石家莊風(fēng)機廠風(fēng)機運行狀態(tài)預(yù)測方法

 石家莊風(fēng)機廠 石家莊風(fēng)機 石家莊市風(fēng)機廠 石家莊風(fēng)機維修 石家莊風(fēng)機銷售

灰色系統(tǒng)理論將一切隨機變化量看作是在一定范圍內(nèi)變化的灰色量，常用累加生成和累減生成的方法，將雜亂無章的原始資料整理成規(guī)律性較強的生成序列，用灰色模型(GM--Grey Model)的微分方程進行預(yù)測，求解微分方程的時間響應(yīng)函數(shù)表達(dá)式即為所求的灰色預(yù)測模型，對模型的精度和可信度進行校驗并修正后，就可用模型預(yù)測未來。此法適用于短、中、長三個時間尺度的預(yù)測。優(yōu)點是在建模時不需要計算統(tǒng)計特征量，從理論上講，可以使用于任何非線性變化的問題的預(yù)測分析，其微分方程指數(shù)解適合于具有指數(shù)增長趨勢的資料；但對于具有其它趨勢的資料則有時擬合灰度較大，精度難以提高。
2.4.4 邏輯回歸預(yù)測
邏輯回歸 (Logistic Regression，LR)是一種多元統(tǒng)計方法，它主要適用于描述一組自變量 (independent variable)與具有二分性質(zhì)的響應(yīng)變量 (dependent or responsevariable)之間的一種最佳映射關(guān)系。其中，自變量可以是二分類的、連續(xù)性的、離散的或者是三者的混合，而響應(yīng)變量是二分類變量(例如發(fā)生或者不發(fā)生，通常用0或者l表示)，自變量與響應(yīng)變量的一類(如取正常值)的概率之間的關(guān)系呈S型曲線。對于任意自變量X，在其它自變量不變的情況下，隨著它的取值的不斷增大，響應(yīng)變量的概率p也會增大，一開始變化較慢，然后加速，最后又趨于平緩，但始終不會高。
邏輯回歸函數(shù)最早在1838年由比利時學(xué)者P. F. Verhulst首先提出；1920年美國學(xué)者柏爾和利德(Robert B. Pearl and Lowell J. Reed) 將其應(yīng)用于人口估計和預(yù)測中；1977年，Martin將邏輯回歸模型用于預(yù)測公司的破產(chǎn)及違約概率；隨后學(xué)者 Ohlson也將它應(yīng)用于信用風(fēng)險分析：1986年，Madalla 用邏輯回歸來判別違約與非違約貸款申請人。目前，邏輯回歸主要大量用于統(tǒng)計學(xué)以及生物醫(yī)學(xué)研究方面，比如健康狀況評價等。
回歸預(yù)測技術(shù)是一種應(yīng)用廣泛的預(yù)測技術(shù)，它是根據(jù)歷史資料的變化規(guī)律尋找自變量與因變量之間的回歸方程式，確定參數(shù)模型而做出預(yù)測。由于模型是基于歷史資料進行的回歸分析，能較好地擬合過去，但對未來地預(yù)測效果會隨時間地延長而減弱。運用該方法的優(yōu)點是預(yù)測過程簡單，參數(shù)估計技術(shù)比較成熟；缺點是線性回歸分析模型預(yù)測精度較低；而非線性回歸預(yù)測計算量大，預(yù)測過程復(fù)雜；目前常用于中期預(yù)測。
2.4.5 石家莊風(fēng)機廠風(fēng)機運行狀態(tài)預(yù)測方法
基于以上分析，支持向量機針對每個數(shù)據(jù)集的最佳核變換函數(shù)及其相應(yīng)的參數(shù)都是不一樣的，而且每當(dāng)遇到新數(shù)據(jù)集的時候都必須重新確定這些函數(shù)及其參數(shù)。在可能的取值范圍內(nèi)進行循環(huán)遍歷會有助于解決這一問題，但是要求我們有足夠大的數(shù)據(jù)集來完成可靠的交叉檢驗。從理論上講，可以使用于任何非線性變化的問題的預(yù)測分析，其微分方程指數(shù)解適合于具有指數(shù)增長趨勢的資料；但對于具有其它趨勢的資料則有時擬合灰度較大，精度難以提高。而神經(jīng)網(wǎng)絡(luò)是近年來得到快速發(fā)展的科學(xué)理論之一，它是由相互廣泛連接的自適應(yīng)處理單元組成的并行計算模型。由于神經(jīng)網(wǎng)絡(luò)在模式識別、市場經(jīng)濟預(yù)測、故障分類等領(lǐng)域取得成功。故此，本課題選用神經(jīng)網(wǎng)絡(luò)與 HHT 中的 EMD 相結(jié)合的預(yù)測方法。