基于GM-RBF神经网络组合模型的水泥强度预测方法

 为预测煤矸石代黏土煅烧水泥的28 d 抗压强度性能,根据生产水泥的物检分析数据,将GM(1,N)预测技术和径向基函数（RBF）神经网络技术相结合,提出了基于GM-RBF 神经网络组合模型水泥强度预测的新方法。该组合模型首先利用试验产品的典型物检数据建立GM(1,N)网络,对数据进行预处理。然后将输入样本数据进行一次累加生成操作,并进行归一化,设置GMRBF神经网络组合模型预测精度和散步常数。经处理后的输入样本作为RBF 神经网络输入向量,相应的实测28 d 抗压强度作为模型的输出期望值开展训练,比较预测数据与实测数据,并进行调整,最终得到符合精度要求的GM-RBF 神经网络组合模型。该组合模型一方面避免GM(1,N)模型的理论误差,利用累加生成运算和样本数据的预处理,减少了由于训练样本随机性对建模精度产生的影响;另一方面由于具有自适应、自组织和速度快等特点,能快速预测水泥远期强度情况。仿真试验表明,该模型预测精度优于单个GM（1,N）模型或RBF 神经网络模型,具有较好的拟合性,适用于对水泥强度的预测,可以为煤矸石代黏土煅烧水泥的质量分析提供有效参考。     

基于GM-RBF不定权组合模型的输电线塔杆倾斜预测分析与应用

为了解决目前输电线塔杆倾斜姿态监测中出现的预测不准确、不及时和预测误报率高等问题，文章提出一种基于灰色模型-径向基函数(grey model-radial basis function, GM-RBF)不定权组合模型的输电线塔杆倾斜姿态预测方法，对昆明市某地区一处输电塔杆200 d的北斗逆向网络载波相位差分技术(real-time kinematic, RTK)数据，使用GM-RBF不定权组合预测模型对铁塔姿态进行预测。该方法不仅能有效规避灰色模型(grey model, GM)自身误差大的缺点，减弱神经网络中训练样本随机性对建模精度的影响，还可以消除因最小二乘定权组合影响整体模型精度的问题。实验表明：对于短期塔杆倾斜预测，GM-RBF不定权组合预测模型在X、Y、P向和倾斜角的预测精度与GM预测精度相当，优于径向基函数(radial basis function, RBF)神经网络模型和GM-RBF定权组合模型的精度；对于长期塔杆倾斜预测，GM-RBF不定权组合模型在X、Y、P向和倾斜角的预测精度分别优于GM预测模型约57.28%、48.07%、43.02%、42.08%,优于RBF预...     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

灰色神经网络交通事故预测比较

针对BP神经网络多变量输入难以确定的缺点,提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型,实例证明,该方法预测精度优于全输入BP神经网络预测。进一步提出了应用选优BP神经网络输入预测和GM(1,N)组合预测的模型,它结合了灰预测利用少数据累加生成建模,容易找出数据变换规律的特点和神经网络能很好地非线性逼近,又需要较全数据的特点。实证研究结果表明,该组和网络模型获得了更准确的预测值,模型新颖,具有更好的预测精度,可广泛应用于各种预测研究,有较高的推广价值。     

无偏灰色RBF神经网络组合模型在药品销售预测中的应用

针对药品销售的非线性和随机性;单一预测模型不能全面反映药品销售变化规律等缺陷;提出了一种无偏灰色GM(1,1)RBF神经网络组合预测模型.组合模型兼顾无偏灰色GM(1,1)模型和RBF神经网络模型的优点;并运用该模型对某种降压药销售进行仿真实验;结果表明;相对于单一预测模型;组合预测模型更加科学、可靠;更能准确描述药品销售的变化规律;提高了药品销售的预测精度;在药品销售预测中具有一定的实用价值.     

PSO-GM模型在拱坝变形预报中的应用

用PSO-GM模型来预测了拱坝变形情况.该模型通过粒子群算法优化灰色模型中背景值的权重系数r和指数灰元N,既保留了灰色模型要求样本数据少、短期预测精度高、可检验等优点,又弱化了线性GM(1,1)模型对累加生成的数据序列须成一定指数规律变化的要求,从而更具普遍性.通过工程实例计算验证可知,PSO-GM模型无论拟合精度还是预测精度都较一般线性灰色GM(1,1)模型好,可以为坝体位移监测提供参考.     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

压制生土砖强度的人工神经网络预测模型

为了获得压制生土砖抗压强度预测模型,针对成型压力、含水率、水泥含量及高厚比对压制生土砖抗压强度的影响,基于国内外研究中的91组压制生土砖抗压强度试验数据,分别建立了用于预测压制生土砖抗压强度的BP神经网络模型和径向基(RBF)神经网络模型,并将模型预测结果分别与试验结果及回归分析模型进行对比。结果表明:人工神经网络模型对压制生土砖抗压强度的预测精度显著优于回归分析方法;压制生土砖抗压强度与其配合比、成型压力及高厚比间存在复杂的非线性关系,回归分析模型不适用于解决此类复杂问题;BP神经网络模型的整体预测效果较好,但容易陷入局部最优;RBF神经网络模型能可靠地预测压制生土砖抗压强度,预测结果与试验结果比值的平均值为1.007,标准差为0.085,该预测模型具有较高精确度,能有效解决压制生土砖抗压强度与其影响因素间复杂的非线性关系,可为压制生土砖的配合比设计提供参考。     

基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.     

有机灰色神经网络模型在河流水质预测中的应用

针对灰色预测对波动较强的序列只能预测大致变化的缺陷,在分析河流水质动态变化的基础上,结合灰色理论中的GM(1,1),无偏GM(1,1)和RBF神经网络的特点,提出有机灰色神经网络预测模型,将灰色模型得到的数值作为神经网络的输入,原始数据作为神经网络的输出,训练得到最佳神经网络结构.以某地区河流水质为例,根据其变化规律,应用有机灰色神经网络模型进行预测,结果表明,该模型拟合误差小,预测精度高.     

基于遗传优化的BP神经网络水泥强度预测

为了提高BP神经网络预测模型对水泥强度值的预测精度,通过结合BP神经网络与遗传算法各自的优势,提出一种采用遗传算法优化的BP神经网络的水泥强度预测算法.利用遗传算法具有的全局优化搜索能力优化BP神经网络的各层节点连接权值与阈值,训练BP神经网络预测模型以求得最优解,并将训练以外的样本数据用于模型的有效性验证.仿真结果表明,该算法对水泥强度值预测具有较高的预测精度,同时可缩短网络收敛时间.     

RBF神经网络主成分分析法在交通量预测中应用

文章基于径向基函数(RBF)神经网络应用于交通量预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降这一问题,提出了一种改进的RBF神经网络主成分分析法。用实例证明,该方法在模拟预测中与一般的RBF神经网络模型相比有较好的效果。     

人工冻土单轴抗压强度灰色理论预测

人工冻土的物理力学指标是冻结法凿井中冻结壁设计参数和开挖的依据,为提高人工冻土单轴抗压强度预测的精确度与稳定性,利用灰色理论处理小样本数据的独特优势,结合影响人工冻土单轴抗压强度因素,提出了人工冻土单轴抗压强度的预测方法。针对传统的GM(1,1)模型预测产生的较大误差的缺点,增加了原始序列的光滑度,并优化了时间响应函数,建立了改进的GM(1,1)模型。结果表明,利用改进的GM(1,1)模型的预测精度优于传统模型。该模型为人工冻土单轴抗压强度的预测提供了一种新方法。     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

煤矸石的化学与温度复合活化及其胶凝性能

对煤矸石化学成分与煤矸石水泥的28 d抗压强度建立了GM(1.6)的差分方程.以探求不同化学成分对煤矸石水泥28 d抗压强度的影响.结果表明.煤矸石的化学成分中.对煤矸石复合水泥28 d抗压强度影响最显著的成分是CaO.故对煤矸石采用了化学增钙与热复合活化的方法.并对煤矸石不同化学增钙活化后复合水泥的28 d抗压强度性能及复合活化的历程进行了初步的研究.实验结果表明.当煤矸石中掺入适当比例的碳酸钙.经一定的温度热活化后.煤矸石复合水泥的28 d强度有一定程度的提高.     

神经网络组合模型在大坝位移预测中的应用

为了提高大坝位移量预测的精度,引入了粒子群优化神经网络的组合预测方法。该组合预测方法以灰色GM(1,1)、回归分析法的预测值及预测结果的平均值作为输入,实际的大坝位移量作为输出,来进行非线性组合。实例表明,粒子群优化神经网络组合预测法的均方误差为1.1946,平均绝对误差为0.7814,均小于单一模型及等权平均模型的相应值,适用于大坝位移量的预测。     

多种智能算法在混凝土配比优化中的应用研究

利用神经网络模型对混凝土强度进行预测得到了较广泛的研究,但由于高强混凝土组方数据的复杂性,其预测精度较差.本文首先利用自组织人工神经网络,根据混凝土试验样本数据的分布规律对其进行自然分组,然后对每组样本数据分别建立多层前向神经网络模型,利用该模型对混凝土强度进行预测,得到了较高的精度.     

灰色系统的弹箭系统研制费用估计模型的研究

对弹箭系统研制费用的估计常采用多元线性回归方程法。该方法要求有大量样本数据的情况 ,并且估计精度较差。在新型弹箭系统的研制中 ,由于样本数据较少 ,给研制费用估计带来一定的困难。该文应用灰色系统预测理论解决弹箭系统研制费用估计问题 ,建立了灰色系统GM预测模型和n次累加残差模型并对GM预测模型进行修正。通过实例计算能看出用较少的样本可以得到较高的预测精度。     

基于主成分分析的短期PV/T组件温度预测

为进一步提高光伏/光热(photovoltaic/thermal,PV/T)综合利用系统中PV/T组件温度预测精度,该文采用主成分分析法对原始输入样本数据进行预处理,提取主成分,并利用遗传算法优化BP神经网络结构,对组件温度数据建立预测模型。仿真结果表明,相对于未经主成分提取的神经网络,该方法使得网络模型在晴天和多云天气条件下的预测精度分别提高了7.68%和4.97%,使得网络模型预测精度更高,泛化性能更强。