灰色GM（1，1）优化模型

在分析了GM（1,1）模型的建模机理的基础上,指出了传统建模方法存在的问题,同时给出了基于GM（1,1）的逐步优化模型的方法,该方法提高了模型的精度和适应性。     

交通事故预测的灰色GM（1，1）模型

通过对道路交通事故分析、预测方法的研究，指出了其缺陷．在分析道路交通事故的灰色性和中国道路交通安全数据库薄弱性的基础上，给出了灰色GM（1，1）模型，并对道路交通事故的死亡人数、交通事故数进行了预测，其结果是可信的．     

基于灰色理论GM（1，1）模型的vb程序实现及其验证

随着计算机的应用和普及，它与人们的生活、生产关系越来越密不可分，为我们带来了极大的便利。因此更好地驾驭计算机，我们才能更多地享受它为我们生活带来地便利，而对于我们工程人员来说提高我们计算机的使用水平使它服务于生产更是尤为地重要。提高计算机的操作水平是必须的，但有时这往往是不够的，很多情况我们所面临的问题没有现成的软件可供我们使用，需耍我们自己去利用计算机语言编写程序来提高我们的工作效率，并且可以将一些新的理论吸收进来被我们所用。     

灰色预测模型GM（1，1）的修正

应用样条函数对灰色预测模型ＧＭ（１，１）的残差序列进行插值，将插值后的残差表示式作用于微分动态模型，用最小二乘法则进行参数辨识，从而建立残差的时间响应式，并以此修正ＧＭ（１，１）模型。经实例检验，修正后的模型精度有显著提高。     

灰色新息GM（1，1）模型的递推算法

在研究新息ＧＭ（１，ｌ）模型传统算法的基础上，提出了灰色新息ＧＭ（１，１）模型的一种新算法─—递推算法。     

对灰色模型GM（1,N）的建模改进

灰色系统理论是我国学者邓聚龙教授提出的一种新型理论，已成功地应用到社会经济的各个领域。就整个理论体系看，灰色模型GM（1，N）应为灰色系统理论的核心部分，它是预测、决策和控制的基础。在笔者学习灰色模型理论和实际建模时发现，GM（1，N）模型对变量变化率王背景值的处理还有些武断，本文对此提出改进办法，供商榷。一、对GM（1，N）的建模改进GM（1，N）是一阶微分方程型的模型，它仅涉及一个变量的变化率。不失，般性，可以只讨论最简单的GM（1，1）模型。GM（1，1）模型的化形式是：dX于十ax一如．＿＿＿＿＿，，＿，＿d…     

初值修正灰色GM（1，1）模型的等价性

研究了初值修正灰色GM（1，1）模型的等价性问题．通过选取两个不同初始条件X3（1）＋β、β2X（1），分别得到两个初值修正GM（1，1）模型，并证明了它们的等价性；然后，推广初值修正GM（1，1）模型等价性，得到了结论更为一般的、初值条件为X1（f）＋β1和β2X（1）（i）的、两类GM（1，1）模型的等价性．这些结论不仅揭示了不同初值条件的GM（1，1）模型的本质联系，而且为进一步应用GM（1，1）模型提供了更大的选择空间．     

GM（1，1）模型分析股价趋势

用GM（1，1）等维新陈代谢模型来分析股价短期趋势，并根据GM（1，1）等维新陈代谢模型显示的趋势变化，指出了买入股票的最佳时机。     

基于GM（1，1）模型的趋势预测方法及其应用

基于灰色理论中GM(1，1)模型提出了一种新的预测方法(趋势预测)，再将其应用到组合预测中，运用遗传算法调整组合预测权系数从而得到最优解。通过实例证明，该方法是正确的，算法是有效的。     

可调式灰色GM(1,1)模型

灰色模型是灰色系统理论的重要内容,灰色预测、灰色决策、灰色评估等许多理论都是通过建立灰色模型来处理的,由于离散函数的导数不存在,因此,如何处理导数信号,是建立灰色模型的关键。本文根据灰色ＧＭ（１,１）模型的建模机理,指出现行建立模型方法的不确定切之处,给出处理导数信号即背景值的方法,由此导出可调节灰色ＧＭ（１,１）模型。     

基于灰色模型GM（1,1）的疲劳寿命预测

将疲劳现象看作是存在于一个灰色系统中,运用GM(1,1)灰色预测模型对某试样的疲劳寿命进行预测,采用此方法使预测误差由原来的57.5%减小到24.2%,预测结果趋于安全,这是传统疲劳寿命计算方法所无法办到的。     

灰色GM（1，1）模型在火灾事故预测中的应用

针对全国火灾事故的统计数据,利用灰色系统理论在不确定因素预测领域的优势,建立了一个火灾事故预测的GM(1,1)模型.论述了模型的建立和求解过程,用实例阐述了灰色预测模型的应用和局限性.结果表明,模型比较合理地反应灾害事物的发展趋势,为分析火灾事故规律和有效预测提供了科学的方法.     

基于灰生成空间的高阶GM(1,1)模型

在AGO-IAGO灰生成空间的基础上，给出了r阶GM（1，1）灰色模型的一般建模方法，并且用实例证明了该方法能够提高GM（1，1）模型的精度。     

灰色GM(1,1)模型建模的理论探讨

在分析GM(1,1)建模中灰导数及其白化背景值对模型精度与适应性的影响的基础上,从灰导数、灰导数的白化背景值的构造证明了原始时间序列数据变化越平缓,发展系数的绝对值越小,GM(1,1)模型的拟合与预测精度越高,模型的适应性越强,同时提出了原始序列数据的一些处理方法。     

灰色GM（1，1）模型的一种优化组合方法

针对GM(1,1)预测模型的不足之处,首先基于X(0)序列的相对误差平方和最小的思路,提出了一种新的优化时间响应函数即确定指数函数exp(-at)系数C的方法;第1步采用优化背景值方法确定a,b后,第2步用本文方法确定系数C,得到了一个优化组合的新GM(1,1)预测模型.经大量的数据模拟发现,此优化组合新模型无论对高增长系数,还是对低增长系数都具有极高的模拟与预测精度.     

修正的GM(1,1)模型在预测离退休、退职人口数中的应用

离休、退休、退职人员数与制约当前社会经济发展的两大问题即就业问题和养老保险问题息息相关，因此正确地预测离休、退休、退职人员数，对国家相关政策的制定有一定的指导作用。本文运用修正的GM(1，1)模型对离休、退休、退职人员数进行了预测，取得了很好的效果。     

加权均值GM(1,1)模型及应用

通过数据处理，寻求一种改进灰色系统GM(1，1)模型的方法．文中首先论证了加权均值生成的若干相关性质，然后将加权均值生成法运用于灰色系统GM(1，1)模型的建模过程．计算结果表明，加权均值GM(1，1)模型比传统的GM(1，1)模型有所改进，精度得到提高．并将改进后的模型应用于应力集中问题，也取得了较好的效果．这表明，加权均值GM(1，1)模型有一定的实用性．