針對(duì)灰色（1,1）模型（Grey model（1,1）, GM（1,1））對(duì)非指數(shù)型數(shù)據(jù)序列預(yù)測精度低的問題,提出了一種灰色支持向量回歸（Grey support vector regression, GSVR）預(yù)測模型。該模型一方面通過參數(shù)累積估計(jì)、預(yù)測公式改進(jìn)和數(shù)據(jù)等維遞補(bǔ),對(duì)灰色模型進(jìn)行建模優(yōu)化,另一方面通過差分變異和混沌局部搜索改進(jìn)的粒子群算法,對(duì)支持向量回歸機(jī)進(jìn)行參數(shù)優(yōu)化,再將二者相結(jié)合進(jìn)行預(yù)測。對(duì)柱塞套內(nèi)圓珩磨尺寸的預(yù)測結(jié)果表明,該模型的預(yù)測均方誤差為0.3913,平均絕對(duì)百分比誤差為4.90%,其預(yù)測精度較GM（1,1）模型顯著提高。 

【文章來源】：機(jī)械研究與應(yīng)用. 2019,32(02)

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引 言
1 ECIGM (1, 1) 模型
    1.1 IGM (1, 1) 模型
    1.2 ECIGM (1, 1) 模型預(yù)測步驟
2 SVRIPSO模型
    2.1 SVR模型
    2.2 IPSO算法優(yōu)化SVR模型參數(shù)
        2.2.1 混沌序列
        2.2.2 PSO算法
        2.2.3 IPSO算法實(shí)施步驟
3 GSVR模型
4 實(shí)例驗(yàn)證
    4.1 珩磨尺寸數(shù)據(jù)
    4.2 運(yùn)行參數(shù)設(shè)置
    4.3 珩磨尺寸預(yù)報(bào)
        4.3.1 ECIGM (1, 1) 珩磨尺寸預(yù)報(bào)
        4.3.2 GSVR珩磨尺寸預(yù)報(bào)
    4.4 預(yù)測結(jié)果分析
5 結(jié) 論



本文編號(hào)：3464940