明灰色GM（1,1）的模型群能有效地提高预测精度,而且避免了单个灰色GM（1,1）的模型由于不稳定信息造成的不足;最后通过残差检验,检测误差较小,具有较强的可信度,适用于混合动力汽车的蓄电池剩余容量预测。     

GM(1,1)综合修正模型的粮食产量预测

粮食产量是国家粮食安全系统的重要指标,文中提出GM(1,1)综合修正模型,并对粮食产量进行了预测。先将原始数据与其预测值之差作为残差序列,逐步地减少样本数量并计算残差序列,根据残差序列的符号是否一致,最终选定尾部样本,建立GM(1,1)模型并进行预测值的残差均值修正,最后对比了2013与2014年的粮食产量实际值、GM(1,1)模型预测值及修正的GM(1,1)模型预测值,验证了修正模型预测精度的提高。     

一种优化的高精度灰色GM(1,1)预测模型

针对灰色GM(1,1)模型的建模方法存在偏差,模型不满足协调性条件,不具有变换一致性,且通过累加生成建模时,x(0)(1)没有起到高精度控制预测等问题。该文从重构GM(1,1)白化背景值出发,利用白化背景值的加权向前差商和向后差商平均值优化模型灰导数,根据新信息对认知的作用大于旧信息的原理,以x(1)(n)替换x(0)(1)作为模型的初始条件,对GM(1,1)预测模型进行了改进,从而使所建模型的预测精度大为提高,尤其是发展系数大于2时,新模型的拟合精度仍然很高。通过实例对比验证了新模型无论在低增长指数序列还是在高增长指数序列都有非常高的实用性和可靠性。     

导数同步荧光光谱结合遗传优化算法测定鸭蛋蛋清中庆大霉素含量

为实现鸭蛋蛋清中庆大霉素(GM)残留含量的快速测定与检测模型精度的提高,应用遗传算法(GA)筛选导数同步荧光光谱特征波长,用遗传-支持向量回归(GA-SVR)建立鸭蛋蛋清中GM残留含量的预测模型。首先分析了样本的三维同步荧光光谱和确定了本实验研究的波长差Δλ为120nm;然后利用sym5小波的2层分解对一阶导数同步荧光光谱进行去噪处理,并利用GA筛选出了14个荧光特征波长;最后利用GA优化了SVR的径向基核函数(RBF)参数(c,g,p),进而比较了GA-SVR、PLS和MLR 3种预测模型的预测能力,研究表明,以GA-SVR模型的预测能力最强,其预测集的决定系数(R2)和均方根误差(RMSEP)分别为0.983 0和1.149 4mg/L。实验结果表明,GA能有效筛选出鸭蛋蛋清中GM的荧光特征波长和提高GA-SVR模型预测精度。     

基于新陈代谢GM(1,1)模型的质心预测跟踪算法

针对红外成像制导跟踪系统转入预测跟踪状态,提出基于新陈代谢GM(1,1)模型的质心预测跟踪算法:首先采用目标丢失前的数帧目标质心坐标作为预测的原始数据序列;其次采用GM(1,1)模型进行预测;用预测出的新信息替换掉老的信息,对原始序列进行新陈代谢。该质心预测跟踪算法采用普通PC机在Matlab7.1仿真环境下进行仿真,用实际挂飞数据进行验证,其次还基于TMS320F2812DSP硬件平台进行了单帧仿真。仿真结果表明:新陈代谢GM(1,1)预测模型预测精度优于GM(1,1)预测模型。     

基于gm(1,1)模型的垂直切换算法仿真研究

在matlab环境下,仿真得到基于GM(1,1)模型动态预测垂直切换过程中的接收信号强度,在原始数据较少的情况下,依然有较高的预测准确度.通过仿真结果分析,在垂直切换过程中,基于GM(1,1)模型预测接收信号强度的方法有需要原始数据少、准确性高、复杂度较小等优点.     

基于遗传新陈代谢灰色模型的电子设备故障预测研究

经过研究分析,序列光滑度和背景值构造是常规灰色GM(1,1)模型误差的主要来源。针对这一问题,提出了一种改进的方法:首先对建模序列进行对数平滑处理,而后利用遗传算法对背景值进行寻优,并形成改进的新陈代谢GM(1,1,λ)模型。最后通过实例验证,表明改进的新陈代谢模型具有更高的预测精度,可用于电子设备的寿命预测。     

基于接近性关联度与白化方程改造相结合的优化模型

通过对灰色关联度新的分类视角研究,指出在建立基于关联度的优化GM(1,1)模型时,使用接近性关联度比相对关联度更加合理。另一方面,分别使用灰色微分方程和白化微分方程表达模拟值,建立两种不同的关联度。然后通过实例验证,优化后的模型较陈友军的GM(1,1)优化模型都有更高的模拟精度,且使用白化微分方程表达模拟值的方法精度最高。     

基于遗传灰色GM(1,1,ρ)模型的短时交通流量预测

为了提高短时交通流量的预测精度,本文根据短时交通流量的数据特征,结合灰色模型在短时预测方面的优势,利用遗传算法根据已知数据优化灰色新陈代谢GM(1,1,ρ)模型的背景值参数ρ,对实时采集的交通流量数据进行仿真分析,实验结果验证了该模型的准确性、实时性和有效性。     

移动通信系统数据业务量预测研究

运用灰色GM(1,1)模型,以北京市某运营商移动通信网络数据业务量为样本数据,通过模型预测的移动通信业务量的拟合数据与样本数据基本一致,得到的2020年业务量增长倍数在其他各家机构预测倍数范围之内,从而得出将灰色GM(1,1)模型用于移动通信数据业务量增长趋势的预测是合理的。     

基于全阶时间幂灰色预测模型的优化研究

全阶时间幂灰色模型(FOTP-GM)作为传统GM(1,1)模型的改良模型,根据幂项和幂次的差异而有着许多变式,旨在提升对近似非齐次指数序列的适应能力与预测精度。同时,GM模型的背景值影响灰色模型的发展系数和灰作用量,论文研究背景值系数与FOTP-GM模型时间响应函数关系,在动态区间内利用粒子群算法寻找实现MAPE最小的背景值系数,实现最优预测效果。实验结果表明：经过优化背景值取值后,FOTP-GM模型精度较其他模型得到了明显提升,改进率达到97.65%。     

基于GA-ELM模型的锂电池SOH预测

针对锂电池健康状态(State of Healthy,SOH)预测精度低的特点,利用遗传算法改进的极限学习机(Extreme Learning Machine,ELM)算法可提高锂电池SOH的预测精度。ELM输入层到隐含层的权值及隐含层单元的阈值随机产生,ELM算法只需设置隐含层单元的数目及隐含层激活函数类型。相比传统BP算法,ELM算法具有学习速率快、泛化性能好等优点。但由于ELM网络输入层到隐含层的权值和隐含层阈值产生的随机性,ELM算法的稳定性较差。ELM算法中引入遗传算法(GA)优化输入层到隐含层的权值和隐含层单元的阈值,该方法可增强ELM算法的稳定性。实验对比了GA-ELM算法与ELM算法、BP算法、RBF算法及SVR算法对锂电池SOH的预测,结果显示GA-ELM算法相比其他算法在预测精度和算法稳定性上均有提升。     

基于全局搜索策略WOA优化ELM的RUL预测性维护

实时掌握设备的剩余使用寿命(RUL),有助于降低工业互联网制造业中事故成本。为提高预测性维护准确度,使用基于全局搜索策略的鲸鱼优化算法(Improved Whale Optimization Algorithm, IWOA)确定极限学习机(Extreme Learning Machine, ELM)的参数,提出一种新型剩余使用寿命预测模型(IWOA-ELM)。将该模型应用于膜过滤器剩余使用寿命的电子涂层超滤维护数据集,结果表明：与ELM、WOA-ELM预测模型相比,本文提出的IWOA-ELM模型极大地提高了预测精度,泛化能力更强,能有效地预测膜过滤器剩余使用寿命,以便提前计划维护。     

初始条件优化的近似指数序列灰色建模方法

灰色GM（1,1）预测方法仅针对累加生成满足近似指数特点的原始序列建立预测模型。为了拓宽传统灰色预测模型的应用范围,设计了通过优化初始条件提高灰色 GM（1,1）预测精度的新方法——DGM（1,1,c,β）模型。对满足近似指数的原始序列建立DGM（1,1,c,β）模型,利用粒子群算法求解模型参数。最后,通过实例验证了所提出的DGM（1,1,c,β）预测模型的有效性和实用性。