测精度与增加预测稳定性和结果的可靠性的目的。在典型的单项预测中，对于预测的开始阶段，选择正确的预测模型或方法很困难，般采用所有模型来尝试比较，很难找到最佳模型，组合方法使得模型沈阳航空航天大学毕业设计论文选择问题相对容易些，许多经验包括许多长期预测表明，通过组合不同的模型，预测精度通常比单个模型有所提高，而不用去找真实或最佳模型，而且组合模型对于数据结构的变化具有更强的鲁棒性。可弥补单预测方法不准确的缺陷，减少风险性。事实上，组合预测本质上是将各种单项预测看作代表不同信息的片段，通过信息的集成，分散单个预测特有的不确定性和减少总体不确定性，从而提高预测精度。组合预测相对于单项预测具有更高的预测性能，出现预测误差的风险更小。每个预测模型不可避免地存在着种缺点，例如神经网络模型，要求是大量样本且要具有较好的分布规律。灰色预测模型，当数据离散程度越大，数据灰度越大，预测精度就越差。本文是将灰色预测模型支持向量机预测模型和灰色神经网络模型分别进行加权组合，权系数是以方差最小作为优化标准而求得。对于航空发电机寿命组合预测问题，通过优化组合，综合了两类趋势预测模型的优点，使得预测模型信息更加全面，预测结果更加可靠。组合预测方法是对同个问题，采用两种以上不同预测方法的预测。它既可是几种定量方法的组合，也可是几种定性的方法的组合，但实践中更多的则是利用定性方法与定量方法的组合。组合的主要目的是综合利用各种方法所提供的信息，尽可能地提高预测精度。组合模型的建立本文利用的是加权组合预测，在组合预测中，权重选取十分重要，合理的权重会大大提高预测精度。根据不同预测方法的预测的准确度的不同来进行权值的求解。综合了两类趋势预测模型的优点，使得预测模型信息更加全面，预测结果更加可靠。设为组合预测值，其实际观测向量为,，令指数第种预测模型预测值为,，预测误差为,，第二种预测模型预测值为,，预测误差为,，则组合预测值以及组合预测误差,分别为式中，分别为指数回归模型与灰色预测模型权重系数，且，，，则组合预测误差平方和最小值为令运用最小二乘法原理，分别对，求导，得令，，则可得因此可得可以证明，。这表明组合预测优于单项的预测方法。组合预测试验研究为了说明建立的组合预测模型的精度，利用上节所建立的组合预测模型分别对灰色系统支持向量机和灰色神经网络预测方法进行组合，本文是针对航空发电机的些性能参数转速负载进油温度出油温度进口压力的变化来预测发电机注油压力变化的趋势。当注油压力的值小于定值时就视为发电机不可以继续使用。以下分别详细介绍该组合试验的部分研究结果。灰色系统与支持向量机组合预测首先利用组合预测模型来研究灰色系统和支持向量机两种方法，本文灰色系统所建立的预测模型是多变量的灰色模型较好的改变了单变量的局限性问题。试验所提供的原始数据共组，每组个数据，利用转速负载进油温度出油温度进口压力组数据建立模型，再用注油压力的前个数据进行模型的训练，通过语言编程调试预测的结果如图所示沈阳航空航天大学毕业设计论文灰色预测结果图时间注油压力原始数据预测数据图灰色预测结果图通过灰色预测的结果图可以看出，灰色预测的趋势并不是很理想，与标准值存在定的误差。本文支持向量机是采用的支持向量回归机的模型进行预测的，同样利用上述的原始数据进行预测，该模型利用注油压力的前个点进行训练模型，得到的预测结果如图所示预测结果图时间注油压力原始数据预测数据图支持向量机预测结果图由图上可以看出由支持向量机预测得到的结果与标准值的变化趋势相同，预测的精度较高，达到了实际应用的要求。下面利用组合模型对灰色系统和支持向量机上述两种方法进行组合研究，利用两种方法的误差和预测值来进行组合模型中权系数的求解，通过对程序的调试，得到如下预测结果，如图所示组合预测结果图时间注油压力原始数据预测数据图灰色系统与支持向量机组合预测图从上图可以看出灰色系统和支持向量机组合后的结果，将两种方法的结果进行了优化，将灰色模型中偏差较大的点进行了组合处理，组合都得趋势及预测值的准确度都较好，该组合方式突出了组合预测的优势。该组合方式可以很好的反应发电机的寿命问题。灰色系统与灰色神经网络组合预测灰色神经网络采用的是灰色系统与神经网络并联的方式，最后将两种预测模型的结果进行加和平均，再输出给神经网络模型进行预测。该模型改进的点就是将并联的两种预测模型的预测结果进行了加和平均，这样的处理使预测的结果更精确，该模型的预测结果如图所示沈阳航空航天大学毕业设计论文为真实值，为预测值图灰色神经网络预测图由上图可以看出灰色神经网络的预测结果与标准值的变化趋势基本相同，并且较为接近。预测精度较高。下面利用组合模型对灰色系统和灰色神经网络进行组合研究，通过对两种组合模型的权值的求解得到的组合图形如图所示组合预测结果图时间注油压力原始数据预测数据图灰色系统与灰色神经网络组合预测图从图中可以看出，该种预测结果中有个点严重偏离了标准值，这两种模型的组合较单独的预测模型预测的趋势差些，但大部分点的预测精度还是较高的。支持向量机与灰色神经网络组合预测利用上述讨论的支持向量机和灰色神经网络模型进行组合研究，这两种预测方法本身的预测效果相对灰色系统来说较好，下图就是这两种方法组合后的预测结果，如图所示组合预测结果图时间注油压力原始数据预测数据图支持向量机与灰色神经网络组合结果图通过本图与单独预测的两种方法进行比较，不难看出，支持向量机和灰色神经网络组合的效果优于单独预测的结果。该组和方式可以很好的反应航空发电机的寿命的趋势，对工程实际应用有很强的实用性。三种预测模型组合利用组合模型先对灰色系统和支持向量机进行组合，两种组合的结果再与灰色神经网络进行组合，最终组合的结果如图所示沈阳航空航天大学毕业设计论文组合预测结果图时间注油压力原始数据预测数据图三种预测模型组合结果图由上图可以看出，三种预测模型组合的效果较好，可以很好的反应出航空发电机注油压力变化的趋势，具有较好的实用性。本章小结,计算原始数据初值化后序列的级比范围，得到级比序列，判断初值化序列能否准确建模计算原始数据初值化后序列的级比范围，得到级比序列，判断初值化序列能否准确建模多变量灰色预测模型，从初值化序列中取出待处理数据矩阵生成原始数据的次累加序列沈阳航空航天大学毕业设计论文生成序列,生成序列由最小二乘法生成元阶微分方程的两个待定参数矩阵和，从而对原灰色模型进行白化求解元微分方程的连续时间相应并将其离散化，求出原始数据预测后的次累加数据，记数组为对数组进行次累减还原，得到对原始数据的预测值数组，记为灰色预测结果图原始数据,预测数据显示图例时间注油压力沈阳航空航天大学毕业设计论文附录Ⅱ支持向量机模型程序清单,