GMDH参数模型的改进及在煤炭价格研究中的应用

首先,针对现有GMDH算法的不足做了两点改进:一是利用初始变量添加法来防止有用信息丢失、改善模型结构、提高模型精度,二是用权系数向量法或符号表达式法直接给出GMDH输出的显式表达式;然后,将改进的GMDH算法应用于煤炭价格影响因素的实证研究。结果显示改进的GMDH算法能够更真实地反映实际的煤炭价格模型结构,不仅有更高的拟合精度,而且有良好的外推能力,能够准确预测煤炭价格的变动趋势。     

基于GMDH-PSO-LSSVM的国际碳市场价格预测

针对国际碳市场价格预测LSSVM建模输入节点和模型参数难以确定的问题, 建立了基于数据分组处理方法(GMDH)-粒子群算法(PSO)-最小二乘支持向量机(LSSVM)的国际碳市场价格预测模型. 首先利用GMDH算法获得LSSVM建模中的输入变量; 其次应用PSO算法对LSSVM建模中的参数进行优化, 进而使用训练好的LSSVM模型对测试样本进行预测; 最后采用该模型对欧盟排放交易体系(EU ETS)两个不同到期时间的碳期货价格(DEC 10和DEC 12)进行实证分析, 取得了令人满意的效果.     

基于选择性深度集成的集装箱吞吐量混合预测模型研究EI北大核心CSCDCSSCI

精准预测集装箱吞吐量是合理规划港口建设、制定港口作业计划和调整港口发展方向的重要基础.针对港口集装箱吞吐量的复杂非线性特征,本文提出了基于选择性深度集成的集装箱吞吐量混合预测模型(HMSD).该模型首先使用经验模态分解方法将原始集装箱吞吐量时间序列分为若干个本征模函数和余波序列.考虑到各本征模函数的高度非线性特征,分别训练长短时记忆网络、门控循环单元和卷积神经网络三种深度学习模型作为基准模型对其进行预测,再运用改进的数据分组处理技术(GMDH)建立选择性深度集成模型,得到各本征模函数的集成预测结果,进一步采用自回归求积移动平均模型预测线性余波序列,将全部本征模函数和余波的预测值进行整合得到总的集装箱吞吐量预测值.为验证提出的模型在集装箱吞吐量预测上的性能,本文选取我国吞吐量具有显著差异的六个港口进行实证,结果表明该模型在六个港口上均具有最好的预测效果,最后还运用HMSD模型给出了2021年1月至2022年12月六个港口集装箱吞吐量的样本外预测值.     

用GMDH算法辨识空空弹的非线性多项式模型

本文介绍辩识空空弹的非线性多项式模型系数的方法。多项式模型的结构用GMDH算法确定,该算法的数据库仅由输入输出变量值组成。GMDH算法形成一个以较少的几个非线性多项式为核心的网络,这几个多项式就是它的模型。最后得到的模型是系统的多变量三阶表达式。     

遗传算法在卫星数传调度问题中的应用

研究了一种基于遗传算法的卫星数传混合调度算法.首先建立了卫星数传任务模型和卫星数传调度模型,提出了卫星数传可能冲突及任务执行冲突度等概念,然后对基于冲突消解的遗传算法进行了设计,并给出了基于该遗传算法的卫星数传混合调度算法.该调度算法包括三部分:一是通过确定冲突任务集来限定问题规模,以此限定了遗传算法中个体的长度;二是利用遗传算法确定出冲突任务集中每个任务分配地面资源及执行时间的次序;三是在对每个任务具体分配地面资源及执行时间时,利用了任务执行冲突度的启发式信息,以尽可能降低冲突.最后给出一个算例仿真.     

基于免疫遗传算法的三维大脑图像分割

利用最大熵多阈值方法对三维大脑数据进行分割时,穷尽搜索法耗时长,而简单遗传算法的搜索结果又不够稳定和精确.针对该问题,提出了一种免疫遗传和模拟退火相结合的新算法来快速求解全局最大熵.与简单遗传算法相比,免疫遗传算法采用了更佳的选择操作,以确保更多不同个体被选择来保存种群的多样性,而模拟退火机制用于拉伸免疫遗传算法的适应度函数.算法给出了选择概率的一般表达式,并采用精英策略和自适应的交叉、变异机制以改善算法的收敛性.基于IDL平台的100次仿真结果表明,三维大脑数据被成功地分为:脑白质、脑灰质和脑脊液三部分,且与简单遗传算法和传统免疫遗传算法相比,本文算法在稳定性和精确性上更具优势.     

GAPSO：一种高效的遗传粒子混合算法及其应用

在粒子群算法和遗传算法融合的基础上提出了一种新的算法(GAPSO).该算法模仿自然界的个体成熟过程,对遗传算法中的每一代群体中的优秀个体,采用粒子群算法获得进一步的提高,使算法获得比遗传算法和粒子群算法更加好的优化效果.在FCRNN设计应用中表明该算法确实比遗传算法和粒子群算法有更加好的效果.     

虚拟维修拆卸序列智能规划研究

提出了基于虚拟拆卸Petri网的虚拟维修拆卸过程模型和基于混沌遗传算法的虚拟维修拆卸序列规划算法,解决了如何对虚拟维修拆卸序列进行智能规划的问题.基于拆卸优先矩阵和Petri网,提出了一种虚拟维修拆卸过程模型建立方法,研究了模型生成算法,运用多粒度可达图计算方法分析了可行拆卸序列,建立了拆卸序列规划目标函数,在改进遗传算法的基础上,提出了一种混沌遗传算法,该算法以遗传算法为主流程,利用混沌现象不重复遍历的特点优化生成初始种群,然后对每次迭代中的个体以一定的概率进行混沌优化,解决了虚拟维修拆卸序列规划效率不高的问题.经验证,虚拟维修拆卸过程模型和采用的混沌遗传算法能够有效解决虚拟维修拆卸序列智能优化的问题.     

基于RNPI的动态时滞网络主动队列管理算法

针对网络存在较大时滞和网络参数动态变化等问题,提出了一种鲁棒非线性PI主动队列管理算法。由流体流模型将动态网络推导为参数区间不确定一阶时滞系统,在确定使闭环系统稳定的非线性PI控制参数集合基础上,利用遗传算法寻找基于改进ITAE指标最优的PI控制参数。基于扩展到时滞系统的棱边定理,给出了RNPI算法的设计方法。仿真结果表明了该方法具有良好的控制性能,对网络区间不确定参数有较好的鲁棒性。     

具有模糊收益率的贷款组合优化决策

通过把贷款的收益率刻画为模糊变量,提出了贷款组合的优化决策模型,即均值-方差模型,模型中的贷款收益率可以是任意的模糊变量.对于贷款收益率是特殊的三角模糊变量的情况,给出了模型的清晰等价类,这些等价类模型可以用传统的方法进行求解.对于贷款收益率的隶属函数比较复杂的情况,设计了基于模糊模拟的混合优化算法求解模型.该算法集成了模糊模拟、神经网络、遗传算法和同步扰动随机逼近算法,既具有较强的全局搜索能力,又具有高效的局部搜索能力.经数值仿真,验证了算法的可行性.     

基于GMDH的“一步式”客户流失预测集成建模

在客户流失预测问题中, 客户数据的特征往往会影响模型的预测效果.分析了常用的“两步式”客户流失 预测方法的不足,提出了基于数据分组处理(GMDH)技术的“一步式”客户流失预测集成研究框架.该框架一方面 将数据预处理和客户流失预测建模过程进行集成,另一方面用多分类器集成策略进行客户流失预测建模.以客户数据类别分布不平衡的客户流失预测问题为例,构建了与数据特征相适应的“一步式”集成模型. 实证结果表明,该方法能够更有效地进行客户流失预测.     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。     

基于自组织算法的股市预测

在简要地介绍GMDH算法的基础上,讨论了基于自组织算法的股市预测问题。建立带移动平均的预测模型,使预测值可以逐个地得到。以上证指数为应用实例,实验结果表明了GMDH算法在股市预测中的有效性。     

China’s energy consumption forecasting by GMDH based auto-regressive model

It is very significant for us to predict future energy consumption accurately. As for China’s energy consumption annual time series, the sample size is relatively small. This paper combines the traditional auto-regressive model with group method of data handling (GMDH) suitable for small sample prediction, and proposes a novel GMDH based auto-regressive (GAR) model. This model can finish the modeling process in self-organized manner, including finding the optimal complexity model, determining the optimal auto-regressive order and estimating model parameters. Further, four different external criteria are proposed and the corresponding four GAR models are constructed. The authors conduct empirical analysis on three energy consumption time series, including the total energy consumption, the total petroleum consumption and the total gas consumption. The results show that AS-GAR model has the best forecasting performance among the four GAR models, and it outperforms ARIMA model, BP neural network model, support vector regression model and GM (1, 1) model. Finally, the authors give the out of sample prediction of China’s energy consumption from 2014 to 2020 by AS-GAR model.     

AC算法的EMD分解GMDH组合的预测模型及应用

引入EMD把含有多个震荡模式的数据分解为满足一定条件的多个单一震荡模式分量的线性叠加,对震荡模式分量应用非参数的AC算法,通过历史上相似时期的已知延拓进行预测,利用GMDH客观确定权重构建组合预测模型,并运用该模型结合原油期货数据进行实证。结果表明:用EMD方法改进AC预测模型提高了预测的准确性,在此基础上,GMDH的智能化权重的组合预测模型进行预测,结果显示,AC算法的EMD分解GMDH智能化权重组合预测精度更高。     

生鲜食品多阶段动态定价模型及算法

考虑消费者购买行为,建立生鲜食品多阶段动态定价模型,力图使零售价格能够动态地反映生鲜食品的价值波动,采用基于正负反馈机制的改进蚁群算法求解模型。通过不同算例仿真分析,表明该模型优于传统模型;同时将本文算法与其他3种算法进行对比,从收敛性能和运行时间方面证实本文算法更优。     

基于DLENN模型的沈阳地区PM2.5浓度预测

受到重工业发展规模、北温带季风气候、秋冬季燃煤取暖、机动车拥堵状况以及微观气象条件等各种因素影响,沈阳地区PM2.5浓度变化具有趋势性、周期性及随机性特征.针对上述三种特征,论文构建了一种集成双向长短期记忆网络的神经网络预测模型DLENN(Double-LSTM Ensemble Neural Network),内含的...     

GMDH-Based Outlier Detection Model in Classi?cation Problems

In many practical classification problems, datasets would have a portion of outliers, which could greatly affect the performance of the constructed models. In order to address this issue, we apply the group method of data handing(GMDH) neural network in outlier detection. This study builds a GMDH-based outlier detection(GOD) model. This model first implements feature selection in the training set L using GMDH neural network. Then a new training set L can be obtained by mapping the selected key feature subset. Next, a linear regression model can be constructed in the set L by ordinary least squares estimation. Further, it eliminates a sample from the set L randomly every time, and then rebuilds a linear regression model. Finally, outlier detection is realized by calculating Cook's distance for each sample. Four different customer classification datasets are used to conduct experiments. Results show that GOD model can effectively eliminate outliers, and compared with the five existing outlier detection models, it generally performs significantly better. This indicates that eliminating outliers can effectively enhance classification accuracy of the trained classification model.