[发明专利]基于博弈理论的灰色神经网络预测方法

说明书

本发明公开了一种基于博弈理论的灰色神经网络预测方法，包括如下步骤：(1‑1)用粒子群算法代替梯度修正法，对灰色神经网路参数进行修正；(1‑2)用多阶段动态预测博弈模型对灰色神经网络预测结果进行修正；(1‑3)求解多阶段动态预测博弈的混合策略完美贝叶斯均衡。本发明具有将使灰色预测模型与神经网络预测互为取长补短，优势互补，两者组合起来进行预测可提高预测精度，也增加了预测结果的可靠性和稳定性的特点。

技术领域

本发明涉及技术领域，尤其是涉及一种基于博弈理论的灰色神经网络预测方法。

背景技术

灰色预测模型GM(Gray Model)，是把原始数列进行累加或累减生成后，利用累加数列建立灰色微分方程而形成的预测模型。在建立灰色系统预测模型时，灰色系统理论是分五步进行的，即第一步语言模型，第二步网络模型，第三部量化模型，第四部动态量化模型，第五步优化模型。

随着时间的推移，GM将会不断地有一些随机扰动和驱动因素进入系统，使系统的发展相继的受到影响，造成GM模型在处理数据上的局限性。

在神经网络理论中，神经元是神经网络的基本处理单元，一般是多输入、单输出的非线性元件。目前神经网络模型已有几十种，按照不同的标准可划分为不同的类型：(a)按网络结构可分为前向型和反馈型；(b)按网络性能分为连续型和离散型、确定型和随机型；(c)按学习方式分为有导师型和无导师型。

神经网络的输出结果可以以某个精度逼近与一个固定的值，但是由于误差的存在，使得输出结果会以某个值为中心上下波动。

发明内容

本发明的发明目的是为了克服现有技术中的神经网络的输出结果以某个值为中心上下波动，灰色预测模型的局限性的不足，提供了一种基于博弈理论的灰色神经网络预测方法。

为了实现上述目的，本发明采用以下技术方案：

一种基于博弈理论的灰色神经网络预测方法，其特征是，包括如下步骤：

(1-1)用粒子群算法与灰色神经网络算法相融合，利用灰色神经网络的输出的均方差作为粒子适应度，实现参数的优化；

(1-2)用多阶段动态预测博弈模型对灰色神经网络预测结果的输出值的误差进行修正；

(1-3)通过多阶段动态预测博弈的混合策略完美贝叶斯均衡值，使得修正值更加接近实际值。

目前，预测稳定的网卡数据是控制服务器乃至数据中心网络稳定的关键一环。由于相关的预测的方法未在网卡上进行应用，而网卡是数据中心的网络稳定的重要一环，所以本发明对网卡进行预测。

通过对神经网络和灰色系统的研究，发现两者在信息的表现上存在一定的相似性。首先神经网络的输出对于系统而言，其输出结果可以以某个精度逼近与一个固定的值，但是由于误差的存在，使得输出结果会以某个值为中心上下波动，按照灰色系统理论中灰色的定义，可认为神经网络的输出实际上就是一个灰数。由此可知，神经网络本身就包含有灰色系统理论的内容。

由于灰色预测和神经网络预测各有优缺，本发明将使灰色预测模型与神经网络预测互为取长补短，优势互补，两者组合起来进行预测可提高预测精度，也增加了预测结果的可靠性和稳定性。

作为优选，步骤(1-1)包括如下步骤：