基于GA-GMDH算法的离心泵退化识别

[目的]为实时监测离心泵的健康状态,提出一种可实时识别离心泵退化状态的模型。[方法]首先,基于离心泵的运行参数和退化机理,利用主客观相结合的组合赋权模型来计算组合权重,进而构建离心泵退化过程中的健康指标;然后,基于现有离心泵的退化数据,提出基于遗传优化-数据分组处理(GA-GMDH)算法的离心泵退化监测模型。[结果]GA-GMDH监测模型的可靠性较高,其健康指标输出值与真实值的均方根误差为0.029216,依据该模型输出结果进行退化状态识别的精度为93.333%。[结论]研究成果可为离心泵的健康状态监测以及维护运营管理提供参考。

GMDH方法在长良川水质预测中的应用

在复杂水环境系统的模式识别中,如何确定影响系统输出的输入变量是关键,文章首先介绍GMDH(数据处理组方法)方法的基本运算法则,运用改进后的GMDH方法筛选模型的输入变量,建立长良川溶解氧和化学耗氧量两个水质项目的预测模型,模型的相关度最高可达0 96,基本满足工程要求,研究表明GMDH法是初步了解系统变化机理。

发酵过程中细胞浓度的在线估计——GMDH法与神经网络法的比较

由于发酵过程细胞浓度在线测定困难 ,应用软测量技术对其进行分析很有必要。本文对两种建模估计方法 :GMDH法和人工神经网络法 ,进行了比较研究。结果表明GMDH法拟合结果较好且需计算时间较短 ,可在更多的非线性过程建模中应用。

改进的 GMDH 方法及其在参数预报中的应用

本文在综合了ＧＭＤＨ方法中几种有效的改进算法的基础上，进一步研究了变量预选及部分表达式的构成问题，采用最优化方法确定变量最佳组合形式并进行变量筛选，由此得到精度更高、稳定性较好的模型。将其应用于聚丙烯熔融指数的预报，仿真结果令人满意。

GMDH中部分表达式的构成及改进方法

该文在综合了ＧＭＤＨ方法中部分表达式构成形式的基础上，提出用最优化方法构成系统最佳部分表达式，由此得到精度更高、稳定性较好的模型．

基于Log-GMDH模型的我国能源消费中长期预测

利用Logistic函数作为GMDH两水平自回归算法的传递函数构建了新模型:Log-GMDH模型。运用我国1979～1999年的历史能源消费总量数据,将Log-GMDH模型在检测集(2000～2010年)上的预测结果与自回归移动平均(ARMA)模型和BP神经网络模型进行了比较,表明Log-GMDH模型有更准确和更稳定的预测效果。对我国未来30年(2011～2040年)的能源消费总量进行预测时,发现Log-GMDH模型更适合于反映我国新形势下可持续发展的能源战略。运用Log-GMDH模型的预测结果得到:我国未来能源消费先将有较大幅度的增长,到2030年总量将达62.55亿吨标准煤,之后能源消费将逐步得到较好的控制,预计将于2040年实现"零增长",届时全国能源消费总量约为65.70亿吨标准煤。

具有改进反馈环的NF-GMDH网络及其在混沌预测中的应用

具有反馈环的 GMDH(Group Method of Data Handling with a feedback loop 简称为 GMDH-FL)网络只有三层,结构简单;而模糊 GMDH 神经(Neurofuzzy GMDH 简称为 NF-GMDH)网络可以同时利用系统的数据信息和语言信息。本文结合这两种网络的优点,利用改进自组织策略,提出了具有反馈环的 NF-GMDH 网络(简称NF-GMDH-FL)。针对该网络的第二次及其以后循环训练中有大量冗余组合和计算的缺点,本文进一步研究了具有改进反馈环的 NF-GMDH(NF-GMDH with improved feedback loop 简称为 NF-GMDH-IFL)网络,并将其应用于混沌时间序列预测。通过仿真研究,证明其网络训练速度快,建模精度高,有比 NF-GMDH 模型和 NF-GMDH-FL 模型更优良的性能。

改进的GMDH型神经网络及其在混沌预测中的应用

本文提出基于改进自组织方法的GMDH(Group Method of Data Handling)型神经网络并将它应用于混沌预测。一般的GMDH型神经网络的自组织功能是通过给定一个准则阈值来确定或直接给定数值来实现,但GMDH型神经网络的自组织准则的阈值难以合适确定,由此提出了一种简单的自组织方法来实现真正意义上的自组织功能。这种用改进了的自组织方法所构成的GMDH型神经网络可以应用于混沌时间序列预测。通过仿真实验,证明其预测效果明显比基本的GMDH型神经网络好,即改进GMDH型神经网络优于基本的GMDH型神经网络。

GMDH算法的终止法则研究

为了从理论上说明GMDH(GroupMethodofDataHanding)最优复杂度模型如何在推广能力与拟合精度之间达到平衡,用插值方法讨论了GMDH外准则值取得全局最小值时,对应的模型复杂度的位置。分析了模型在一定噪声水平下,已知训练集上的拟合能力与具有同一规律性的新数据上的推广能力关系,结果显示,GMDH最优模型的结构偏差与噪声影响的比值落在1的一个小领域内,其大小随噪声方差和外准则的变化而变化。说明,GMDH最优模型如何在拟合精度与推广能力之间达到平衡。

基于GMDH的卷烟工艺参数-指标关系模型研究

通过对烟草加工中工艺参数与质量指标之间的关系研究,提出采用自组织数据挖掘方法建立相应的关系模型,并利用该模型预测质量指标取值。通过与多元线性回归模型的预测值对比,证明了该方法的有效性。

基于GMDH的组合预测模型应用研究

应用数据处理的分组方法(GMDH)多层算法、GMDH自回归算法、多维AC算法、单维AC算法,建立了基于GMDH的工业增加值预测模型,在此基础上建立了最优线性组合预测模型。实验证明本文方法不仅改善了模型对数据样本的拟合精度,而且提高了模型的预测能力。

中长期负荷预测的GMDH多结构自动搜索模型

针对我国当前经济、政策变动的大背景,提出了采用数据分组处理方法GMDH(group method of data handling)结合多结构突变理论,实现时序突变点自动搜索建模,建立了中长期负荷预测的GMDH多结构自动搜索模型。该模型能够客观准确地搜索时间序列中的所有突变点,并充分利用突变点信息修正由于经济环境和突发事件引起的预测偏差,大大提高了传统时序外推预测模型的精度。华东地区的实际算例结果表明了该模型的有效性。

GMDH方法在中长期电力负荷预测中的应用

在时间序列预测法的基础上,将数据处理组合方法GMDH应用于中长期电力负荷预测。介绍了GMDH的基本原理,根据历史数据建立GMDH模型,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,结果表明该方法可获得较高的预测精度。

基于GMDH的迁移特征选择模型研究

将迁移学习和数据分组处理算法集成起来,提出了一种基于数据分组处理算法的迁移特征选择(GM-DH-TFS)模型。在UCI的四个数据集上,将GMDH-TFS模型与以全部特征作分类(FULL)的结果以及常用的特征选择模型(前向监督特征选择模型(SFFS)、前向半监督特征选择模型(FW-SemiFS)和迁移特征选择模型(TFS))作比较实验,结果表明,GMDH-TFS在特征选择方面比其他四种方法有更好的效果,在小样本情况下也得到了同样的结果。GMDH-TFS模型可以在数据分布不一致的情况下进行特征选择,同时面对数据匮乏也能取得理想的效果。

改进GMDH与润滑油生产过程数学模型

在GMDH方法基础上，提出了一种改进方法：GMDH＋模型结构优化方法。应用改进方法对润滑油生产中酮苯脱蜡过程的数学模型进行了辨识工作，得出的模型与实际操作数据较为吻合。并根据得出的数学模型进行了优化计算，并寻找以收率最大为指标的最优操作点，结果较好。

基于GMDH神经网络法的中小板上市公司ST分类预测研究

预测上市公司的上市状态对投资者与其他利益相关者至关重要。选取2019年1月1日至3月31日我国中小板116家上市公司的86个财务指标数据,运用GMDH神经网络法对ST公司和非ST公司进行分类预测,预测正确率达到78.26%。进一步采用1∶1配对原则(43家ST公司和43家非ST公司)对中小板上市公司进行ST分类预测,预测正确率大幅提高,达到88.24%。由此发现,基于GMDH神经网络法的中小板上市公司ST分类预测具有较好的预测表现。

基于R/S分析的GMDH自组织方法在用电量预测中的应用

将R/S分析方法引入用电量预测;并将R/S定性分析方法与GMDH定量预测方法结合,应用于成都市用电量预测。应用R/S分析方法从定性角度研究成都市历年用电量变化趋势的特性,得出成都市城市用电量Hurst指数;运用GMDH预测方法从定量角度对成都市近几年的城市用电量进行预测,进而验证Hurst指数所反映出的成都市用电量的增长趋势。

基于解耦型GMDH的车身材料参数反求

动态载荷作用时,具有应变率效应的材料在碰撞仿真中会展现出不同于静态载荷时的性能,准确的材料参数是获得可靠仿真结果的前提。主流的近似模型优化方法忽略了对变量间耦合关系的判定,造成近似模型中存在不必要的耦合项,增大误差项所占比重,降低模型的效率和泛化能力。为此,提出了解耦型数据分组处理方法(GMDH),在建模初期判断变量之间的耦合关系,进而确定模型的耦合项。在高维非线性函数测试中,该方法表现出优良的建模性能;将该方法与台车试验结合,反求出两种材料构成的拼焊板参数,与试验结果的对比表明,该反求方法具有较高的精度。

基于改进GMDH算法的路口短时交通流量预测

城市交通是一个复杂的大系统,实时而准确的短时交通流量预测,可以为城市交通诱导和控制提供科学支持。针对GMDH算法建模泛化能力差的问题,结合集成学习的思想对GMDH算法进行改进,并将改进的算法应用到短时交通流量模型的构建中。结果表明,该方法可以有效地对短时交通流量进行预测,建模平均相对误差为1.10%,预测相对误差为0.58%。

一种选择性GMDH网络集成算法

提出一种新的GMDH网络的选择性集成算法,通过对构造GMDH网络个体的训练样本进行惩罚性划分,产生具有差异性的GMDH网络集合,再利用遗传算法从中选择最优GMDH网络子集进行集成。实验结果与分析表明,与GMDH网络的整体集成和单个GMDH网络以及传统的BP神经网络集成相比,GMDH网络的选择性集成在性能上具有明显的优势。