基于最优组合的一类非线性建模方法及其在预测中的应用

１引言专门人才预测大系统不仅涉及社会、经济、科技、教育等诸方面，而且受地理、历史背景和民族特点的约束．因此，如何利用现有条件定量地预测未来专门人才的需求仍是一个极待解决的问题．２最优组合准则及其探讨用基本数据处理组合法（ＧｒｏｕｐＭｅｔｈｏｄｏｆＤａ...

基于相关向量EMD和GMDH重构的故障率预测方法

针对故障率数据的非线性非平稳特性及现有预测方法精度不足的问题,提出了一种基于相关向量经验模态分解(relevance vector empirical mode decomposition,简称RVEMD)和数据处理组合法(grouped method of data handling,简称GMDH)重构的预测方法。首先,通过RVEMD分离故障率时间序列的波动项和趋势项,分解产生序列的固有模态函数(intrinsic mode function,简称IMF)和残余函数(residual function,简称RF),通过相关向量机(relevance vector machine,简称RVM)预测端点局部极值的方法抑制传统经验模态分解(empirical mode decomposition,简称EMD)存在的端点效应,进一步利用RVM回归生成序列的上下包络,替代了常规三次样条插值法;其次,建立各IMF分量的RVM预测模型和RF分量的灰色预测模型,其中对标准RVM回归模型进行了改进,通过构建一种方差高斯核函数(variance Gauss kernel function,简称VGKF)来提高核函数的全局性能和泛化能力,利用H-Q准则对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性,同时构建了一种基于背景值优化的灰色预测模型;最后,通过GMDH算法产生的最优智能组合模型得到最终的预测结果。仿真实例结果表明,相比常规EMD分解后叠加预测法和其他单一模型预测法,该方法具有更加优异的预测性能,能够对故障率的变化趋势进行准确预测。

随机声载荷基于相空间重构的GMDH方法预测

把数据处理的组合法(GMDH)与相空间重构理论相结合,产生基于相空间重构的GMDH方法应用于随机声载荷的状态预测中。根据此法所建立的模式系统具有较好的客观性,预测结果与时间序列自回归模型ARMA(17,16)相比,预报均方误差有明显改进。