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.     

基于灰色神经网络的火灾事故预测

针对我国火灾事故现状,结合灰色理论和神经网络的特点,提出灰色神经网络火灾事故预测模型。依据我国2003-2012年火灾事故统计数据,分别选用GM(1,1)模型和灰色神经网络模型对2003-2010年数据（火灾起数）进行拟合,对2011年、2012年数据进行（火灾起数）预测。结果表明,灰色神经网络火灾事故预测模型具有灰色系统贫乏数据建模和神经网络高度非线性映射能力的优点,有效地解决了传统火灾事故预测中误差大稳定性差的缺陷,提高了预测精度,在火灾事故预测中具有一定的实用价值。     

基于灰色理论与神经网络的煤与瓦斯突出预测

影响煤与瓦斯突出的因素众多,应用神经网络进行预测时,选取突出预测指标是关键．应用灰色关联分析筛选突出预测指标,结合神经网络建模进行了突出预测,使突出预测指标的选择由定性分析转化为定量分析,实现了灰色理论同神经网络在煤与瓦斯突出预测领域内的结合．     

灰色神经网络水质预测模型

依据水质预测的客观要求,结合灰色系统理论与神经网络理论,建立了灰色的神经网络水质预测模型,并在四川沱江的实际应用中提取了较好的结果。     

基于灰色理论与神经网络的煤与瓦斯突出预测

影响煤与瓦斯突出的因素众多,应用神经网络进行预测时,选取突出预测指标是关键．应用灰色关联分析筛选突出预测指标,结合神经网络建模进行了突出预测,使突出预测指标的选择由定性分析转化为定量分析,实现了灰色理论同神经网络在煤与瓦斯突出预测领域内的结合．     

基于灰色BP神经网络组合模型的郑州市商品住宅价格预测

针对郑州市商品住宅价格问题进行了研究,在传统GM(1,1)模型的基础上引入BP神经网络模型,建立了灰色BP神经网络组合模型,采用传统GM(1,1)模型与灰色BP神经网络组合模型预测郑州市商品住宅价格.结果表明,灰色BP神经网络组合模型比传统GM(1,1)模型预测精度高,具有更好的应用价值.     

灰色神经网络水质预测模型

依据水质预测的客观要求,结合灰色系统理论与神经网络理论,建立了灰色的神经网络水质预测模型,并在四川沱江的实际应用中取得了较好的结果．     

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．     

粗粒度网络流量的灰色模型预测

在实际网络流量上研究了新陈代谢灰色模型(MGM)预测流量. 预测结果表明,灰色模型建模长度远小于流量序列主周期长度时,预测精度较高. 灰色模型预测流量宜采用小量数据建模,此时残差修正对提高预测精度影响很小,预测不需采用残差灰色模型(RGM). 对比了灰色模型与自回归综合滑动平均模型（ARIMA）和Elman神经网络（ENN）模型的预测结果,灰色模型远优于ARIMA,与ENN相当. 灰色模型的优点是能自适应网络流量的变化.     

灰色模型在城市中长期用水量预测中的应用

为进行科学合理的供水系统规划,给出一种基于记录时间较短、历史数据较少的用水量序列的GM(1,1)预测方法.该预测方法把原始用水量序列累加处理生成新序列后,用指数关系式拟合,通过构造参数矩阵,确定辩识参数,建立灰色模型的微分方程;求解灰色模型的时间响应函数,生成累减矩阵,进行累减运算即得用水量序列的预测值.MAPE精度分析结果表明GM(1,1)用水量预测方法精度较高.该预测方法应用于D市的中长期用水量预测,为D市供水规划提供有效依据.     

混凝土受压过程中声发射数的灰色模型研究

针对在混凝土单轴受压破坏全过程的声发射试验中,采用传统GM（1,1）灰色模型多步预测分析所得预测值普遍较实测值偏大、预测精度偏低的问题,通过引进预测值折减系数,重点探讨了折减系数的特点。结果表明,折减系数在预测曲线起点处基本为一常数,在终点处基本与已知数据百分数呈线性关系。基于上述特点通过插值求其折减系数来合理修正传统的灰色模型,建立起折减修正GM（1,1）灰色模型。通过该修正GM（1,1）灰色模型对室内声发射试验建立的预测模型,其精度较传统GM（1,1）灰色模型有较大提高。     

基于GM(1,1)的道路交通事故预测

灰色预测法是将随机的原始数据序列用数据生成的方法生成规律性较强的新数列,以生成的新数列建立数学模型,GM(1,1)是一种典型的灰色模型.论文介绍数列灰色预测方法,通过道路交通事故预测实例,论述了GM(1,1)的建模过程,并对模型进行了检验.结果证明:针对我国道路交通事故典型灰色特征,用灰色理论进行预测研究是一种可行的方法,短期预测有较高的精度.     

基于灰色模型的滑坡变形预测

详细讨论了灰色模型GM（1,1）与基于权的一阶一元灰色预测模型pGM（1,1）的基本内容及建模过程,并成功地将两模型应用于三峡库区某滑坡水平位移监测的预测预报,相应地用MATLAB编写了灰色系统预测程序,便于实际应用,实践证明,灰色预测模型在滑坡预测预报中具有较高的应用价值．     

GM(1,1)-星野法沉降预测模型研究与应用

围绕目前高速公路路基沉降预测精度不高,预测方法适用性不强等问题,基于组合预测理论,借助MATLAB计算软件,将基于灰色理论的GM(1,1)预测模型和星野法沉降预测模型线性组合,以组合预测误差的平方和最小为标准确定两种预测方法的权重系数,提出GM(1,1)-星野法组合预测模型。结合广东某高速公路施工期以及运营期路基实测沉降数据,GM(1,1)-星野法组合预测模型预测结果较两种方法单独预测结果具有更高的预测精度,工程适用性更强。     

基于MATLAB/GUI灰色预测系统开发及应用

针对GUI设计开发系统在经济领域中的应用问题,本文以灰色预测模型为理论基础,通过GUI控件的布局设计及回调函数程序的编写,开发了基于Matlab GUI的灰色预测系统,实现了GM(1,1)模型的参数估计、检验、数据拟合及预测,解决了模型建立和求解过程实现复杂的问题。同时,选取2003—2010年的国内生产总值作为测试数据对系统进行测试。测试结果表明,灰色预测系统界面友好,操作简单,准确实现GM(1,1)模型,并得到了模型的相关结果。该研究提高了灰色预测模型的利用度。     

A new grey forecasting model based on BP neural network and Markov chain

A new grey forecasting model based on BP neural network and Markov chain was proposed. In order to combine the grey forecasting model with neural network, an important theorem that the grey differential equation is equivalent to the time response model, was proved by analyzing the features of grey forecasting model(GM(1,1)). Based on this, the differential equation parameters were included in the network when the BP neural network was constructed, and the neural network was trained by extracting samples from grey system’s known data. When BP network was converged, the whitened grey differential equation parameters were extracted and then the grey neural network forecasting model (GNNM(1,1)) was built. In order to reduce stochastic phenomenon in GNNM(1,1), the state transition probability between two states was defined and the Markov transition matrix was established by building the residual sequences between grey forecasting and actual value. Thus, the new grey forecasting model(MNNGM(1,1)) was proposed by combining Markov chain with GNNM(1,1). Based on the above discussion, three different approaches were put forward for forecasting China electricity demands. By comparing GM(1, 1) and GNNM(1,1) with the proposed model, the results indicate that the absolute mean error of MNNGM(1,1) is about 0.4 times of GNNM(1,1) and 0.2 times of GM(1,1), and the mean square error of MNNGM(1,1) is about 0.25 times of GNNM(1,1) and 0.1 times of GM(1,1).     

基于GANO算法的电力系统中长期负荷预测研究

进行负荷预测时,由于中长期负荷历史数据较少而制约因素较多,因此预测难度较大。在分析了灰色预测和神经网络预测优缺点的基础上,提出了多因素灰色神经网络组合预测模型(GANO)。该模型首先采用灰色GM(1,n)模型处理多因素的影响,进而利用BP神经网络训练电力历史负荷数据,最后利用统计方差的倒数建立较为理想的优化组合预测模型。该优化模型结合了各模型优点且综合考虑了电力负荷的多种制约因素。经算例验证,优于单一历史负荷预测模型,有效地提高了中长期负荷预测精度。     

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.     

基于灰色理论和BP神经网络串联组合的能源需求预测

本文对某省能源现状进行了分析,进而提出了能源需求预测的必要性,在利用统计数据分析某省能源消耗趋势后,利用灰色GH（1,1）模型进行预测,然后把预测结果和影响因素同时作为BP神经网络的输入进行预测,结果表明,基于GH—BP串联组合模型的预测精度要高于单纯地GH（1,1）预测。最后分析了某省新能源的发展优势。