灰色神经网络预测模型的优化研究.pdf

武汉理工大学硕士学位论文灰色神经网络预测模型的优化研究姓名：李小燕申请学位级别：硕士专业：计算机软件与理论指导教师：袁景凌20090501摘要针对小样本数据的髂息处理，灰色神经网络模燮的建立与应用越广泛领域与行业需要的虽然享串经网络与获包系统理论在信息处理方蕊已有了较为广泛的应用，键实际的数据处理效栗并不理想当然，将这两种方法敲合建立获色神经网络能弥补单～使用这两种模型的不足，达到良好的数撼处理和预测效果灰色神经麓络建模蕊摹，焉舞果憩砖学习算法及蒸模型蕊结翰窝卷麓遂行德纯，就可以使其能达到更好的效果同前，融有不少学者对灰色神经网络进行优化萋翼究并驳褥一定成果进行撬化瓣荻色神经瓣络摸型哥怼不确定蕊怠避z 亍处理以及提高各技术数据的预测精度，已成为～个很重要的课磁本文首先对小样本数据豹特点进行了磺究，然麟详细分檄了小样本数据颞测酹复杂性和特殊性，提出了将漪沿酶智麓方法——灰色预测方法和神经霹绦技术相结合的思想褰对灰色系统理论释耱经蘸络，茏其楚R B F 鼹络送行深入磷究鲶基蘧上，建立了灰色G M ( 0 ，N ) 与R B F 神缝阚络相结合的S G R B F 静态预测模型，此模型鬟嚣获毽G M ( 0 , N ) 模型专门饕对“小样本静静蒋性汉及R B F 爨络赛好翁霉} 线性函数满近能力，和不易陷入局部掇优解的特点来聪好的解决问题。

还建立了～静最饿霹始条件靛薪豫代滗G M ( I ，l ≥动态模型，并在j 避基础上建立～个更实爆、预测精凌更高的D G R B F 动态预测模型，此模型熊对小样本数据进行长麓动态的精确预测针对灰色系统结合R B F 静经潴络醚算法存在髑韶最谎耩收敛溉等溺莲，孳}入遗传算法来辅助优化灰色神经网络预测模型本文利用麒有的较强全局搜索毙力，虽收敛遮凄涣嚣遗赣算法对G M ( I ，1 ) 模型参数名进行麓藏隶簿，然器融合R B F 神经网络和改进的灰色G M ( I ，1 ) 模型，构成两种不同结构的基予遗传算法的毅色R B F 预测模型，一转是灰色R B F 於偿颈测模型G A - G R J 3 F ，舅～静是灰色嵌入裂G R B F 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，结果袭骥经过遗传算法优化豹G R B F 模型都要优于单一的G R B F 模型，势且G A —G R B F 模型建模蓠荤，预测精度高，实用性强关键谪：小样本数据，基于遗传葬法蘸荻色R B F 预溅模型，优化，残差誊} 髅A b s t r a c tG r a yn e u r a ln e t w o r km o d e lh a sb e e nar e l a t i v e l yw i d er a n g eo fa p p l i c a t i o n sw i t ht h ei n d u s t r yn e e d sf o rs m a l ls a m p l eo fd a t ai n f o r m a t i o np r o c e s s i n g ．A l t h o u g ht h en e u r a ln e t w o r ka n dg r a ys y s t e mt h e o r ya r ea p p l i e dw i d e l yi ni n f o r m a t i o np r o c e s s i n g ，t h er e s u l t so fp r e d i c t i o nd a t aa r eu n s a t i s f a c t o r y ．O fc o t l r s e , e s t a b l i s h e dg r a yn e u r a ln e t w o r km o d e l so ft h ei n t e g r a t i o no ft h e s et w om e t h o d sh a v eg o o dd a t ap r o c e s s i n ga n dp r e d i c t i o n ，a n di tc a r tm a k eu pt h el a c ko fo n l yu s i n ga n y o n eo ft h e m ．G r a yn e u r a ln e t w o r km o d e li ss i m p l e ，i ft oo p t i m i z et h el e a r n i n ga l g o r i t h ma n dt h em o d e ls t r u c t u r ea n dp e r f o r m a n c e , w ea r ea b l et oa c h i e v eb e a e rr e s u l t s 。

A tp r e s e n t , m a n ys c h o l a r sd oc o n s i d e r a b l er e s e a r c h e sa b o u to p t i m i z i n g 舻a yn e u r a ln e t w o r ka n dm a d eo u ts o m ea c h i e v e m e n t s ，O p t i m i z e dg r a yn e u r a ln e t w o r km o d e lC a nd e a lw i t hu n c e r t a i ni n f o r m a t i o na n dt e c h n i c a ld a t at oi m p r o v ef o r e c a s ta c c u r a c y , i th a sb e c o m eav e r yi m p o r t a n tt o p i c A tf i r s t ，t h ep a p e rs t a t e st h ec h a r a c t e r so fs m a l ls a m p l ed a t a , a n dt h e na n a l y z e st h ec o m p l e x i t ya n dt h ep a r t i c u l a r i t yo fe s t i m a t i n gs m a l ls a m p l e s ，t w om e t h o d sa r ep r o p o s e db yc o m p a r i s o na n dv a l i d a t e ，a n dt h et h i n k i n g , w h i c ha r eb a s e do n 琴够p r e d i c t i o nm o d e la n dn e u r a ln e t w o r kt e c h n o l o g y , i sa d o p t e d ．I nt h ep a p e r , aS G R B Fs t a t i cm o d e li se s t a b l i s h e do nt h eb a s i so fR B F ( R a d i a lB a s i sF u n c t i o n ) a n dG r e yM o d e l ( O ，N ) ．T h em o d e lC a nd e a lw i t ht h ep r e d i c t i o np r o b l e mv e r yw e l l ，b e c a u s ei tm a k e su s eo ft h eR B F ' sg o o da b i l i t yo fi na p p r o a c h i n gn o n l i n e a rf u n c t i o n ，a n dt h ea c c u r a c yo fG r e yM o d e l ( O ，N ) i nm a k i n gap r e d i c t i o no fs m a l ls a m p l ed a t a + AD G R B Fd y n a m i cm o d e li sa l s oe s t a b l i s h e di nt h ep a p e Lw h i c hc a ns e l e c tt h eb e s ti n i t i a l i z a t i o nc o n d i t i o n sa n dd y n a m i ci d e n t i 掰n gp a r a m e t e r sa n di sf i tf o rd y n a m i ca n dl o n g —t e r md a t ap r e d i c t i o n 。

W h e nc o m b i n i n gg r e ys y s t e mw i t hR B Fn e u r a ln e t w o r kl o c a lo p t i m i z a t i o na n dc o n v e r g e n c ep r o b l e m sa r es t i l le x i s t e d ，S Og e n e t i ca l g o r i t h mi si n t r o d u c e dt oa s s i s tt h em o d e l i n go fg r e yn e u r a ln e t w o r ki nt h i sp a p e r ．F i r s t l yg e n e t i ca l g o r i t h mi se m p l o y e dt os o l v et h ep a r a m e t e r so fi m p r o v e dG M ( 1 ，1 ) w i t hL a g r a n g e ' sM e a nV a l u eT h e o r e m ，t w on e wd y n a m i cp r e d i c t i o nm o d e l si n t e g r a t i n gg e n e t i ca l g o r i t h ma n dg r e yR B F , o n ei sag r e yR B Fc o m p e n s a t i o np r e d i c t i o nG A —G R B Fm o d e l ，t h eo t h e ri si n l a i dg r e yl ln e u l ．a 1n e t w o r kG R B Fm o d e l ．T h en e wm o d e l sw i t hp r e f e r a b l es t r u c t u r ea n dp a r a m e t e r sa r ea p p l i e dt os i m u l a t i o na n da n a l y s i so ft i m e —d i s p l a c e m e n td a t ao fw i n dr e s p o n s e 。

T h ec o m p a r a t i v ee x p e r i m e n tr e s u l t ss h o wt h a t t h i sm o d e li sc a p a b l eo fp r e d i c t i n gas m a l ls a m p l eo fd a t aa c c u r a t e l y , e a s i l ya n dc o n v e n i e n t l y ．K e yw o r d s。