基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

两次拟合灰色模型在中长期电力负荷预测中的运用

针对普通灰色预测模型在预测过程中当历史数据有较大波动时预测精度较差的问题，对两次拟合等维灰色预测模型进行研究，并对其进行改进，通过对华北某地区用电量的建模预测验证其有效性。两次拟合灰色预测模型是利用一次拟合的结果重新建模，经研究发现当历史数据有较大波动时，利用两次拟合灰色预测模型进行预测可以提高模型的精度。     

基于组合赋权幂指数灰色模型的穿煤层隧道瓦斯预测

为了解决传统煤矿及隧道瓦斯浓度灰色预测模型难以作出动态预测的问题,提出了一种改进的灰色预测模型并提高预测精度。在传统灰色预测模型的灰色作用量为常量的基础上,推导出灰色作用量为幂指数型的改进灰色瓦斯浓度预测模型;提出了加权不同灰色作用量的幂指数型灰色瓦斯浓度预测模型;以都四轨道交通映秀一号隧道瓦斯监控数据为实例,利用该算法预测瓦斯浓度,该算法预测得到的均方根误差最大降低2.829%,平均绝对误最大降低1.207%,并与传统灰色隧道瓦斯预测模型进行对比,实验揭示,该算法可提高瓦斯浓度预测精度,具有较好的预测效果,对矿山瓦斯预警具有一定借鉴意义。     

改进IOWHA算子组合预测模型

针对现有单项预测模型提供信息有限,预测误差大的问题,引用最优加权组合建模理论,将灰色关联度与IOWHA算子相结合,提出一种新的组合预测模型权重确定方法,并应用该权重确定方法构建了一种基于RBF神经网络预测模型和GM预测模型的最优组合预测模型。该模型能够克服传统组合预测方法的两个缺陷：加权平均系数不变和以单一误差指标为准则。利用该组合模型对全国物流需求进行组合预测,并与RBF神经网络模型、GM模型的预测结果进行了对比分析。结果表明,相对于单项预测模型,该组合预测模型的预测精度更高,是一种有效的物流需求预测模型。     

基于改进灰色模型和RBF优化模型的导弹贮存寿命预测

针对导弹在贮存期间存在的故障数据量少、预测难度大的问题,在给出灰色模型和RBF神经网络优化模型的基础上,构建基于灰色模型和RBF神经网络优化模型的组合预测模型,并利用该模型对某型导弹贮存寿命进行预测。结果表明,组合模型对小样本数据具有较高的预测精度,克服了单一预测模型的不足,具有很强的实用性。      

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。     

基于灰色马尔科夫模型的青岛市粮食产量预测

由于粮食产量系统是一个复杂的巨系统,具有随机性、非线性、动态性等特点,传统的单一预测方法很难对其发展动态作出准确的中长期预测,预测精度较低。为解决上述问题,尝试将灰色GM(1,1)模型与马尔科夫模型结合起来,对青岛市粮食产量进行预测,首先建立青岛市粮食产量GM(1,1)模型,然后用马尔科夫模型对预测值进行修正,预测结果表明灰色马尔科夫模型比单一的灰色预测模型精度提高,平均相对误差比灰色预测模型减少了8.58%,经检验模型精度等级为优。研究表明:灰色马尔科夫模型能发挥灰色系统对长期趋势预测精确的优势,又能发挥马尔科夫预测模型对波动性数据准确预测的优势,对于波动性较大的时间序列的中长期预测,具有较强的优势,预测精度较高。     

基于数据挖掘的水文时间序列预测

基于灰色理论和灰色神经网络组合预测模型,对水文时间序列进行数据挖掘。对原始序列首先进行了对数-方根变换,使得数据序列满足灰色理论的覆盖条件,采用灰色预测模型GM（1,1）,对数据序列进行预测,由于灰色预测属于线性预测,因此将灰色预测模型与神经网络模型相结合,提高了预测精度。以都江堰岷江来水数据为原始数据进行实际预测,实验证明,这种组合模型的预测效果优于传统预测模型。     

RBF神经网络的粮食产量预测

研究粮食产量准确预测问题,粮食产量变化多种因素综合结果,针对各因素间具有十分复杂的非线性关系,传统预测方法无法反映粮食产量非线性变化规律,导致粮食产量预测精度低.为了提高粮食产量预测精度,提出一种RBF神经网络的粮食产量预测方法.通过采用非线性能力强的RBF神经网络对粮食产量数据进行非线性定阶,通过最优阶数对粮食产量模型进行重构,然后利用遗传算法对RBF神经网络参数进行优化,获得粮食产量最优预测模型,最后对粮食产量进行预测.通过对1 978 - 2008年中国粮食产量进行仿真,实验结果表明,相对于ARIMA、滑动平均和支持向量机等预测模型,RBF神经网络预测精度高,速度快,证明改进方法为粮食产量预测提供了一种新的途径.     

蚁群灰色神经网络模型在稻瘟病预测中的应用

水稻稻瘟病这种灰色系统具有复杂的非线性.综合利用蚁群灰色GM(1,1,θ)预测模型和RBF神经网络预测模型的特点,建立了蚁群灰色RBF神经网络组合预测模型.经过14年对水稻稻瘟病的预测分析,得出蚁群灰色神经网络模型的预测精度高达96.77％,验证了预测模型的有效性.     

基于分段灰色模型的负荷预测方法

基于灰色GM(1,1)模型在负荷预测运用中的局限性,引入分段灰色较正GM(1,1)模型;同时采用数理统计的-检验法对模型精度进行检验。通过实例应用表明,分段灰色校正模型具有较高的拟合精度和预测精度。     

灰色变异粒子群在铁路解编量预测中的应用

为了科学准确地对铁路解编作业量进行预测,基于变异粒子群算法优化参数的良好性能和灰色预测法对不确定因素影响的系统准确预测的优点,提出了一种灰色变异粒子群组合预测模型,对铁路解编作业量进行准确地预测。并通过实例分析了模型的预测精度和可行性,且与传统的灰色预测模型进行比较。结果表明,灰色变异粒子群组合预测模型对铁路解编作业量预测明显优于传统的灰色预测模型。运用该模型预测未来铁路的解编作业量,以对铁路编组站进行合理编制和检查运营计划,从而为编组站规划和设计提供理论依据。     

灰色Verhulst 预测模型的数乘特性

为揭示灰色Verhulst模型的建模精度在系统原始特征序列数乘变换前后的变化规律,降低其建模复杂性,研究了灰色Verhulst模型的建模参数在系统原始特征序列经过数乘变换前后的量化关系以及数乘变换对该模型建模精度的影响程度.研究结果表明,灰色Verhulst模型的建模精度与系统原始数据序列的数乘变换无关.利用数乘变换能降低原始数据的量级,简化建模过程,而不会改变灰色Verhulst模型的建模精度.     

基于新维无偏灰色马尔可夫的交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。在传统灰色预测模型和马尔可夫链理论的基础上,利用新信息优先的思想,建立了等维新息无偏灰色马尔可夫预测模型。该模型通过结合灰色预测与马尔可夫链理论的特点,用无偏灰色预测模型拟合系统的发展变化趋势,并以此为基础进行马尔可夫预测,在每一步预测中不断推陈出新,更新原始数据。以2001年—2010年全国道路交通事故死亡人数实测值作为原始数据,构建预测模型,预测其2011年—2015年事故死亡人数。结果表明：等维新息无偏灰色马尔可夫预测模型的误差更小,精度更高,尤其适合中长期预测。     

短期电力负荷预测的灰色-小波网络组合模型

短期电力负荷数据具有离散、无规则波动的特点,先利用灰色预测弱化其波动性,然后将负荷原始检测数据与其相对应的灰色预测数据进行重构后作为小波网络的训练样本,在此基础上建立基于灰色-小波网络组合模型的短期电力负荷预测新方法。该方法有效整合了灰色理论、小波分析和人工神经网络的优点,与传统BP网络相比,收敛速度更快,预测精度更高。仿真试验表明了该方法用于短期电力负荷预测的可行性和有效性。     

秦淮河流域东山站洪水位预报模型研究

为了提高秦淮河流域洪水预报的水平,对东山站洪水位过程预报模型进行深入研究。采用线性动态系统模型与BP人工神经网络模型建立东山站洪水位逐时段预报模型,采用2010—2015年及2016—2017年汛期秦淮河流域实测雨量和东山站水位资料对模型进行率定和验证。结果表明:东山站洪水位逐时段预报的BP人工神经网络模型相对于线性动态系统模型具有较高的精度;相对于一维河网水动力模型,简单实用。     

基于支持向量机参数识别的灰色预测模型

采用基于支持向量机参数识别的灰色预测模型,用基于结构风险最小化准则的支持向量机方法求取灰色模型的参数,再用灰色模型计算预测值。该方法避免了过拟合问题,提高了模型的预测精度。     

论灰色预测控制的应用条件和工作机理

灰色预测模型并非那么理想.它对十扰动的适应能力是有限的.它不能预测的很远,也不能预测的很准.其模型的参量还是需要整定的.当输入变量的变化率为零时存在有数值计算不稳定问题.当把灰色预测模型用于过程控制时,需要考虑它的应用条件:非负的数据;变量变化不太快;合适的采样周期、建模维数和预测步长.通过对灰色预测控制系统工作原理的...