数据组合处理方法在数据预测中的应用

数据组合处理方法(GMDH)是20世纪70年代发展起来的一种启发式自组织建立模型的方法；它能充分地、合理地利用数据,自动进行变量组合,筛选以及判断从而得到合适的模型；简单介绍了该方法建模的基本原理和算法实现,给出了仿真算例,并与用相同资料建立的PPR预测模型的预测结果进行了比较；仿真结果表明,用GMDH方法建立非线性系统模型,具有预测精度高、计算稳定性好等优点。

数据组合处理法在橡胶配方设计回归建模中的应用

通过均匀设计安排橡胶配方试验,进而用数据处理组合方法(GMDH)建立高精度回归模型。以丁基橡胶配方实例说明,GMDH是目前较好的一种橡胶配方回归设计方法。

基于KPCA和数据处理组合方法神经网络的半球谐振陀螺温度建模补偿方法

针对半球谐振陀螺(HRG)的温度建模与补偿问题,提出基于核主成分分析(KPCA)和数据处理组合方法(GMDH)神经网络的建模补偿方法.通过分析HRG的温度特性和大数据特征,初步确定网络模型的特征向量.为了去除HRG输出数据的相关性和冗余性,引入KPCA并降低特征向量维度.将特征向量代入GMDH神经网络训练,区分训练集和验证集以确定网络权值和网络结构,实现HRG温度漂移的建模与补偿.实验结果表明,单一样本预测时,所提方法预测效果明显好于传统多项式模型;多样本预测时,在4种不同训练样本下,所提方法相比传统多项式模型精度分别提升了48.5%、54.0%、56.3%、68.4%,相比GMDH模型分别提升了3.6%、5.1%、3.8%、8.8%.所提方法能够有效提高HRG在变温工况下的测量精度.

数据处理组合方法在地下水动态预测中的应用

针对地下水水位变化复杂性，采用模拟生物有机体演化方式的数据处理组合方法，预测地下水水位动态变化特征。克服了常用数学方法和模型在预测复杂对象时精度低的缺点。该方法应用于地下水水位动态预测中，能很好地反映地下水的周期性动态变化特征，并具有较高的预测精度。

数据处理组合方法在电力负荷预测中的应用

在介绍数据处理组合方法GMDH基本原理及算法的基础上,将其用于电力负荷时间序列数据预测,并通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可以得到满意的预测结果。

用数据组合法分析钻控关井对油田产量的影响

油田进入特高含水期,随着井网密度的增加,钻控关井对产量的影响程度不断增大,影响因素也变得非常复杂。为了更加准确地预测钻控关井对产量的影响,在综合动态分析的基础上,初选了钻控关井影响产量的因素,利用复相关分析进行了变量筛选,并利用数据组合处理自组织建模方法构建了钻控影响产量预测模型。结果表明,井网密度、流动系数、采液强度和含水率是钻控对产量的主要影响因素,经实际数据误差检验,模型预测精度高,可以满足油田现场要求,应用的方法及建立的模型对年度规划编制中预测钻控关井对产量的影响提供了理论依据。

基于GMDH的中长期电力负荷组合预测模型

组合负荷预测模型能够充分利用数据信息,有效降低预测风险、改善预测效果,在中长期负荷预测中获得了广泛应用。而目前的组合预测模型实质大都为单一预测模型的加权平均,没有能够充分发挥综合预测的优势.应用数据分组处理方法(GMDH)进行组合预测,在充分考虑各单一模型特点和预测效果的基础上,形成多元非线性组合预测模型,自动从数据中挖掘出重要信息,克服了传统组合预测模型建模中的主观因素影响,可以改善预测精度。并将该预测模型应用于实际电网,计算结果表明该模型有效提高了预测精度,适用于中长期负荷预测.

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...

用自组织方法建立油田采收率模型的研究

数据组合处理方法(GMDH)是70年代发展起来的一种启发式自组织建立模型的方法,它能有效地解决复杂非线性系统的建模问题。文章简单介绍了此方法的基本原理。其思路是用K-G多项式作为系统的完全描述,并分为若干层,每一层采用二次多项式作为基础函数,构成部分描述,用启发武规则筛选中间变量,逐层运算,得到最终所求模型。文章探讨了GMDH在建立油田采收率模型方面的应用,并以江汉油田的实际数据为例,建立了一个采收率预测模型,其计算结果令人满意,相对误差在5%以内。最后还讨论了该方法在油田开发中的应用前景。

GMDH法在橡胶配方非线性建模中的应用

GMDH即自组织法 ,又称数据组合处理方法。将GMDH引入橡胶配方设计中 ,提出一种配方过程非线性建模方法 ,经试验检证 。

基于模糊GMDH网络的交通流量预测模型

针对传统数据处理组合方法(Group method of data handling,GMDH)网络建模用最小二乘法辨识参数会导致模型预测效果不理想的问题,将模糊推理模型引入GMDH网络,以取代传统GMDH网络的部分描述(即完全二元二次多项式),提出了一种基于模糊GMDH网络的交通流量预测模型。计算机仿真结果表明,该模型预测平均相对误差仅为2.31%,小于传统GMDH网络模型预测平均相对误差3.35%,说明了该模型是有效的。

GMDH和变结构协整理论在电力负荷预测中的应用

鉴于未考虑时间序列的非平稳性所得到的拟合方程可能出现'伪回归'而失去准确预测的能力,引入了协整理论与误差修正模型。考虑地区产业结构发生变化将导致地区用电量时间序列发生结构突变,影响平稳性检验结果的可信度,又引入了GMDH理论,自动搜索并确定结构突变点,以改进经典结构突变理论需要事先获知一些重大波动信息等主观性影响。结合上述两点,构建了基于GMDH理论的参数变结构协整模型。算例证明了该模型在电力系统的负荷预测中的适用性以及在处理'伪回归'和'样本数据结构突变'问题方面的有效性。

自组织原理在橡胶配方设计中的应用

自组织法又称数据组合处理方法（ＧＭＤＨ），是７０年代发展起来的一种启发式自组织建模方法。本工作将其引入橡胶配方设计中，提出一种配方过程非线性建模方法，初步结果令人满意。

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。

航空发动机环形燃烧室噪声总声级的GMDH方法研究

采用数据处理的组合方法(GMDH),研究航空发动机环形燃烧室测试数据。通过简单的二元二次回归原理来构造出下一代较为复杂的次级回归方程,并且利用"优选原理"淘汰掉次级回归方程中的那些不理想的项,得到燃烧室噪声总声级的高阶方程,获得较客观的描写复杂非线性系统的非线性模式。

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。

基于复杂核电调试作业任务的脑力负荷评估研究

脑力负荷是影响复杂核电调试作业绩效和安全的重要因素之一,有效评估脑力负荷对提高作业绩效、保障作业安全有重要意义。本研究基于4个不同难度等级的典型调试值班作业任务开展人因学实验,采集了任务执行过程中操作人员的脑电指标、眼动指标与主观脑力负荷指标,对所采集的指标进行了显著性分析,并提出了基于数据组合处理(group method of data handling,GMDH)算法的脑力负荷评估方法。结果表明:随着任务难度的增加,主观脑力负荷得分显著提高。不同任务难度下,眨眼次数、眨眼时间、眨眼频率、注视次数、扫视次数、瞳孔直径存在显著差异,但脑电指标没有显著差异。基于脑电和眼动指标的GMDH算法可以区分不同调试作业任务难度下的脑力负荷,四分类预测准确率达到76.5%。研究结果可为核电厂调试值班作业任务的工作设计和工效评估提供重要参考依据。