GMDH神经网络在雷电预警中的应用

利用江西南昌地区南昌县、小蓝经开区、塔城乡和小莲村等站点多个时间序列的大气电场和雷电数据,选取南昌地区2018-2020年56个雷电活动过程中共计224个时间序列大气电场和经小波函数sym5和阈值分析法Rigorous Sure变换的大气电场信号进行训练和测试,建立自组织数据处理的群方法GMDH(group method of data handling)神经网络模型并应用于雷电活动的预警。结果表明:30~60 min GMDH神经网络模型预测值和实测值相关系数(R)在0.7~0.85之间,经过小波变换处理后的大气电场数据预测准确率更高,预测值与实测值的相关系数接近于1,均方误差、均方根误差以及准则值(P)均可控制在5%以内;借助提前获取的大气电场预测数据,通过大气电场强度剧烈的脉冲变化可以预示着雷电活动的发生,有效地提高雷电预警的准确率和时效性。

基于GMDH神经网络的超超临界机组过热蒸汽温度预测模型及仿真研究

由于超超临界1 000MW机组过热蒸汽温度控制对象具有大滞后、非线性、动态参数随工况变化大等特点,使得传统的控制方法难以适应过热蒸汽温度的控制,出现过热蒸汽温度波动大,甚至超温等问题。对此,采用数据处理群集方法(GMDH)神经网络建立了过热蒸汽温度动态预测模型,以预测过热蒸汽温度的变化趋势。仿真结果表明,基于GMDH神经网络的过热蒸汽温度预测效果优于线性神经网络和BP神经网络,具有较好的移植性和实用性。

基于GMDH神经网络的组合预测模型

软件可靠性增长模型(SRGM)是软件可靠性工程中一项重要的研究内容.在可靠性增长模型应用的过程中,常常因为模型假设与实际软件开发和调试过程有差异,导致可靠性预测的准确性不高.至今尚没有一种能适应各种软件开发环境的SRGM.为此,某些国外文献采用遗传(GA)算法,提出了模型组合方法,以期提高SRGM的预测能力.本文采用GM DH神经网络,提出一种非线性的SRGM模型组合方法.通过对比基于GA算法的模型组合方法,实验结果表明,基于GMDH神经网络的组合方法能有效提高模型预测能力.

GMDH神经网络算法在变形预测中的应用

针对GMDH神经网络存在的不足,分别从网络初始变量预选个数的确定、部分表达式构成、中间变量选择准则、终止法则等方面进行改进,并且用Matlab语言编程实现之。将改进之后的GMDH神经网络应用于非线性变形数据预测之中,并且将短期以及长期预测结果与BP神经网络以及GMDH神经网络得到的预测结果进行比较,得出结论:改进的GMDH神经网络有较好的实用性,并且预测精度有较大提高。

基于GMDH神经网络的轮胎硫化温度预测

介绍硫化过程的测温难点及GMDH神经网络的算法和构造。采用GMDH神经网络对硫化过程中轮胎内部温度进行预测,并与BP神经网络预测进行对比。研究结果表明,GMDH神经网络的温度预测精度较高,对非线性数据有很好的预测效果。采用该方法可为轮胎硫化控制提供有力支持,并实现轮胎生产无损测量。

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。

基于自组织理论的GMDH神经网络算法及应用

本文在自组织控制论的基础上提出了成组数据处理的神经网络算法— GMDH算法 ,通过寻找最优复杂性 ,实现变量的自动筛选并得到明确的模型结构 .文章还给出了

基于物料模型的GMDH神经网络LF终点温度预测

针对LF冶炼终点温度影响因素的复杂性,提出以自组织数据挖掘原理为核心的GMDH神经网络对钢水终点温度进行预测,±5℃内误差的命中率为78.31%,±7.5℃内误差的命中率为92.77%;建立物料的热效应模型,通过不同物料加入钢水中的热效应计算,将LF精炼过程中加入的物料折算为一个输入因素,改进的GMDH神经网络对钢水温度预测,±5℃内误差的命中率为88.72%,±7.5℃内误差的命中率为98.44%,基于物料模型的GMDH神经网络不仅在命中率上有显著提高,而且对冶炼多钢种导致的物料结构改变有更好的适应能力。

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。

基于GMDH型神经网络的EEG分类研究

为了提高对不同认知状态下脑电信号 (EEG)的分类正确率 ,提出一种GMDH型神经网络及改进的训练算法。此网络结构在演化中生成 ,分类规则由简单多项式表示 ,训练算法可防止出现过拟合。此网络用于区分算术运算和休息状态下的脑电信号 ,正确率达到 84 5 % ,与标准前向型神经网络 (FNN)比较 ,显示了较好的分类效果。

基于神经网络的出菇房CFD温度均匀性预测模型

为预测出菇房内环境性能指标,采用CFD建立菇房模型并通过试验数据验证仿真结果准确性,对比可知温度的平均相对误差为4.9%,引入温度均匀性指标,设计正交试验进行CFD数值模拟,利用模拟数据训练GMDH(group method of data handling,数据处理组合法)型神经网络,最后得出温度均匀性指标的预测模型。分析结果表明,预测值与CFD仿真值相关系数达到0.942 5,平均绝对误差仅为0.042,预测精度较高,为出菇房的进一步优化提供可靠依据。

基于GMDH网络的船用增压柴油机性能预测及仿真

采用数据分组处理(Group Method of Data Handing,GMDH)的神经网络分类方法,建立4190ZLC船用四冲程增压柴油机性能预测的数学模型.针对船用中速柴油机运行状况,考虑到其影响运行状态的因素,结合实验数据进行4190ZLC船用柴油机性能的预测及仿真分析.该模型解决了神经网络结构较大,计算耗时较长的问题.将该模型与BP(Back-Propagation,BP)前馈神经网络仿真结果进行比较,结果表明其仿真效果好于BP神经网络模型,并且该神经网络能较好地满足柴油机性能预测仿真的需求.

基于稀少样本数据的地应力场反演重构方法

地应力测量昂贵的成本限制了测点数量,稀少样本实测数据难以对区域地应力场进行全面的描述与表达。如何依据稀少样本地应力实测数据准确地构建地质体内部地应力场分布状态,一直是岩土工程关心的重点问题,尤其随着深部工程的建设,掌握地应力场的分布规律是进行工程安全设计和防灾工作的基础。提出的GMDH(批数据处理)神经网络算法,结合地应力场分布随埋深的非线性特征及局部地质构造处地应力场的非连续性特点,构建出形成复杂地质体地应力场的边界条件模式,并基于现场的稀少样本测点数据进行复杂边界条件的生成,拟合出边界载荷非线性表达式。通过Matlab编程构建GMDH神经网络算法平台,该平台具有结构最优性和全局性等优势,克服了传统神经网络方法假设过多(网络结构假设)和网络结构过于简单等缺点,实现复杂地质体边界载荷表达式与实测点应力值的非线性映射,从而获取了较为合理的地应力场分布。为了验证算法的有效性,构建二维急倾斜地层地质区域模型,分别选取15个、12个、9个及6个测点数据进行地应力场反演。结果表明:随测点数量的减少,GMDH神经网络算法反演精度均大于83%,特别是6个测点稀少样本数据中,GMDH神经网络算法反演精度为84%,BP神经网络算法反演精度为76%,说明GMDH神经网络算法在稀少样本测点数据下具有较高的反演精度。另外,对稀少样本测点数据下的杏山铁矿地应力场进行反演和重构,结果显示,GMDH神经网络算法反演精度达到84%,绝大多数测点应力分量反演误差小于10%。因此,GMDH神经网络算法在稀少样本测点数据的反演计算中,具有良好的泛化性和非线性数据预测性,可为今后日益复杂的工程设计和施工提供有效的理论依据。