一种改进的GMDH算法

传统GMDH算法在进行多变量非线性建模时耗时较长,一定程度上限制了它的应用范围.针对这个问题,提出了一种改进的GMDH算法,扩大了每一个初始输入元素的信息含量,采用随机分组建立中间模型的方式代替原算法枚举出所有两两组合中间模型的方式,减少了中间模型的数量,提高了建模效率.将改进算法应用于中国GDP的趋势预测,结果表明与传统GMDH算法相比,在不牺牲预测精度的情况下,改进算法效率更高.     

基于模拟退火遗传算法的GMDH网络模型

针对传统GMDH网络建模用最小二乘法辨识参数时容易陷入局部极小导致模型预测效果不理想的问题,提出将模拟退火算法与遗传算法结合起来,并引入到GMDH网络,用模拟退火遗传算法来辨识其部分描述式系数.描述了模拟退火遗传算法,构建了基于该算法的GMDH网络模型,并将该模型应用于泥石流预测的仿真研究,预测平均相对误差达到3.54%.结果表明,该算法既保证了全局寻优又防止了过早收敛,进一步提高了GMDH网络模型的全局与局部寻优能力.     

基于免疫遗传算法的GMDH网络模型及其应用

针对传统GMDH网络建模用最小二乘法辨识参数时常常陷入局部极小导致模型预测效果不理想的问题,提出将免疫算法与遗传算法结合起来,引入到GMDH网络,来辨识其部分描述式系数.给出自适应免疫遗传算法,构建了基于该算法的GMDH网络模型,并将IGA-GMDH模型应用于苏州一交叉口的交通流量数据的仿真研究.结果表明,该算法既保证了全局寻优和所求解的精度,又进一步提高了全局与局部寻优能力;所构建的IGA-GMDH网络模型比传统的GMDH网络预测精度高.     

基于改进GMDH的科技成果中试转化系统模型构建

基于科技成果中试转化运行原理,搭建中试系统机理模型,利用改进GMDH构建相应数学模型。改进GMDH将含有回归项线性相关检测的快速递归算法（FRA）代替传统最小二乘（OLS）进行GMDH多层建模的部分多项式求解,使用初始变量添加法避免有效神经元过早丢失。以改进的GMDH对上海市中试转化统计数据进行建模及仿真实验,结果表明,所建模型比传统GMDH模型精度高,泛化能力强。     

基于GMDH的VAR滞后选择方法及实证分析

在VAR的动态模型中，滞后数的选择是成功的关键。对于复杂系统建模，根据GMDH理论的有关数据，用计算机合理地调协变量与滞后变量之间的关系，确定模型的最优动态结构和最优滞后数，以提高预测的准确性。给出了VAR的传统方法与GMDH建模方法，应用经济变量进行实证分析，阐明了GMDH算法的优势在于比传统的方法更完善，预测效果更准确。     

基于模糊GMDH网络的交通流量预测模型

针对传统数据处理组合方法(Group method of data handling,GMDH)网络建模用最小二乘法辨识参数会导致模型预测效果不理想的问题,将模糊推理模型引入GMDH网络,以取代传统GMDH网络的部分描述(即完全二元二次多项式),提出了一种基于模糊GMDH网络的交通流量预测模型。计算机仿真结果表明,该模型预测平均相对误差仅为2.31%,小于传统GMDH网络模型预测平均相对误差3.35%,说明了该模型是有效的。     

基于GMDH的宏观经济短期预测模型

传统的宏观经济短期预测研究通常基于定量或定性预测模型,而GMDH 算法兼具定性定量的特点,建立了基于GMDH 自回归模型的混合预测模型数学模型来进行宏观经济短期预测,应用相关的统计数据做实证分析,将所得结果与传统GMDH模型、二次自回归模型进行了比较.结果表明,本文提出的混合预测模型具有良好的预测精度,是一种有效的宏观经济短期预测手段.     

基于GMDH-PSO-LSSVM中长期电力负荷预测

针对电力负荷预测粒子群优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型输入节点难以确定的问题,提出了一种基于数据分组处理方法(Group Method of Data Handling,GMDH)来优化PSO-LSSVM(Particle Swarm Optimization-Least Squares Support Vector Machine)的中长期电力负荷预测预测方法。该方法是首先利用GMDH算法获得LSSVM建模中的输入变量;然后利用基于自适应变异的PSO算法对LSSVM建模中的参数进行优化,选用某地区2008~2013年的历史数据作为模型的训练样本建立模型;最后使用训练好的GMDHPSO-LSSVM模型对2014、2015年的用电量进行外推预测。组合模型预测结果表明该方法达到了较高的预测精度,预测精度提高了2.21%。     

基于快速数据分组处理方法的改进研究

数据分组处理方法(GMDH算法)是一种模拟大脑辨识复杂非线性系统的算法。这种算法在对数据进行分组处理时具有较明显的优势。但是处理大数据时，当取恰当终止拟合条件，GMDH 算法又显得比较弱势。为此从 GMDH 运算的本质去解决算法的效率问题，给出了一种结合快速求解逆矩阵以达到快速求解拟合方程的目的的算法，并且利用外推准则，合理选取拟合结束条件及快速选择最佳模型的方法。在不改变 GMDH 算法准确度的情况下，研究了如何提高 GMDH 算法的计算效率
     

多变量改进GMDH及其在国民经济中的应用

提出了一种计算量小、建立的模型精度高的非线性建模法——带有多变量组合发生器的多变量改进GMDH。用以建立我国工农业总产值和国民收入的动态模型、预测我国将来的经济发展和分析工农业总产值翻两番应采取的政策。     

复杂系统稀异事件预测模型的自组织方法

提出了一类预测模型的一种自组织方法,这类模型适用于预测复杂系统中稀异事件的发生.为便于利用GMDH型算法来建立预测模型,引进了迟滞自变量的概念.一个关于某水域结冰日期的预测实例证实了该方法的有效性     

一种基于GMDH模型的神经网络学习算法

 从简要归纳与分析现有的神经网络模型的角度出发,讨论了GMDH网络模型的结构、特点及其输入输出关系.提出了一种基于GMDH模型的神经网络学习算法,详细阐述了该算法的主要设计思想与实现过程,并就算法停止准则和网络最佳层数问题进行了仿真研究.实践表明,该算法自组织性强,表现出了较好的泛化能力和稳定性.     

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     

基于数据处理分组法(GMDH)的遗传选择算法与数据挖掘克隆技术

数据处理分组法(GMDH)的多层算法(MIA)是通过利用遗传算法的选择程序来实现的,该算法包含了为获取更少误差而生成的最优神经元的克隆操作.选择程序根据适应度以及网络输入的某种概率从已有的神经元中为新神经元寻找父代.克隆实质是对最优神经元的克隆体参数进行稍微调整.从机器学习库选出实验结果表明,通过克隆操作进行基因改造后的GMDH网络表现得比其它方法优越.     

GMDH方法在混凝土强度预测中的应用

通过建立GMDH中使用最广泛的线性和非线性模型,对混凝土强度进行了预测测试,对模型的预测值与实际数据、传统的鲍罗米公式的预测结果进行了比较,结果表明,基于Knowledge Miner软件的GMDH方法能够充分考虑影响混凝土强度的各种因素,具有较高的精度,在混凝土强度预测以及建筑行业中具有广泛的应用前景.     

GMDH算法的终止法则研究

为了从理论上说明GMDH(Group Method of Data Handing)最优复杂度模型如何在推广能力与拟合精度之间达到平衡,用插值方法讨论了GMDH外准则值取得全局最小值时,对应的模型复杂度的位置.分析了模型在一定噪声水平下,已知训练集上的拟合能力与具有同一规律性的新数据上的推广能力关系,结果显示,GMDH最优模型的结构偏差与噪声影响的比值落在1的一个小领域内,其大小随噪声方差和外准则的变化而变化.说明,GMDH最优模型如何在拟合精度与推广能力之间达到平衡.     

成长型GMDH

本文提出成长型GMDH,先用少量数据建立一个局部预测模型,然后从增加的数据中吸收新信息修改模型,建立的模型能较精确地进行中长期预测。     

体育视频中基于语义推理的事件检测方法

为了对视频内容进行语义级别的事件分析和索引 ,进一步满足用户访问大规模体育视频库的需求 ,提出一种 3层次的视频语义推理方案。在最底层 ,提取视频特征 ,并提出一种视频语义片段自动分割算法 ;在第二层 ,把各语义片段映射到语义概念 ;在最高层 ,建立视频语义事件的有限状态自动机模型 ,进行事件推理和识别。实验结果表明 ,该方案可以有效地进行视频事件识别 ,检测的精度和速度都可以得到很好的保证