基于新陈代谢GM(1,1)模型的校准间隔预测

针对测量仪器校准间隔的优化问题,根据校准数据非线性、小样本的特点,提出了一种基于新陈代谢GM(1,1)模型的校准间隔预测方法.通过分析历史校准数据的特征,建立了新陈代谢GM(1,1)预测模型,通过仿真实验对预测模型进行了对比验证.结果表明,相对于灰色GM(1,1)模型,新陈代谢GM(1,1)模型克服了随机扰动对系统的影响,更能反映系统的变化趋势,预测精度更高,适合用于测量仪器校准间隔的预测.     

基于主成分分析与支持向量机的汽柴油需求预测

综合分析了影响汽柴油消费需求的关键因素,并针对其具有自相关性、复杂性、数据量大等特点,采用主成分分析法对样本数据进行降维处理,形成新的样本集。对支持向量机预测模型进行改进,在其基础之上引入时序动态因子,将上年的汽柴油需求历史数据作为时序反馈因子引入模型,从而形成新的动态反馈拟合模型,建立相应的需求预测模型。对1996~2012年的汽柴油需求预测进行实例研究,并将本文中所提方法的预测结果与灰色GM（1,1）模型、BP神经网络模型进行对比分析。结果表明本文中的主成分分析与改进支持向量机预测方法相对于GM（1,1）模型其预测误差均值分别降低了72.7%和74.86%,相对于BP神经网络其预测误差均值分别降低了81.3%和8166%,从而证明了此方法的有效性和优越性。     

基于灰色理论的高强铝合金应力腐蚀开裂预测模型的建立与应用

采用3.5%NaC1溶液中预制裂纹的方法测试了2124高强铝合金的应力腐蚀裂纹扩展长度随时间的变化,获得了裂纹扩展速率随腐蚀时间的变换规律及应力腐蚀断裂韧性界限值,并对断口进行分析.根据裂纹扩展的基本规律,运用灰色理论GM(1,1)模型,依据2124铝合金应力腐蚀开裂裂纹扩展长度的原始数据进行了灰色预测,并对预测结果进...     

蜗轮副磨损量的灰色预测法

在灰色理论的基础上,建立了无偏的GM(1,1)模型,扩展了GM(1,1)模型预测使用的范围.并将无偏GM(1,1)用于对蜗轮副磨损数据的预测,获得了满意效果.     

灰色-马尔科夫模型在风电场风速预测中的应用

提出一种灰色-马尔科夫综合风速预测模型。该模型由灰色GM(1,1)模型使得小时风速序列数据近似平稳,然后由马尔科夫模型通过状态转移概率矩阵预测风速。仿真结果验证了所提方法的有效性。     

基于灰色GM(1,1)和自适应神经模糊推理的数据预测模型

综合利用灰色理论与自适应神经模糊推理系统( ANFIS)建立预测模型的思路,给出了利用自适应神经模糊推理系统对GM(1,1)模型残差进行修正,重构灰色GM(1,1)模型预测值的综合预测方法.选用我国某地区冬季最大电力负荷作为原始数据,用GM(1,1)模型对历年的电力负荷进行建模,并利用自适应神经模糊推理系统对其残差进行...     

测量仪器校准间隔的动态灰色线性回归预测

根据测量仪器的实际状态进行校准间隔的预测,可有效地避免不足校准和过剩校准。该文分析了历史校准数据的特征,对于既含有线性因素又含有指数因素的历史校准数据序列,建立动态灰色线性回归预测模型,预测测量仪器的校准间隔。动态灰色线性回归模型有机地将灰色GM(1,1)模型和线性模型组合起来,通过新老数据的新陈代谢,更加真实地反映系统的特征。通过实验对预测模型进行验证,结果表明:动态灰色线性回归模型的拟合与预测精度高于单纯的灰色GM(1,1)模型及新陈代谢GM(1,1)模型。     

火灾预测的改进GM(1,1)模型

火灾的发生受很多因素的影响,有的因素已知、有的未知,符合灰色系统的特征,从而可以利用灰色理论进行预测.现从传统GM(1,1)预测模型构造原理出发分析其存在的理论缺陷,通过采用平均斜率法、等维替换和变换灰色预测公式的方法建立改进的GM(1,1)模型,以适应火灾频数序列的波动特性,从而达到精确预测的目的.我国1997—2006年火灾数据预测计算表明,新方法有满意的拟合和预测效果,从而为火灾预测精度提高提供了新的途径.     

基于改进GM(1,1)-Markov模型的国内生产安全事故预测研究

为准确预测我国生产安全事故发展趋势,本文在传统GM(1,1)模型和马尔科夫模型的基础上,结合二者优点提出改进灰色马尔科夫预测模型,并以2005—2018年全国生产安全事故起数为原始序列探讨了改进模型的实际应用。区别于传统灰色残差修正理论,选取灰色模型预测结果的相对误差作为修正指标,2次应用马尔科夫模型对相对误差状态和误差符号状态进行优化预测,并使用平均相对误差和小概率误差对模型进行精度检验。结果表明,改进GM(1,1)-Markov模型预测结果的相对误差为3.0%,较单一灰色预测模型预测误差减少19.5%,预测精度显著提高,同时预测得到2019年我国生产安全事故起数为479。     

改进灰色沉降预测模型及其应用

根据GM(1,1)灰色模型的指数特性,首先对原始数据取λ次幂以降低原始数据的分散性,再通过在区间上求积分计算模型的背景值,并采用最小二乘法求解最优的模型初始值由此建立改进灰色预测模型,将其应用到某高速公路沉降预测计算,结果表明,改进模型较之原GM(1,1)模型模拟和预测精度要高.     

An approach for the aging process optimization of Al–Zn–Mg–Cu series alloys

A new model based on least square support vector machines (LSSVM) and capable of forecasting mechanical and electrical properties of Al–Zn–Mg–Cu series alloys has been proposed for the first time. Data mining and artificial intelligence techniques of aluminum alloys are used to examine the forecasting capability of the model. In order to improve predictive accuracy and generalization ability of LSSVM model, a grid algorithm and cross-validation technique has been adopted to determine the optimal hyper-parameters of LSSVM automatically. The forecasting performance of the LSSVM model and the artificial neural network (ANN) has been compared with the experimental values. The result shows that the LSSVM model provides slightly better capability of generalized prediction compared to back propagation network (BPN) in combination with the gradient descent training algorithm. Considering its advantages of the computation speed, unique optimal solution, and generalization performance, the LSSVM model is therefore considered to be used as an alternative powerful modeling tool for the aging process optimization of aluminum alloys. Furthermore, a novel methodology hybridizing nondominated sorting-based multi-objective genetic algorithm (MOGA) and LSSVM has been proposed to make tradeoffs between the mechanical and electrical properties. A desirable nondominated solution set has been obtained and reported.     

基于遗传算法和最小二乘支持向量机的织物剪切性能预测

提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.     

最小二乘支持向量机和小波电铲供电机组状态预测

针对电铲供电机组振动时间序列是个非线性、非平稳的复杂时间序列,难以用单一预测方法进行有效预测的问题,建立了一种基于小波分解和最小二乘支持向量机混合模型进行状态预测的方法.首先通过小波分解,将原始振动时间序列分解到不同层次,然后根据分解后各层次分量的特点选择不同的嵌入维数和LS-SVM参数分别进行预测,最后重构得到原始序列的预测值.对某电铲供电机组振动趋势的预测结果表明,该模型的预测性能好于单一的支持向量机预测方法.     

One step-ahead ANFIS time series model for forecasting electricity loads

In electric industry, electricity loads forecasting has become more and more important, because demand quantity is a major determinant in electricity supply strategy. Furthermore, accurate regional loads forecasting is one of principal factors for electric industry to improve the management performance. Recently, time series analysis and statistical methods have been developed for electricity loads forecasting. However, there are two drawbacks in the past forecasting models: (1) conventional statistical methods, such as regression models are unable to deal with the nonlinear relationships well, because of electricity loads are known to be nonlinear; and (2) the rules generated from conventional statistical methods (i.e., ARIMA), and artificial intelligence technologies (i.e., support vector machines (SVM) and artificial neural networks (ANN)) are not easily comprehensive for policy-maker. Based on these reasons above, this paper proposes a new model, which incorporates one step-ahead concept into adaptive-network-based fuzzy inference system (ANFIS) to build a fusion ANFIS model and enhances forecasting for electricity loads by adaptive forecasting equation. The fuzzy if-then rules produced from fusion ANFIS model, which can be understood for human recognition, and the adaptive network in fusion ANFIS model can deal with the nonlinear relationships. This study optimizes the proposed model by adaptive network and adaptive forecasting equation to improve electricity loads forecasting accuracy. To evaluate forecasting performances, six different models are used as comparison models. The experimental results indicate that the proposed model is superior to the listing models in terms of mean absolute percentage errors (MAPE).     

新能源功率预测算法优化研究

以风能和太阳能为代表的新能源具有随机性、间歇性和波动性,对新能源发电功率进行预测是有效解决以上问题的途径。在确定性预测中充分考虑风电出力和预测模型特性,提出分段支持向量机（piecewise support vector machine,PSVM）和神经网络（neural network,NN）预测算法;充分考虑天气特征对光伏出力的影响,提出基于气象特性分析的光伏出力预测算法。通过若干风电场的算例分析,证明了上述几种预测模型的实用性,为功率预测的可靠性分析提供支持。     

基于LS-SVM的某型装备保障性能评估研究

针对军事油料装备保障性能指标参数多样性、变化性的特点,研究了新型支持向量机算法--最小二乘支持向量机,并设计了基于多元分类的最小二乘支持向量机;建立了装备保障性能评估的最小二乘支持向量机决策模型;以某型油料装备为例,运用模型确立的保障性能评估指标体系和支持矢量学习决策模式,对其保障性能进行了评估.该研究结果对于优化提高装备保障性能,增强装备保障能力具有重要现实意义.     

基于GWO的SVM在红外甲烷传感器测量误差分析中的应用

针对传统支持向量机回归模型应用在红外甲烷传感器测量数据处理时出现预测精度低的问题,提出了一种基于灰狼优化算法的支持向量机回归模型.该模型在传统支持向量机的基础上,利用灰狼优化算法自适应搜索特征空间来选择最佳特征组合,经过循环比较,能快速、准确地搜索到最优的惩罚因子C与gamma参数.用实验室研制的红外甲烷传感器对0～5...     

改进LMD和LS-SVM在小电流接地故障选线中的应用

提出一种改进的局部均值分解(LMD)和最小二乘支持向量机(LS-SVM)相结合的小电流接地故障选线新方法。针对LMD存在端点效应的缺陷,提出了一种最小平方距离相关的改进算法,对端点效应进行了有效的抑制;LS-SVM在SVM基础上,用二次损失函数代替不敏感损失函数,用等式约束代替不等式约束,降低了计算复杂度。与径向基神经网络(RBF)方法的分类效果对比,验证了LS-SVM在非线性模式识别方面的优势。实验表明该方法能够很好地选出故障线路,为小电流接地故障选线提供了一种有效的新方法。     

基于支持向量机的视频交通信息采集研究

提出一种基于支持向量机的视频交通信息采集的设计方案.通过对视频交通流的采集、处理和分析,获取所需样本数据,采用导师训练方法训练支持向量机识别器.最后利用获得的识别器判断检测区域内交通流图像的类别,从而动态跟踪车辆,实现交通流量、车速、车型信息的采集.