基于GM(0,N)模型的煤自然发火期预测

为科学准确预测煤自然发火期,运用灰色系统理论,基于灰色关联分析,选取煤样工业分析中的灰分、挥发分和元素分析中的C、H、O、S含量作为系统相关因素,建立了预测煤最短自然发火期的GM(0,7)模型,经后验差检验,模型精度为优;通过与多元线性回归模型预测结果对比,GM(0,7)模型预测煤自然发火期的平均相对误差为2%,多元线性回归模型预测的相对误差为10.35%.经外来数据回代检验,GM(0,7)模型预测结果的相对误差在2%左右,多元线性回归模型预测结果相对误差达26.27%,说明GM(0,7)模型预测结果优于多元线性回归模型.研究结果表明:利用灰色关联分析选取适当参数建立GM(0,N)模型能够较好预测煤最短自然发火期.

中国城市天然气需求趋势预测

随着城镇化建设的快速推进,城市天然气供不应求时有发生,准确掌握城市天然气需求量变化趋势,是科学制定城市供气计划的前提。为精准预测城市天然气需求量,运用灰色关联分析法,诊断城市基础建设、城市燃气普及率、产业结构、人口密度、天然气用气人口、消费水平、人口发展、城镇化水平等8个影响因素之间的多重共线性问题,深度挖掘出5个有效影响因素构建GM(1,N)模型,对中国城市天然气需求量进行预测分析。研究结果表明:城市基础建设、人口密度、天然气用气人口、消费水平、人口发展等5个有效影响因素中,对中国城市天然气需求影响最大的3个因素依次是城市基础建设、天然气用气人口、消费水平;基于5个有效影响因素构建的GM(1,6)模型能很好地拟合城市天然气需求量历史数据,并预测出2022—2030年中国城市天然气需求量将呈现先增后降的发展趋势。

GM(1,1)模型在电力系统中长期负荷预测应用

文章简要地介绍了电力系统负荷预测的意义,对负荷预测中的灰色预测方法进行了深入的研究,通过对灰色理论预测方法建模并对电力系统负荷进行预测,得到了GM(1,1)模型灰色预测方法能够准确的实现对负荷的预测。

基于装配相似性与灰色模型的汽车装配工时预测

汽车企业为适应市场需求的不断变化,加快了推出新车型产品的步伐。针对目前汽车总装混流工时预测速度缓慢的问题,提出基于装配相似性与灰色理论GM(0,N)模型的装配工时预测方法。将装配工时按特性分为取料时间、定位时间和连接时间,提取影响各部分工时的关键因素,通过计算样本与基准零件的装配相似系数,结合装配工时在MATLAB中构建拟合曲线,最后在函数关系式和GM(0,N)模型中分别预测定位时间和连接时间。通过与MTM法进行比较,证实该方法具有准确性和高效性。

基于灰色神经网络武器装备研制费用预测模型

提出了基于灰色系统理论与神经网络的武器装备研制费用组合预测模型,该模型首先采用灰色GM(0,N)模型对研制费用进行预测,利用LMBP神经网络对预测误差进行了模拟与修正,实例验证该方法具有较高的预测精度。

食品非转基因标识使用的法律规制

食品非转基因标识在中国被广泛使用,信息不对称增加了非转基因标识被滥用的风险,市场机制不足以对其进行调节,且中国对非转基因标识使用的法律规制存在立法规定不细致、司法"不认定"等问题。现有研究也主要针对非转基因广告而不是非转基因标识本身。对比来看,德国、日本、美国均有专门针对食品非转基因标识使用的法律规范,具体规定了可使用非转基因标识的食品范围及要求,通过对非转基因食品进行认证管理以确保使用标识的食品的非转基因身份真实,设置统一的标识形式以确保统一的市场并避免消费者被误导。中国应当借鉴这些共通的经验,食品标识相关的法律法规要专门对非转基因标识的使用设立规范,并细化对非转基因标识的形式要求;构建专门的非转基因食品认证制度,由食品药品监督管理局授权专门认证机构对其进行认证。

小样本情况下需水量预测模型研究

针对传统的GM(1,1)模型,分析了其预测结果与实际过程存在的偏差,通过GM(1,1)模型与自回归滑动平均模型相结合的方法以弥补偏差。以钦州市1999-2009年及2005-2009年城市供水总量这两组基础数据对本文所建模型进行验证,并利用此模型预测了钦州市2010-2018年需水量。通过与其他预测模型的对比,进一步证明了本文所提新方法具有更高的预测精度、更强的数据拟合能力及更强的适应性,在小样本的预测上显示出新模型特有的优越性。在时间序列短、原始数据序列波动大的情况下,对于需水量预测这类复杂的问题,本文所提模型具有较高的可靠性。

小样本、贫信息下民用飞机费用估算模型及算法

费用估算是民用飞机成本管理的核心内容,直接关系到民用飞机项目的成败。针对民用飞机费用估算问题展开研究,把GM(0,N)模型与BP神经网络算法相结合,应用BP神经网络对建立的GM(O,N)模型估计值进行再次优化,二者的组合模型能有效提高估算精度。模型构建步骤如下:首先构建原始GM(0,N)模型并根据该模型求出样本的费用估算值;以GM(0,N)模型的参数变量、样本估计值为输入,实际值为期望输出建立BP神经网络并在mat lab里训练;利用训练后的组合模型对民用飞机的费用进行估算。以民用飞机费用估算为仿真实例,分别使用多元线性回归、传统的GM(O,N)模型,和该方法建立费用估算模型,对目标机种的费用做出估算,分析估算结果,表明该模型具有更好的拟合与估算效果。