灰色神经网络模型GNNM(1,1)在城市年用电量预测中的应用

针对城市电力系统年用电量增长的特点,将灰色神经网络模型GNNM(1,1)引入城市年用电量预测。GNNM(1,1)模型是把灰色方法与神经网络有机结合起来,对复杂的不确定性问题进行求解所建立的模型。该模型通过建立一个BP网络,来映射GM(1,1)模型的灰色微分方程的解。GNNM(1,1)模型采用BP学习算法,网络经训练收敛后就可进行城市年用电量预测。算例计算表明,与灰色预测方法相比,GNNM(1,1)模型具有更强的适应性和更高的预测精度,适用于城市年用电量预测。

GA优化GNNM(1,1)的煤矿涌水量预测

以大隆矿矿井为例,针对BP算法存在极易陷入局部最优与过拟合导致网络泛化能力不足问题,采用灰色神经网络理论与遗传算法相结合,在构建GNNM（1,1）基础上引入GA加以优化,预测分析了2001~2003年煤矿涌水量,构建了煤矿涌水量预测模型,并进行了Matlab仿真。

基于新型GNNM(2,1)模型的粮仓温湿度建模

利用BP神经网络的函数逼近特性和GM(2,1)的模型对非单调变化规律数据的描述特性,构建了一种新型的GNNM(2,1)模型,并将其用于粮仓温湿度变化趋势的建模。采用某粮仓一年内的温湿度采样值对其进行训练,并用训练好的模型预测来年温湿度的变化趋势。仿真结果表明,该模型的预测值有较高的精度,这对保证粮食储备安全具有一定的实用意义。

GNNM(1,1)与GM(1,1)在深基坑变形预测中的应用

将灰色神经网络模型GNNM(1,1)应用于深基坑变形预测中,并与灰色GM(1,1)模型进行比较,以江苏某长江公路大桥南汊桥南锚锭深基坑为例进行实例分析,结果表明这种方法是可行的,能够准确地预测深基坑变形。

基于数据增广灰色神经网络的ACFM裂纹角度预测

交流电磁场检测(alternating current field measurement, ACFM)技术广泛应用于制造业等工业领域中金属结构物的缺陷检测。针对单传感器在非预知缺陷检测过程中存在的角度偏转及裂纹定位等问题展开了研究,首先通过COMSOL Multiphysics仿真结果可知:场强的X和Y方向分量在角度偏转的过程中存在信号互补的规律,然后通过建立比例因子进而实现了数据增广型灰色神经网络模型(data augmented grey neural network model, DA-GNNM)的预测,同时模拟预测对比回归预测可知DA-GNNM模型的预测效果较优。此外通过多梯度偏转仿真实现了偏转裂纹的重构,其次通过搭建实验平台以及信号特征提取等工作验证了DA-GNNM预测模型的合理性,平均预测误差2.56%;最后通过预测角度进一步改善了非平行检测过程中裂纹重构图像的偏转问题。

灰色问题神经网络建模优化及其应用

文章对灰色神经网络模型ＧＮＮＭ（１，１）进行了深入研究，并作了进一步优化和完善。提出了基于时间响应模型建立ＧＮＮＭ（１，１）的方法，进一步根据多维灰色不确定问题，考虑到系统中各因子之间各种各样的关系与机制，在ＧＮ－ＮＭ（１，１）的基础上建立了ＧＮＮＭ（１，４）模型。

两种灰色神经网络模型及应用

给出了 2种灰色神经网络模型 GNNM(1,1)和 GNNM(2 ,1) ,该模型具有灰色系统的少数据建模优点及神经网络的精度可控特性 ,并给出了相应的学习算法 。

基于灰色神经网络的公路物流需求量预测模型

以浙江省公路货运量历史数据为例,考虑到影响货运量主要因素,采用灰色神经网络模型GNNM(1,N)进行预测,并与灰色模型GM(1,N)和神经网络预测结果相比较。计算结果表明:该方法在预测公路物流需求量具有有效性;在灰色模型GM(1,N)预测时,通过比较紧邻均值生成序列的生成系数α对预测精度的影响,选取了最优值进行计算从而提高了灰色模型的预测精度。

基于灰色神经网络技术的陶瓷电性能分析

运用灰色神经网络理论 ,研究了掺杂 Sr Ti O3多功能陶瓷氧化热处理过程中 ,氧化热处理条件对介电性能和压敏性能的影响。根据各种参数的主行为因素的多少 ,运用 GNNM(1,1)、GNNM(1,2 )、GNNM(1,3)模型进行分析 ,并且建立了相应的 GNNM(2 ,1)灰色神经网络模型。

二阶灰色神经网络在船舶横摇预报中的应用

为了提高船舶的耐波性和适航性、对船舶横摇进行有效准确预报,提出了将灰色系统理论和神经网络进行有机结合的二阶灰色神经网络预报模型。介绍了二阶灰色预报模型,采用神经网络映射的办法构建灰色神经网络预报模型,并介绍了神经网络学习机制。另外,以某舰船横摇运动时间序列预报为例对模型进行仿真验证,有效改善了二阶灰色模型较大的预报偏差。仿真结果表明,GNNM(2,1)模型能准确预报船舶横摇运动,具有更高的预报精度和更好的数据稳定性。

灰色神经网络在城市用水量预测中的应用

为解决传统BP神经网络在城市用水量预测中易陷入局部极小点等问题,将BP神经网络与灰色理论相结合,构建了灰色神经网络模型(GNNM),实现了二者的优势互补,并利用粒子群优化算法(PSO)对该模型的初始权值和阈值进行优化,形成了PSO-GNNM(1,N)算法.通过与传统BP神经网络、灰色理论预测法的预测结果相比较,该算法具有预测误差小、泛化能力强等优点,可为城市用水量的预测工作提供技术支持.

基于神经网络和灰色模型的非线性预估

以某己内酰胺厂磷酸羟胺(HPO)的制备的现场数据为基础,利用贝叶斯正则化神经网络和灰色模型建立了磷酸羟胺中的H+浓度的预测模型;比较了神经网络和灰色模型的差异,并把两者结合起来,建立模型进行预测。最后验证了用神经网络和灰色模型相结合建立起来的磷酸羟胺模型可以迅速有效的预测信息,从而为实现质量指标的实时预估和获取专家系统知识奠定了基础。

三阶灰色神经网络模型的建立及其在导弹故障预报中的应用

为了解决导弹武器故障数据量小,无法利用现有的方法对其进行故障预报的问题,在分析灰色预测模型与BP网络算法的基础上,对现有的一阶灰色神经网络模型做了进一步优化和完善,并在此基础上建立了基于时间响应函数的三阶灰色神经网络GNNM(3,1)模型,推导出了模型的理论算法。将此算法应用于导弹惯性器件故障预报中,通过实例证明了GNNM(3,1)模型对导弹武器故障预报的有效性。

三阶灰色神经网络模型的建立及应用

根据BP神经网络和灰色系统的基本理论,在现有的灰色神经网络模型理论的基础上,为能更加准确地反映复杂的非线性的动态过程,建立了基于时间响应函数的三阶灰色神经网络模型GNNM(3,1)。

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.

基于灰色神经网络模型的生态足迹动态研究——以湖北省为例

生态足迹（EF）作为一种定量测度可持续发展程度的方法,具有直观综合、操作简单、指标明确、可比性强等优点,但EF本身是一个静态指标,没有揭示生态系统的动态变化特征,灰色神经网络模型（GNNM）将灰色GM（1,1）模型与BP神经网络模型相组合能更好的拟合EF的动态发展.以湖北省（1991年～2011年）为对象,对GNNM模型进行了验证,结果表明：GNNM模型比单一灰色理论有着更高的精度和可靠度,预测精度提高了0.75％;21年间湖北省人均生态足迹增长了1.473 hm2/人,而人均生态承载力增加缓慢,总的生态赤字逐年加大,21年增加了1.389 hm2/人,未来湖北省生态足迹将继续加大,预计2020年将增加到3.659 hm2/人,是2011年的1.43倍,湖北省资源消耗已远超过资源承载力范围,处于不可持续状态,生产消费模式急待调整.

中长期用水量预测在城市水资源配置中的应用

本文从H市给水管网系统改扩建工程的实际出发,运用灰色神经网络方法对城市中长期用水量进行了预测,建立了灰色神经网络GNNM(1,1)用水量预测模型,达到了在数据较少情况下提高预测精度的目的,编程实践证明是可行的。

灰色神经网络的建模原理及应用

所谓灰色神经网络就是将灰色系统方法与神经网络方法有机地结合起来,对复杂的不确定性问题进行求解所建立的模型。本文将灰色预测与神经网络预测方法相结合,提出了预测宏观经济指标的新方法,实例表明此种组合模型的精度较高。给出了一般灰色神经网络模型GNNM(1,1),该模型具有灰色系统的少数据建模优点及神经网络的精度可控特性,并给出了相应的学习算法,然后通过示例说明模型的可行性。

基于SAPSO优化灰色神经网络的空中目标威胁估计

针对目标威胁估计有很多不确定性的特点,分析了传统目标威胁估计方法和灰色神经网络初始参数随机选择的不足。采用模拟退火改进的粒子群算法代替梯度修正法,对网络参数初始值进行寻优,并通过该方法搜寻到的最优粒子,建立了基于模拟退火粒子群算法优化的灰色神经网络模型,以提高预测模型的稳健性和精确度。与灰色神经网络和没有改进的粒子群灰色神经网络等方法进行比较,仿真实验结果表明,模拟退火粒子群优化的灰色神经网络具有很好的预测能力,可以准确地完成空中目标威胁估计。

Analysis Methods of SrTiO_3 Ceramic's Electricity Performance

The effect of oxidizing-heat-treatment conditions on the electricity performance of doped SrTiO3 ceramic is analyzed by using the theory of grey neural network. Based on the number of main parameters, the model of GNNM （1,1）, GNNM （1,2）, GNNM （1,3） is used to analyze and construct the corresponding model of GNNM （2,1） gray neural network. It can reach the required precision by calculating.