一种新型的灰色RBF神经网络建模方法及其应用

针对神经网络建模预测时,其建模精度往往受到数据随机性的影响,以及灰色累加生成操作(AGO)具有减小数据随机性,使数据变得有规则的特点,提出了一种新型的建模预测模型———灰色径向基(RBF)神经网络模型。此模型能够减小数据中的随机性,加快网络的建模收敛速度,使神经网络的建模精度得以提高。将此灰色RBF神经网络应用到动调陀螺仪漂移数据建模中,并将其建模验证结果和单纯使用RBF网络的建模结果进行比较,结果证明此方法是可行而有效的。

自适应灰色预测控制的稳定性与仿真研究(英文)

基于灰色预测和在线切换算法的研究,提出一种自适应灰色预测控制方法,该方法根据控制系统不同周期的输出误差值,自适应调整灰色预测控制器的预测步长,提高系统输出非平稳时间序列的光滑度,减少其随机性,以改进系统的暂态和稳态性能。并基于线性时不变对象,推导了该类自适应预测控制系统数学模型,给出其收敛的充分条件。最后,通过实例仿真分析证实了本方法控制精度高,鲁棒性强,具有良好的应用价值。

一种基于数据融合的新型GM(1,1)建模研究

基于灰色理论和自适应数据融合技术的研究,提出一种基于自适应数据融合的新型灰预测GM(1,1)模型,并对整个建模过程进行了理论推导。该方法利用自适应数据融合以及累加再生成操作来提高非平稳时间序列的光滑度,从而减少样本序列的随机性,提高重构背景值的精确性以及灰预测GM(1,1)模型的拟合精度和预测精度。最后通过该方法对液浮陀螺仪零漂进行建模仿真,结果表明该方法辨识精度高,优于一般平均值法和灰预测方法,具有良好的应用价值。