灰色神经网络预测模型的优化研究

合集下载

自组织灰色神经网络中基于电力系统短期负荷预测方法应用研究

自组织灰色神经网络中的基于电力系统短期负荷预测方法应用研究摘要:基于自组织灰色神经网络中的电力系统异常短期负荷数据辨识与修正方法应用,然后分别进行前向自组织灰色插值法和后向自组织灰色插值法对缺失点短期负荷进行预测,来优化两种预测的最优组合来确定最终的填补值;在填补短期负荷缺失点的同时,也对短期负荷序列中的异常值使用自组织灰色插值方法进行了辨识及修正。

关键词:电力系统; 短期负荷预测; 预测方法; 实际应用随着计算机应用技术与电力系统短期负荷预测快速发展,在自组织灰色神经网络的非线性动力学性质,主要采用动力学系统理论来分析电力系统短期负荷预测自组织灰色神经网络的演化过程和吸引子的性质,促进自组织灰色神经网络的协同行为和集体计算功能和电力系统短期负荷预测以及电力系统发电计划的重要组成部分,也是电力系统经济运行的基础管理。

促进国家电网运行的安全性、稳定性及经济性,优化电能质量控制及准确的优化电力系统短期负荷预测效果。

因此,在电力系统短期负荷预测的关键是提高定位精确度。

在当前电力发展迅速和供应紧张的情况下,合理优化电力系统短期负荷预测也是我国实现电力市场的必备条件,具有重要的自组织灰色神经网络中的实用价值。

1 大规模电力系统短期负荷预测原理研究短期负荷预测包括两方面的含义对未来需求量的预测和未来用电量的预测。

电力需求量的预测决定发电、输电、配电系统新增容量的大小;电能预测决定发电设备的类型。

短期负荷预测的目的就是提供短期负荷发展状况及水平,同时确定各供电区、各规划年供用电量、供用电最大短期负荷和规划地区总的短期负荷发展水平,确定各规划年用电短期负荷构成不同的预测目的,短期负荷预测可分为超短期、短期和中长期的预测。

一般说来,一小时以内的短期负荷预测为超短期负荷预测,用于安全监视、预防性控制和紧急状态处理;日短期负荷和周短期负荷预测为短期负荷预测,分别用于安排日调度计划和周调度计划和月至年的短期负荷预测为中期短期负荷预测,主要确定电网的运行方式和设备大修计划。

灰色优化GM(1,1)和人工神经网络组合模型的江西省GDP预测应用

－７１・
到输小层各神经元的信息，经进一步处理后，完成
一
线性映射能力。
次学习的上向传．处理过程，由输出层向外界输Ｅ｝＿ｉｊ｝出信息处理结果。当实际输出与期望输出不符时，
２￣４ＧＭ（，１、￣１）模型。７ｌ
数据显示小较强的规律性【。虽然采用的Ｇ（，１６】Ｍ１）模型有一定的参考价值，但由于自身的理论缺陷，Ｇ１）型的预测值１际值之间仍存在较人的Ｍ（，１模实误筹。特别是数据序列不满足平滑性与指数规律性时，著变得尤为明显。Ｉ当发展系数ａ的绝对值误而ｉ较人时，模型预测精度较筹，无法＿中Ｋ期预洲，ｒ也不宜作短其预洲。玎１
网络组合预测模型，兼具有优化Ｇ（，）模型适Ｍ１１
｝发展系数范围较人的优点，和人神经网络在不｛ｊ
确定冈素预洲方面的优点。它把较Ｇ（，１模模Ｍ１）
拟精度更高平适戍性更强的灰色优化Ｇ（，）模掣 ¨ Ｍ１１和人ｌ神经网络的方法相结合，￣效融合＿灰色理彳『『
形，特别是当发展系数绝对值较大时也可：中长ｒ、期预测。Ｊ也有学者［１把灰色模型和其他预测方法结合，８３－１从而产生一种新的组合预测方法。但此类方法多为
的增长规律并为决策者提供有价值的信息，以便对

基于神经网络实现的改进灰色组合预测及应用

先对残差数据正数化（每个数据加上最小的负数
的绝对值后再加上一个正的常数后化成正数）然，后对残差建立灰色模型修正，最后再还原数据，即每个数减去刚才加上的数得预测结果
由于ＧＭ（，）型是一个指数函数，１１模比较适合数
据增长较慢的情况，实际数据很难严格按指数而
规律变化，致进行长期预测时，长率过快，导增预测精度变低。另外它对序列数据出现异常的情况考虑不够，因此ＧＭ（，）型在实际应用中普遍１１模存在预测精度差的问题。为此，文采用马尔可夫本
形［，神经网络系统建模上，Ｐ神经网络被认５在］Ｂ
１改进的Ｇ（，）型Ｍ１１模
设有变量为 ∞ 的原始非负数据序列 ∞按文
献［］１的方法建立Ｇ１１模型，Ｍ（，）得出预测值和残差数列，若残差数列全为正，直接建立ＧＭ（，）１１
建立结构为３Ｂ层Ｐ神经网络寻求最佳预测结果，取输入层节点数为改进型ＧＭ（，）１１模型个数即预测值组数，隐含层节点数取２＋１附近处值，
维普资讯
１Ｏ
交通与计算机
２００６年第６期第２４卷
法修正残差．按等维新息的思路建立多个改进型ＧＭ（，）１１模型，并提出了基于神经网络实现的改进型灰色组合预测模型及预测算法。仿真分析表明，通过该模型可以寻求到多个改进型Ｇ１１测；马尔可夫链；残差；等维新息灰色模型；神经网络

人工神经网络在预测模型中的应用研究

人工神经网络在预测模型中的应用研究人工神经网络是由神经元组成的计算模型，可以通过学习和训练，模拟人类大脑的工作原理。

它是一种重要的机器学习方法，已经广泛应用于预测模型中。

本文将重点探讨人工神经网络在预测模型中的应用研究。

一、人工神经网络的基本原理人工神经网络模拟生物神经系统的处理过程，将输入信息通过许多神经元的处理，产生输出结果。

一个人工神经网络通常由三部分组成：输入层、中间层和输出层。

输入层接收输入数据，中间层处理数据并进行特征提取，输出层产生预测结果。

人工神经网络的学习过程通常需要两个阶段：训练和测试。

在训练阶段，神经网络通过反向传播算法更新各层之间的权重和偏置值，以减小预测误差。

在测试阶段，用未知的数据集来测试训练好的神经网络，评估其预测准确性。

二、人工神经网络在预测模型中的应用1. 股票价格预测基于历史数据，人工神经网络可以预测股票价格的走势，帮助投资者做出更好的决策。

使用多层感知器（MLP）模型在多个金融市场的实验结果表明，人工神经网络在股票价格预测方面具有较好的准确性。

2. 气候变化预测气候变化预测是基于历史气象数据和气候模型进行的。

人工神经网络可以帮助建立气候模型，预测未来气温、降雨量等气象变化趋势。

在气候变化预测领域，使用递归神经网络（RNN）模型和长短时记忆神经网络（LSTM）模型进行研究，取得了良好的结果。

3. 产品销售预测通过人工神经网络对历史销售数据进行分析，可以预测未来销售情况。

这种预测可以帮助企业制定正确的生产计划，并优化其供应链，从而节约成本。

在销售预测领域，使用循环神经网络（RNN）模型和卷积神经网络（CNN）模型也获得了不错的预测效果。

4. 肺癌患者生存期预测人工神经网络可以结合医学数据，预测肺癌患者的生存期。

使用灰色神经网络（GMNN）模型可以对肺癌患者进行生存预测，从而为医生制定更好的治疗计划提供参考。

三、人工神经网络的局限性尽管人工神经网络在许多预测模型中表现出了良好的预测能力，但是它也存在一些局限性。

灰色建模方法及其在预测中的应用

02
灰色建模方法
GM(1,1)模型
核心思想
GM(1,1)模型是灰色系统理论中的一种重要建模方法，其核心思想是利用已知信息对未知信息进行预测。
特点
GM(1,1)模型具有简单易行、精度高、适用范围广等优点，特别适用于数据量少、信息不完全、结构不明确的情况。
建模步骤
GM(1,1)模型的建模步骤包括数据收集、数据预处理、建立模型、模型检验和预测等环节。
可检验性强：灰色预测模型的结果可以通过实际数据进行检验，从而保证预测的准确性和可信度。
适用范围广：灰色预测模型可以应用于各种领域，如经济、社会、环境、医学等，具有广泛的应用价值。
所需数据少：灰色预测模型只需要较少的数据就可以进行建模和预测，特别适合在数据量不大的情况下进行预测。
计算简单：灰色预测模型的计算相对简单，不需要复杂的数学运算和计算机编程，方便使用者进行计算和分析。
灰色马尔科夫模型
结合方式
灰色马尔科夫模型是将灰色系统理论与马尔科夫链相结合的一种建模方法。
适用范围
灰色马尔科夫模型适用于研究具有不确定性和随机性的系统，特别是在经济、社会、环境等领域中具有广泛的应用。
建模步骤
灰色马尔科夫模型的建模步骤包括数据收集、数据预处理、状态划分、建立模型、模型检验和预测等环节。
03
灰色建模方法在预测中的应用
经济预测
工业总产值预测
通过灰色建模方法，利用历史工业总产值数据，建立预测模型，对未来工业总产值进行预测和分析，为制定经济政策提供参考。
能源需求预测
基于灰色预测模型，利用历史能源需求数据，对未来能源需求进行预测，为能源规划和管理提供依据。
农产品价格预测

基于灰色理论的BP神经网络入侵预测模型

ｌｓｔａｎｎｔｅｎｄｈｅｅｓｒｉｉｇｉａｔｍｏｅｐｒｄｃｉｎｍｒｅｉｔｐｅｏｍａｅｏｄｉｉｎ．ｏｆｒｒｎｃｃｎｔｏ
Ｋｅｗｏｒｙｄｓ：ＢＰｎｅｒｌｎｅｗｏｋ；ｇａｅｏｎ；ｐｒｄｃｔｎｕａｔｒｒｙｎｕｒｓｅｉｉｏ
Байду номын сангаас
大。巩林明等［出了小波与灰色预测组合的预测法对网络流量进行预测，先对观测序列进行小波分解预处３】提首
理，将处理后的数据经灰色平移后，进行重构预测。从实际运用结果来看，再该方法具有较好的网络入侵预测
效果。针对传统的流量时间序列模型只适合于分析平稳过程及特殊的非平稳过程，以刻画大规模网络的复难
ＣｍｐｒｏｗｉｔｅｍｏｅｓｔａｎｒｓｏｆｒｃｓｄｌａｅＧｒｙｈｏｙｂｓｄｎＰｎｕａｎｔｒａｇｒｈｎｅｅｏａｉｎｓｔｏｈｒｈｄｌｈｔＩｔｉｎｏｅａｔｍｏｅｂｓｄｕｅＴｅｒａｅｏＢｅｒｌｅｗｏｋｌｏｉｍｅｄｄｔ
基于灰色理论的ＢＰ神经网络入侵预测模型
王慧
（州职业技术学院信息工程系，西柳州５５０）柳广４０６
摘要：提出一种基于灰色理论ＢＰ神经网络的网络入侵预测方法。针对传统的预测方法难以高效预测大规模网络的复杂攻击行为，利用基于灰色理论的ＢＰ神经网络算法，网络传输中的数据包建立模型、析和检测识别，果表明了改进后的入侵预测模对分结

基于改进灰色神经网络的故障预测方法研究

ＹＡＮＧＳｅｎ，ＭＥＮＧＣｈｅｎ，ＷＡＮＧＣｈｅｎｇ
（Ｄｅｐｔ．ｏｆＭｉｓｓｉｌｅＥｎｇｉｎｅｅｒｉｎｇ，ＯｒｄｎａｎｃｅＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ，Ｓｈｉｉｆａｚｈｕａｎｇ０５０００３，Ｃｈｉｎａ）
ｔｈｅｋｅｙｃｏｍｐｏｎｅｎｔｓｏｆｅｌｅｃｔｒｏｎｉｃｅｑｕｉｐｍｅｎｔｉｓｔｈｅｇｕａｒａｎｔｅｅｏｆｓｙｓｔｅｍｒｕｎｎｉｎｇｉｎｎｏｒｍａｌｏｐｅｒａｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｔｈｉｓｐａｐｅｒｂｕｉｌｔａｎｄａｎａｌｙｚｅｄｔｈｅｇｅｎｅｒａｌｇｒｅｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｂｙｃｏｍｂｉｎｉｎｇｇｒｅｙｔｈｅｏｒｙａｎｄａｒｔｉｉｆｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｎｉｍｐｒｏｖｅｄｔｈｅｗｅｉｇｈｔｕｐｄａｔｉｎｇｓｔｒａｔｅｇｙｏｆｇｒｅｙｎｅｕｒａｌｎｅｔｗｏｒｋｂｒｔｈｅｍｅｔｈｏｄｏｆａｄｄｉｔｉｏｎａｌｍｏｍｅｎｔｕｍａｎｄｖａｒｉａｂｌｅｌｅａｒｎｉｎｇｒａｔｅ，ａｎｄｐｕｔｆｏｒ — ｗａｒｄａｆａｕｌｔｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｇｒｅｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅ１．Ｆｉｎａｌｌｙ，ｉｔｔｏｏｋａｖｏｈａｇｅｃｏｎｔｒｏｌｌｅｄｏｓｃｉｌｌａｔｏｒ

一个基于灰色神经网络组合的交通量预测模型应用研究

王秀，孙皓
（山东科技大学信电学院，东青岛２６１）山６５０
摘
要：模型在预测中对历史数据作不同取舍时，ＧＭ其预测值并不相同，即这种预测结果将是一个预测值的区间，
这就给预测人员的取舍带来一定困难。利用ＧＭ模型少数据建模和人工神经网络非线性逼近的优点把两种模型结合起来，对历史数据作不同取舍的ＧＭ模型的预测值和纯神经网络的预测值作为组合神经网络的输入，人工神用由
ａｄｇｎｒｔｎ，ｉｅｅｔｄｌａｅｅｔｂｉｈｄ，ｗｈｃｒｃｓｅｕｔｅｄｆｅｅｔｈｔｒｇｇｅｔｉｉｕｔｎｅｅａｉｏｄｆｒｎｆｍｏｅｓｒｓａｌｅｓｉｈｆｅａｔｓｌａｉｒｎａｉｒａｆｃｌｔｏｒｓｒｆｔｂｎｄｆｙｏｆｒｃｓｅｅｕｅｏｈｎｅｔｉｎｅｚｎｏｅａｔｒｕｔ．Ｂａｅｎｔｅｃｍｂｎｔｎｏｒｙｆｒｃｓｎｒｉｏｅａｔｒｂｃｓｆｔｅｕｃｒａｎｉｔｒｏｅｆ பைடு நூலகம் ｃｓｅｌａｓｓｓｄｏｈｏｉａｉｆｇｅｏｅａｔｄａｔｏａ —
Ａｓｒｃ：ｎｔｅｒｙｏｅａｔｇ，ｆｒｉｅｅｔｃｅｔｇｒｅｃｉｉｏｃｌａａａｄｔｒｕｈａｃｍｕａｉｂｔａｔＩｅｒｃｓｎａｔｆｒｎｌａｃｐｉｊｔｇｈｓｒａｄｔｏｇｃｕｌｏｈｇｆｉｅｄｆｙｎｏｒｅｎｔｉｎｈｔｎ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

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ＲＢＦ鼹络送行深入磷究鲶基蘧上，建立了灰色ＧＭ（０，Ｎ）与ＲＢＦ神缝阚络相结合的ＳＧＲＢＦ静态预测模型，此模型鬟嚣获毽ＧＭ（０，Ｎ）模型专门饕对“小样本静静蒋性汉及ＲＢＦ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ＧＭ（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ＤＧＲＢＦ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ＲＢＦ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ＧＭ（Ｉ，１）模型参数名进行麓藏隶簿，然器融合ＲＢＦ神经网络和改进的灰色ＧＭ（Ｉ，１）模型，构成两种不同结构的基予遗传算法的毅色ＲＢＦ预测模型，一转是灰色ＲＢＦ於偿颈测模型ＧＡ－ＧＲＪ３Ｆ，舅～静是灰色嵌入裂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，结果袭骥经过遗传算法优化豹ＧＲＢＦ模型都要优于单一的ＧＲＢＦ模型，势且ＧＡ—ＧＲＢＦ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ＲＢＦ预溅模型，优化，残差誊｝髅ＡｂｓｔｒａｃｔＧｒａｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｈａｓｂｅｅｎａｒｅｌａｔｉｖｅｌｙｗｉｄｅｒａｎｇｅｏｆａｐｐｌｉｃａｔｉｏｎｓｗｉｔｈｔｈｅｉｎｄｕｓｔｒｙｎｅｅｄｓｆｏｒｓｍａｌｌｓａｍｐｌｅｏｆｄａｔａｉｎｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇ．Ａｌｔｈｏｕｇｈ

ｔｈｅ

ｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｇｒａｙｓｙｓｔｅｍｔｈｅｏｒｙａｒｅａｐｐｌｉｅｄｗｉｄｅｌｙｉｎｉｎｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇ，

ｔｈｅｒｅｓｕｌｔｓｏｆｐｒｅｄｉｃｔｉｏｎｄａｔａａｒｅｕｎｓａｔｉｓｆａｃｔｏｒｙ．Ｏｆｃｏｔｌｒｓｅ，ｅｓｔａｂｌｉｓｈｅｄｇｒａｙｎｅｕｒａｌ

ｎｅｔｗｏｒｋｍｏｄｅｌｓｏｆｔｈｅｉｎｔｅｇｒａｔｉｏｎｏｆｔｈｅｓｅｔｗｏｍｅｔｈｏｄｓｈａｖｅｇｏｏｄｄａｔａｐｒｏｃｅｓｓｉｎｇ

ａｎｄｐｒｅｄｉｃｔｉｏｎ，ａｎｄｉｔｃａｒｔｍａｋｅｕｐｔｈｅｌａｃｋｏｆｏｎｌｙｕｓｉｎｇａｎｙｏｎｅｏｆｔｈｅｍ．Ｇｒａｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｉｓｓｉｍｐｌｅ，ｉｆｔｏｏｐｔｉｍｉｚｅｔｈｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍａｎｄｔｈｅｍｏｄｅｌｓｔｒｕｃｔｕｒｅａｎｄｐｅｒｆｏｒｍａｎｃｅ，ｗｅａｒｅａｂｌｅｔｏａｃｈｉｅｖｅｂｅａｅｒｒｅｓｕｌｔｓ。Ａｔｐｒｅｓｅｎｔ，ｍａｎｙ

ｓｃｈｏｌａｒｓｄｏｃｏｎｓｉｄｅｒａｂｌｅｒｅｓｅａｒｃｈｅｓａｂｏｕｔｏｐｔｉｍｉｚｉｎｇ舻ａｙｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｍａｄｅ

ｏｕｔｓｏｍｅａｃｈｉｅｖｅｍｅｎｔｓ，Ｏｐｔｉｍｉｚｅｄ

ｇｒａｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌＣａｎｄｅａｌｗｉｔｈ

ｕｎｃｅｒｔａｉｎｉｎｆｏｒｍａｔｉｏｎａｎｄｔｅｃｈｎｉｃａｌｄａｔａｔｏｉｍｐｒｏｖｅｆｏｒｅｃａｓｔａｃｃｕｒａｃｙ，ｉｔｈａｓｂｅｃｏｍｅａｖｅｒｙｉｍｐｏｒｔａｎｔｔｏｐｉｃ。

Ａｔｆｉｒｓｔ，ｔｈｅｐａｐｅｒｓｔａｔｅｓｔｈｅｃｈａｒａｃｔｅｒｓｏｆｓｍａｌｌｓａｍｐｌｅｄａｔａ，ａｎｄｔｈｅｎａｎａｌｙｚｅｓｔｈｅｃｏｍｐｌｅｘｉｔｙａｎｄｔｈｅｐａｒｔｉｃｕｌａｒｉｔｙｏｆｅｓｔｉｍａｔｉｎｇｓｍａｌｌｓａｍｐｌｅｓ，ｔｗｏ

ｍｅｔｈｏｄｓ

ａｒｅ

ｐｒｏｐｏｓｅｄｂｙｃｏｍｐａｒｉｓｏｎａｎｄｖａｌｉｄａｔｅ，ａｎｄｔｈｅｔｈｉｎｋｉｎｇ，ｗｈｉｃｈａｒｅｂａｓｅｄｏｎ琴够

ｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｔｅｃｈｎｏｌｏｇｙ，ｉｓａｄｏｐｔｅｄ．Ｉｎｔｈｅｐａｐｅｒ，ａＳＧＲＢＦｓｔａｔｉｃｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄｏｎｔｈｅｂａｓｉｓｏｆＲＢＦ（Ｒａｄｉａｌ

ＢａｓｉｓＦｕｎｃｔｉｏｎ）ａｎｄ

Ｇｒｅｙ

Ｍｏｄｅｌ（Ｏ，Ｎ）．ＴｈｅｍｏｄｅｌＣａｎｄｅａｌｗｉｔｈｔｈｅｐｒｅｄｉｃｔｉｏｎ

ｐｒｏｂｌｅｍｖｅｒｙｗｅｌｌ，ｂｅｃａｕｓｅｉｔｍａｋｅｓｕｓｅｏｆｔｈｅＲＢＦ＇ｓｇｏｏｄａｂｉｌｉｔｙｏｆｉｎａｐｐｒｏａｃｈｉｎｇ

ｎｏｎｌｉｎｅａｒｆｕｎｃｔｉｏｎ，ａｎｄｔｈｅａｃｃｕｒａｃｙｏｆＧｒｅｙ

Ｍｏｄｅｌ（Ｏ，Ｎ）ｉｎ

ｍａｋｉｎｇａｐｒｅｄｉｃｔｉｏｎｏｆ

ｓｍａｌｌｓａｍｐｌｅｄａｔａ＋ＡＤＧＲＢＦｄｙｎａｍｉｃｍｏｄｅｌｉｓａｌｓｏｅｓｔａｂｌｉｓｈｅｄｉｎｔｈｅ

ｐａｐｅＬ

ｗｈｉｃｈ

ｃａｎｓｅｌｅｃｔｔｈｅｂｅｓｔｉｎｉｔｉａｌｉｚａｔｉｏｎｃｏｎｄｉｔｉｏｎｓａｎｄｄｙｎａｍｉｃ

ｉｄｅｎｔｉ掰ｎｇｐａｒａｍｅｔｅｒｓａｎｄｉｓ

ｆｉｔｆｏｒｄｙｎａｍｉｃａｎｄｌｏｎｇ—ｔｅｒｍｄａｔａｐｒｅｄｉｃｔｉｏｎ。

ＷｈｅｎｃｏｍｂｉｎｉｎｇｇｒｅｙｓｙｓｔｅｍｗｉｔｈＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｌｏｃａｌｏｐｔｉｍｉｚａｔｉｏｎａｎｄ

ｃｏｎｖｅｒｇｅｎｃｅｐｒｏｂｌｅｍｓａｒｅｓｔｉｌｌｅｘｉｓｔｅｄ，ＳＯｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｓｉｎｔｒｏｄｕｃｅｄｔｏａｓｓｉｓｔｔｈｅｍｏｄｅｌｉｎｇｏｆｇｒｅｙｎｅｕｒａｌｎｅｔｗｏｒｋｉｎｔｈｉｓｐａｐｅｒ．Ｆｉｒｓｔｌｙｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｓｅｍｐｌｏｙｅｄ

ｔｏｓｏｌｖｅｔｈｅｐａｒａｍｅｔｅｒｓｏｆｉｍｐｒｏｖｅｄＧＭ（１，１）ｗｉｔｈＬａｇｒａｎｇｅ＇ｓＭｅａｎＶａｌｕｅＴｈｅｏｒｅｍ，ｔｗｏｎｅｗｄｙｎａｍｉｃｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓｉｎｔｅｇｒａｔｉｎｇｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｇｒｅｙＲＢＦ，ｏｎｅ

ｉｓａｇｒｅｙＲＢＦｃｏｍｐｅｎｓａｔｉｏｎｐｒｅｄｉｃｔｉｏｎ

ＧＡ—ＧＲＢＦｍｏｄｅｌ，ｔｈｅ

ｏｔｈｅｒｉｓｉｎｌａｉｄｇｒｅｙ

ｌｌｎｅｕｌ．ａ１ｎｅｔｗｏｒｋＧＲＢＦｍｏｄｅｌ．Ｔｈｅｎｅｗｍｏｄｅｌｓｗｉｔｈｐｒｅｆｅｒａｂｌｅｓｔｒｕｃｔｕｒｅａｎｄｐａｒａｍｅｔｅｒｓａｒｅａｐｐｌｉｅｄ

ｔｏ

ｓｉｍｕｌａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｔｉｍｅ—ｄｉｓｐｌａｃｅｍｅｎｔｄａｔａｏｆｗｉｎｄ

ｒｅｓｐｏｎｓｅ。Ｔｈｅｃｏｍｐａｒａｔｉｖｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｏｄｅｌｉｓｃａｐａｂｌｅ

ｏｆ

ｐｒｅｄｉｃｔｉｎｇａｓｍａｌｌｓａｍｐｌｅｏｆｄａｔａａｃｃｕｒａｔｅｌｙ，ｅａｓｉｌｙａｎｄｃｏｎｖｅｎｉｅｎｔｌｙ．

Ｋｅｙｗｏｒｄｓ：ＳｍａｌｌＳａｍｐｌｅＤａｔａ，ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｂａｓｅｄｇｒｅｙ

ＲＢＦｐｒｅｄｉｃｔｉｏｎ

ｍｏｄｅｌ，ｏｐｔｉｍｉｚａｔｉｏｎ，ｅｒｒｏｒｓｃｏｍｐｅｎｓａｔｉｏｎ独创性声明本人声明，所呈交的论文是本人在导师指导下进行鲍研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其缝入已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教育机构的学垃或证书面使用过的材料，与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说骐并表示了谢意。

学位论文使用授权书本人完全了解武汉理工大学有关罴窘、使用学位论文的规定，薹墨：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权武汉理工大学可以将本学应论文的全部内容缡入有关数据隼进行检索，可以采用影印、缩印或其他复制手段保存或汇编本学位论文。同时授权经武汉理工大学认可的国家有关机构或论文数据库使用或收录本学位论文，并向社会公众提供信息服务。（保密的论文在解密后应遵守此规定）

研究生乞签名）：签渗导师《：签名）：重孙旨期≯穸。ｆ沙