灰色神經網絡與支持向量機預測模型研究.pdf

1、古人云“凡是預則立，不預則廢”，為了促進經濟、社會的高效穩健的發展，研究分析現有的社會經濟狀態，以事物發展的歷史和現狀為出發點，以調查研究資料和統計數據資料為依據，在對事物發展進行深入的定性分析和嚴密的定量計算的基礎上，研究并認識事物的發展變化規律，進而對事物的未來變化預先作出科學的推測是相當必要的。將多種預測方法結合起來，較之單一的預測方法來說可更大限度的綜合利用各種方法所提供的信息，盡可能地提高預測的精度。 本文主要介紹了灰

2、色神經網絡和支持向量機兩種預測模型的理論基礎和建模過程。通過比較、分析灰色系統與神經網絡的區別與聯系、支持向量機與神經網絡的區別與聯系，得出灰色系統、神經網絡、支持向量機三者具備結合的可能性且結合后的組合預測模型的效率比單一模型要高的結論。 本文提出兩種新型預測模型并將新型模型應用到實際系統中以檢驗模型的預測精度及其泛化能力。第一個模型是基于結構風險的灰色補償神經網絡模型（GRBFNN），其核心思想是將結構風險最小化原則應用到R

3、BF神經網絡的建模過程中，利用支持向量直接獲得RBF函數中心和隱藏層節點數。然后用基于結構風險的RBF神經網絡去補償灰色GM（1，1）模型，從而達到得提高神經網絡預測精度和泛化能力的目的。第二個模型是基于灰色關聯的灰色支持向量機模型，其核心思想是利用灰色系統理論中的主要方法之一灰色關聯度（GRA）從模型的眾多因子中篩選出主因子，然后將主因子作為輸入因子利用灰色系統理論中的一階生成數列（1—AGO）建立灰色支持向量機預測模型（GSVM）。