论文部分内容阅读
针对小样本数据的信息处理,灰色神经网络模型的建立与应用是广泛领域与行业需要的。虽然神经网络与灰色系统理论在信息处理方面已有了较为广泛的应用,但实际的数据处理效果并不理想。当然,将这两种方法融合建立灰色神经网络能弥补单一使用这两种模型的不足,达到良好的数据处理和预测效果。灰色神经网络建模简单,而如果能对学习算法及其模型的结构和性能进行优化,就可以使其能达到更好的效果。目前,已有不少学者对灰色神经网络进行优化研究并取得一定成果。进行优化的灰色神经网络模型可对不确定信息进行处理以及提高各技术数据的预测精度,已成为一个很重要的课题。本文首先对小样本数据的特点进行了研究,然后详细分析了小样本数据预测的复杂性和特殊性,提出了将前沿的智能方法——灰色预测方法和神经网络技术相结合的思想。在对灰色系统理论和神经网络,尤其是RBF网络进行深入研究的基础上,建立了灰色GM(0,N)与RBF神经网络相结合的SGRBF静态预测模型,此模型利用灰色GM(0,N)模型专门针对“小样本”的特性以及RBF网络良好的非线性函数逼近能力,和不易陷入局部最优解的特点来更好的解决问题。还建立了一种最优初始条件的新陈代谢GM(1,1)动态模型,并在此基础上建立一个更实用、预测精度更高的DGRBF动态预测模型,此模型能对小样本数据进行长期动态的精确预测。针对灰色系统结合RBF神经网络时算法存在局部最优和收敛性等问题,引入遗传算法来辅助优化灰色神经网络预测模型。本文利用具有的较强全局搜索能力,且收敛速度快的遗传算法对GM(1,1)模型参数λ进行高效求解,然后融合RBF神经网络和改进的灰色GM(1,1)模型,构成两种不同结构的基于遗传算法的灰色RBF预测模型,一种是灰色RBF补偿预测模型GA-GRBF,另一种是灰色嵌入型GRBF模型。以某智能监控系统采集的风响应时程数据进行仿真分析,结果表明经过遗传算法优化的GRBF模型都要优于单一的GRBF模型,并且GA-GRBF模型建模简单,预测精度高,实用性强。