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。

基于GMDH的FRP板-混凝土黏结强度预测模型

近年来,纤维增强复合材料(FRP)已被广泛应用于既有混凝土结构加固。而现有FRP与混凝土界面黏结强度模型的预测精度偏低,无法为FRP的实际应用提供有效的参考。为此,本文建立了一个由855组试验数据组成的大型数据库,并在此基础上利用数据分组处理算法(GMDH)提出了一个高精度预测模型。为验证GMDH模型是否能为FRP-混凝土界面的黏结强度计算提供更有价值的参考,本文将GMDH模型与现有七个文献模型进行对比,并采用决定系数(R^(2))、变异系数(COV)和相对平方根误差(RRSE)等三个统计指标对模型的预测结果进行评价。结果表明,与现有文献模型相比,本文所提GMDH模型的R^(2),COV和RRSE值至少改进了11.9%、30.9%和35.3%。因此,GMDH模型能够为FRP的实际应用提供更加有效的参考。

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。

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。

基于GMDH与dce-GMDH算法的上市公司财务危机预测研究

预测上市公司的上市状态有助于了解企业的经营状态、稳定市场预期。选取2019年第4季度沪深A股上市公司的138家ST公司和138家非ST公司样本组,并根据盈利能力、经营增长、资产质量和债务风险等4个维度的17个财务指标,运用GMDH算法和基于多种分类器集合的GMDH(dce-GMDH)算法对ST公司和非ST公司进行财务危机分类预测,结果表明:两种算法在ST公司和非ST公司两类公司中取得较高的分类预测效果。GMDH算法的预测准确率为83.64%,dce-GMDH算法的预测准确率为85.45%。与GMDH算法相比,使用dce-GMDH算法可将分类预测准确率提高约2%。

基于改进GMDH网络的风电场短期风速预测

基于GMDH神经网络和模糊逻辑理论,对风电场风速预测进行了深入研究,提出了一种改进GMDH神经网络方法。该方法在传统网络的基础上将神经元模糊化并引入反馈环,将GMDH网络的低维计算能力和模糊逻辑的高维推理能力结合起来用于预测。在进行网络训练时,采用指数型能量函数作为目标误差函数,提高了网络收敛速度。通过与BP神经网络及传统GMDH网络的预测结果相比较,表明该改进方法能够有效地提高短期风速预测的精度。

具有混沌特征的GMDH网络在降雨量预测中的应用

ＧＭＤＨ称为数据处理的群集方法，它的网络结构有自组织特征，适用于非线性系统的建模〔１〕．降雨量是一种重要的灾害数据，具有混沌特性，本文将降雨量的混沌特征引入神经网络ＧＭＤＨ的建模，并对安徽省蚌埠地区的降雨量进行了预测，收到良好效果．

基于GMDH的商业银行电子银行业务发展影响因素研究

电子银行业务发展影响因素是国内外学者重点关注的问题之一,采用自组织数据挖掘方法,客观、自动地筛选商业银行电子银行发展的主要影响因素,寻求电子银行业务发展与其影响因素之间的非线性关系。研究结果表明,电子银行交易额增长率、产品规划、网络营销和电子商务发展是电子银行业务的主要影响因素。前一期的电子银行交易额增长率和产品规划对电子银行业务发展的影响较大。网络营销对电子银行业务影响的持续时间较长,其与产品规划的交互作用的影响较大。电子商务通过与前期电子银行业务增长率的交互作用对电子银行发展产生影响。

中长期预测模型的GMDH三水平算法

本文给出三水平算法的操作方法,指出算法进行中、长期预测成功的优势.

基于混沌优化GMDH网络的灌区地下水水位预测

为预测灌区地下水水位,提出了一种基于混沌优化的GMDH网络预测方法,该方法利用混沌优化算法全局搜索GMDH网络的初始权值,并利用优化后的GMDH网络建立预测模型对灌区地下水埋深进行预测.算例计算结果表明,该方法能加快GMDH网络结构稳定的速度,预测精度较高,可用于对地下水水位的预测.

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。

基于GMDH和DEA的中国各省市引进FDI的效率评价

文章首先运用GMDH方法,找出影响引进FDI的主要指标,然后依据这些指标运用DEA方法评价各省市引进FDI的效率。研究发现,影响FDI引进的主要指标包括:铁路里程,出口额占GDP比重,企业所得税占GDP比重,GDP总量,人均GDP,城镇居民可支配收入,固定资产投资价格指数等;在引进FDI的效率方面,优势充分发挥的省市是上海、广东、江苏、河南,优势发挥严重不足的省市是甘肃、贵州、青海和新疆。

非线性系统辨识——GMDH的一种新算法及其应用

本文提出了用单向逐步回归方法确定GMDH中最佳部分多项式结构和进行参数估计,并且给出了递推算法。这种算法避免了原算法中的大量重复运算,对多步预测模型更显出其优越性。实际应用例子证明了该算法的有效性。

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.

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SOM-GMDH的微博热点话题变化趋势研究

随机选取腾讯微博100个热点话题作为研究样本,绘制了博文数量增长曲线,然后使用自组织特征映射神经网络对样本进行聚类分析,再通过数据分组处理方法拟合各类曲线发展趋势,最后使用随机抽选对话题分类进行实证。研究结果表明,微博话题的相关博文数量变化趋势主要表现为七种类型,它们随着时间变化表现为不同的形式。

GMDH和变结构协整理论在电力负荷预测中的应用

鉴于未考虑时间序列的非平稳性所得到的拟合方程可能出现'伪回归'而失去准确预测的能力,引入了协整理论与误差修正模型。考虑地区产业结构发生变化将导致地区用电量时间序列发生结构突变,影响平稳性检验结果的可信度,又引入了GMDH理论,自动搜索并确定结构突变点,以改进经典结构突变理论需要事先获知一些重大波动信息等主观性影响。结合上述两点,构建了基于GMDH理论的参数变结构协整模型。算例证明了该模型在电力系统的负荷预测中的适用性以及在处理'伪回归'和'样本数据结构突变'问题方面的有效性。

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的民航客运量需求预测与分析

根据社会经济发展和民航客运需求之间的关系,探讨了影响民航客运量的因素,并以成都民航客运市场为研究对象,采用多元线性回归和GMDH的方法,分别建立了两个民航客运需求预测模型对成都民航客运的需求量进行了预测,同时还实施了两种方法的组合预测,通过预测误差分析结果证明预测的可信性。研究表明,GMDH模型具有较强的预测推广能力和进行因素分析的优越性。

基于GMDH因果关系的软件缺陷预测模型

软件缺陷预测是软件可靠性研究的一个重要方向。基于自组织数据挖掘(GMDH)网络与因果关系检验理论提出了一种软件缺陷预测模型,借鉴Granger检验思想,利用GMDH网络选择与软件失效具有因果关系的度量指标,建立软件缺陷预测模型。该方法从复杂系统建模角度研究软件度量指标与软件缺陷之间的因果关系,可以检验多变量之间在非线性意义上的因果关系。最后基于两组真实软件失效数据集,将所提出的方法与基于Granger因果检验的软件缺陷预测模型进行比较分析。结果表明,基于GMDH因果关系的软件缺陷预测模型比Granger因果检验方法具有更为显著的预测效果。