基于灰色理论的地下水水质预测

针对地下水水质难以预测的问题,运用灰色理论对地下水水质进行预测,并用Matlab语言编制了程序,通过对实例的计算,得到的预测值与实际值的对比,证明了该方法的可行性。同时评价了GM(1,1)模型与等维灰数递补模型对于非单调变化的地下水水质的预测精度。预测结果表明:在地下水水质非单调变化情况情况下,等维灰数递补模型的预测精度要优于常规灰色模型GM(1,1)。     

改进GM(1,1)模型在城市流动人口预测中的应用

利用泰州市2003-2009年流动人口数据,建立GM(1,1)模型、残差GM(1,1)模型和等维递补GM(1,1)模型对流动人口数量进行预测.并用多种方法检验了三种模型的拟合效果.结果表明三种模型均能合理地对流动人口数量变化进行预测,但残差GM(1,1)模型和动态等维递补GM(1,1)模型拟合效果优于一般的GM(1,1)模型.     

基于灰色马尔可夫链的农民平均收入实证研究

将灰色理论和离散状态的马尔可夫链相结合,用灰色马尔可夫链对农村居民人均纯收入进行实证研究.针对灰色数据系列首先用GM(1,1)模型进行趋势预测,然后利用马尔可夫状态转移概率矩阵预报方法对其预测值进行二次拟合,得到马尔可夫链预测精度明显高于GM(1,1)模型预测.     

等维灰数递补模型在人口预测中的应用——以浙江省为例

介绍了GM(1,1)灰色模型的建模过程,应用等维递补方法对其进行修正,得到等维灰数递补模型,采用该模型对2010- 2020年浙江省总人口进行了动态预测.精度检验结果表明,模型预测精度较高、预测结果可靠.     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

高铁中基于改进GM(1,1)马尔可夫模型的频谱预测策略

针对现有高铁环境中沿线网络复杂且频谱利用率低的问题,将具有人工智能特性的认知基站引入高铁无线通信,并提出一种新的改进灰色GM(1,1)马尔可夫模型对频谱进行预测.与其他方法不同,分别从主用户到来时间及其持续时间两方面进行预测,建立信道的占用/空闲模型.通过新陈代谢GM(1,1)对历史序列的1步预测结果进行对比,得到最佳历史序列个数,并对最佳序列预测值利用二次加权马尔可夫模型进行校正,该校正模型分别对各步长的转移概率和各概率的转移状态进行加权,使其更加适应真实的高铁无线通信场景.通过MATLAB实验仿真,将新的改进GM(1,1)马尔可夫模型与灰色关联度模型的拟合程度和1步预测精度进行对比.结果表明,就时间序列预测而言,该模型对历史序列的拟合程度及1步预测精度更高.因此,该模型能够有效进行频谱预测,提高预测性能.     

非等间距GM(1,1)组合预测模型

根据灰色模型建模特点,利用等维灰色递补动态预测模型的方法建立了非等间距GM(1,1)预测模型。基于这些GM(1,1)预测模型给出了一类非等间距GM(1,1)组合预测方法。实例表明结果理想可靠,有较高的拟合和预测精度。     

改进的灰色模型在城市工业需水量预测中的应用

目的 为进一步提高城市工业需水量预测的应用水平.方法 综合分析灰色GM(1,1)模型在需水预测应用中存在的问题,结合残差修正以及等维递补的原理,建立了改进的灰色模型以对城市工业需水量进行预测.结果 基于两种不同的灰色模型,得出了宝鸡市城市工业需水量的两组不同的预测值,并对该预测结果进行了精度检验与对比分析.结论 建立改进的灰色模型通用性较好,在数据变化较大的情况下使用,仍具有较好的预测精度,取得了较为满意的预测结果,有益于区域水资源综合规划以及中长期供水计划的制定.     

2E12铝合金板材疲劳寿命的灰色预测

2E12铝合金是一种比较理想的飞机蒙皮材料,为了更好地预测2E12铝合金的疲劳寿命,文章以2E12试件为研究对象,进行疲劳试验,获得材料的S-N曲线,利用灰色系统理论建立GM(1,1)模型和等维灰度递补GM(1,1)模型,生成预测模拟值,将模拟值和试验数据进行残差检验,验证预测数据的准确性,从而得出模型预测S-N曲线。计算表明,GM(1,1)模型和等维灰度递补GM(1,1)模型的预测模拟值与初始数据基本一致,模型预测S-N曲线与材料S-N曲线吻合程度较高,因此,可通过以上模型实现对2E12铝合金板材的疲劳寿命预测。     

数控机床热误差变参数GM(1,1)的建模

为提高数控机床的加工精度,减少热误差对零件加工质量的影响,对热误差变参数灰色GM(1,1)在线预测模型进行研究.变参数灰色GM(1,1)在线预测模型能直接运用热误差时间序列值进行单序列建模,并给出模型参数的逐步迭代公式,根据不断输入的新数据,变参数模型能利用迭代公式,及时修正模型参数.以某精密卧式加工中心为研究对象,对所提出的变参数灰色GM(1,1)模型进行应用验证,并与传统的,1)模型和新陈代谢GM(1,1)模型进行对比研究.对比分析的结果表明:变参数灰色GM(1,1)模型很好地解决了传统的GM(1,1)模型难以预测大样本数据和非线性变化趋势的问题,且比新陈代谢GM(1,1)模型建模运算量小、求解时间短.变参数灰色GM(1,1)模型的预测值与实验结果对比表明,该模型预测精度高、通用性好,适用于机床热误差建模预测,进而提高机床的加工精度.     

基于灰色理论的机械设备智能状态预测

提出了基于灰色理论并与神经网络有机结合的机械设备智能状态预测方法，着眼于机械设备“内在”规律的研究，根据机械设备自身历史数据建立动态微分方程，并预测自身的发展，具有数据量小，计算简单、预测准确的特点，该方法已在实际工程中应用，结果表明方法是行之有效的。     

一种带有调节因子的背景值构造方法及在灰色系统建模中的应用

针对传统灰色GM（1,1）模型和已有的若干改进GM（1,1）模型在高增长指数序列建模时模型精度较低的问题,构造了一种带有调节因子λ的新背景值公式,提出了调节因子λ的优化方法,并应用于灰色系统建模中.大量的数字仿真表明：基于调节因子λ建立的新GM（1,1）模型,即使是在发展系数较高、且用于多步预测时精度仍然保持较高,它较传统GM（1,1）模型和已有的改进GM（1,1）Ⅰ,Ⅱ型均有显著地提高.     

基于自相关的GM（1，1）与GM（1，N）联合模型优化及应用

分析基于自相关理论的GM（1,1）与GM（1,N）联合模型,将仅适合GM（1,1）模型的数据拓展到适合GM（1,N）模型。用数值积分中的Simpson公式来重建GM（1,1）与GM（1,N）的联合模型,在参数辨识过程中引入累积法,降低线性方程组系数矩阵的条件数,使联合模型求解更加稳定,提高了模拟及预测精度,并且克服了原GM（1,N）模型必须获得预报时刻点相关数据列的值的缺陷,有利于新息GM（1,N）模型的应用。数值实验结果表明,优化后模型数值稳定性好,其系数矩阵的条件数在数值上比通用的最小二乘法有所降低,且模拟平均相对误差也有所降低,预测精度得到提高。     

一个基于背景值和初始条件优化的GM(1,1)模型

背景值和初始条件对GM(1,1)模型的拟合和预测有着极大的影响,通过优化模型的背景值,赋予边值条件为修正形式x (1) (n)+β,利用原始序列新预测值的误差在最小二乘意义下最小准则,从而得到了一个新改进的GM(1,1)优化模型.最后,通过计算实例验证了该优化模型具有极高的预测和模拟精度.     

GM(1,1)模型背景值构造的不同方法与应用

GM(1,1)模型的误差主要来源于背景值和初始值,因此提出3种不同的背景值构造方法分别为:把背景值的固定权改为变权构造背景值的方法、将数据序列抽象为指数函数构造背景值的方法、将数据序列抽象为非齐次指数函数构造背景值的方法,并以X(n)为初始值和新陈代谢方法来建立GM(1,1)模型.通过工程实例检验这3种不同背景值构造方法建立的GM(1,1)模型的预测精度.计算结果表明,将数据序列抽象为非齐次指数函数构造背景值建立的模型预测精度较高,可为类似工程提供参考.     

完全信息利用的GM(1,1)建模方法

通过对GM(1，1)模型的协调性分析，证明GM(1，1)模型的还原数据模型与原始序列的第一点无关，并在此基础上提出了一种可以完全利用全部已知信息的GM(1，1)建模方法，完善了灰色建模理论．实例证明完全信息利用的GM(1，1)建模方法能够获得较好的预测效果。     

基于有理插值公式GM（1，1）模型的背景值构造新方法与应用

本文通过分析GM（1,1）模型中的背景值,提出了用有理插值和数值积分中的梯形公式及外推法重构背景值,进而有效地提高模型的预测精度和适用性,最后将此方法应用到我国人均能源消耗量预测建模中,理论分析和应用实例表明了文章所提方法的有效性。     

一种改进的动态灰色GM(1,1)模型在深基坑形变监测中的预测分析

针对传统GM(1,1)模型在处理浮动较大数据时精度不高的问题,提出了一种基于背景值优化和残差改进的动态GM(1,1)模型。利用复化Simpson3/8求积公式取代传统的算数均值计算模式,再通过原始序列的新陈代谢来实现模型的动态更新,在此基础上联立残差GM(1,1)模型,得到改进后的GM(1,1)模型。结合某地铁深基坑沉降观测数据,并对比于传统GM(1,1)模型的预测结果,发现提出的改进后GM(1,1)模型具有更高的精度和更好的适用性。     

路面使用性能预测与统计分析

提出用重构背景值的GM(1,1)模型对路面使用性能试验数据进行预测,新的背景值计算公式的显著特点是使GM(1,1)模型具有对建模结果进行优化的能力,能获得最佳的拟合和预测精度。将获得的预测序列进行统计分析,为路面性能预测评价提供参考依据。实例计算结果说明,将重构背景值的GM(1,1)模型用于路面使用性能试验数据预测有很高的精度,为有效缩短试验时间提供了一个值得探讨的方法。同时从统计分析中可知,对数正态分布模型更适合于弯沉指标。