改进GM(1,1)模型在重力坝位移预测中的应用

针对灰色系统中经典的GM(1,1)模型在大坝位移预测中的缺陷,以某工程为例,提出了一种改进的GM(1,1)模型.实质上是重新生成了序列,即对非负随机振荡序列进行加速指数变换和几何平均生成变换后使用经典的GM(1,1)模型进行建模并预测.对某工程2015年5月29日至6月10日的大坝水平位移进行了预测,并将结果与传统的线性回归模型和经典GM(1,1)模型的预测结果进行了比较,计算结果显示,改进的GM(1,1)模型预测精度较高,该方法取得了较好的效果.     

基于灰色模型及其改进模型的土石坝沉降预测

考虑到土石坝沉降变形因素的复杂性以及GM （1,1）灰色模型基于贫信息数据所表现出来的优势,由大坝实测数据拟合构造GM （1,1）模型。为了进一步提高大坝沉降变形的预测精度,对原始GM （1,1）模型分别进行了考虑不同数据对预测结果有不同影响的加权改进和利用指数函数变换来提高原始数据光滑度的改进。实例应用表明,加权改进的GM （1,1）模型和函数变换改进的GM （1,1）模型的预测精度均优于原始GM （1,1）模型。     

基于扰动因子GM(1,N)模型优化算法及其应用

基于Simpson公式的GM(1,N)建模的算法不能更改参数的缺点,提出了基于扰动因子改进Simpson GM(1,N)模型。通过扰动因子变化影响参数值,以达到特征因素的最优预测值。依据平均相对误差指标对一些时间序列数据进行了不同模型的实证分析和比较,得到本算法的拟合精度比原有算法有明显的改进,从而验证了该算法对一些时间序列的有效性。所提出的新算法是GM(1,N)模型进行预测时值得尝试的一个方法,对GM(1,N)预测模型的合理应用具有一定的现实意义。     

PSO-GM模型在拱坝变形预报中的应用

用PSO-GM模型来预测了拱坝变形情况.该模型通过粒子群算法优化灰色模型中背景值的权重系数r和指数灰元N,既保留了灰色模型要求样本数据少、短期预测精度高、可检验等优点,又弱化了线性GM(1,1)模型对累加生成的数据序列须成一定指数规律变化的要求,从而更具普遍性.通过工程实例计算验证可知,PSO-GM模型无论拟合精度还是预测精度都较一般线性灰色GM(1,1)模型好,可以为坝体位移监测提供参考.     

优化灰色GM(1,N)-加权Markov模型在道路交通噪声预测中的精度研究

通过对北京市2007年至2016年城市道路交通噪声及相关影响因素数据分析,以GM(1,N)模型为基础,建立了优化灰色-加权Markov模型,为有效控制交通噪声污染提供理论依据和决策意见。首先,利用平滑公式对原始数据进行预处理,用数值积分中的Simpson公式改变背景值来提高传统多因素GM(1,N)模型精度。其次,用加权Markov模型对得到的模拟值中的异常值进行了修正,将其应用到城市交通噪声的预测上,实证计算表明优化灰色GM(1,N)模型的模拟值与实际值拟合效果很好,比传统的GM(1,N)模型精度有较大提高。最后,用该模型对北京市2017年和2018年城市交通噪声进行预测,基本符合噪声数据实际变化趋势。     

GM-ARIMA模型在大坝安全监测中的应用

针对大坝安全监测的小样本数据既有一定趋势性又有一定波动性的特点,把灰色模型和时间序列模型结合起来运用在大坝安全监测中.首先利用灰色模型进行拟合和预测,然后对灰色残差序列建立ARIMA模型,对残差进行预测,最后将两者结合起来即可得到预测值.本文以小湾拱坝坝顶某测点的径向位移为例,建立GM-ARIMA进行拟合和预测,并与实测值比较.计算结果表明,与GM模型相比,GM-ARIMA模型的精度高,预测值更接近于实测值.     

半参数GM(1,1)模型参数辨识及滑坡变形预测

针对利用传统GM(1,1)模型进行滑坡变形预测时存有较大的局限性及模型误差的问题,引入半参数理论对其进行改进.构建基于半参数模式的GM(1,1)滑坡预测模型,以补偿最小二乘为约束条件,对半参数GM(1,1)模型的灰参数a和b进行辨识;并对影响半参数模型求解的关键参数正则矩阵R和平滑参数α进行优选,最后将半参数GM(1,1)模型用于茅坪和古树屋滑坡变形预测.研究结果表明:基于半参数的GM(1,1)模型拟合精度较高,预测结果正确可靠,能够反映滑坡变形位移的发展趋势.     

2种改进的PTM方法在大坝安全监测中的应用

本文利用置信区间法对大坝进行安全监测.首先建立大坝安全监测的非线性模型和在此基础上进行改进的伊藤随机模型;其次通过对样本进行再抽样,构造了两种改进的PTM方法.数据模拟显示改进的PTM方法均具有更高的精度.最后利用改进的PTM方法和传统方法分别对大坝位移的置信区间进行检测,得出伊藤随机模型拟合精度较之前有显著提高,能较好的反映大坝安全性态,预防大坝安全事故的发生,对大坝安全监测具有一定的参考价值.     

基于GM-RBF神经网络组合模型的水泥强度预测方法

为预测煤矸石代黏土煅烧水泥的28 d抗压强度性能,根据生产水泥的物检分析数据,将GM(1,N)预测技术和径向基函数(RBF)神经网络技术相结合,提出了基于GM-RBF神经网络组合模型水泥强度预测的新方法。该组合模型首先利用试验产品的典型物检数据建立GM(1,N)网络,对数据进行预处理。然后将输入样本数据进行一次累加生成操作,并进行归一化,设置GMRBF神经网络组合模型预测精度和散步常数。经处理后的输入样本作为RBF神经网络输入向量,相应的实测28 d抗压强度作为模型的输出期望值开展训练,比较预测数据与实测数据,并进行调整,最终得到符合精度要求的GM-RBF神经网络组合模型。该组合模型一方面避免GM(1,N)模型的理论误差,利用累加生成运算和样本数据的预处理,减少了由于训练样本随机性对建模精度产生的影响;另一方面由于具有自适应、自组织和速度快等特点,能快速预测水泥远期强度情况。仿真试验表明,该模型预测精度优于单个GM(1,N)模型或RBF神经网络模型,具有较好的拟合性,适用于对水泥强度的预测,可以为煤矸石代黏土煅烧水泥的质量分析提供有效参考。     

一种优化组合的GM(1,N)模型

针对GM(1,N)模型在模拟与预测方面的不足,提出了GM(1,N)模型的一种优化组合方式.第一步是在原GM(1,N)模型灰微分方程上添加一个扰动因素,然后利用优化的背景值确定相应的新参数;第二步利用“最小二乘法”得到模型白化方程近似解中新的初始条件,进而得到一种新的GM(1,N)模型的模拟表达式实例验证表明,新GM(1,N)模型的适用范围明显拓宽,而且模拟和预测精度均大大提高.     

基于GM-RBF神经网络组合模型的水泥强度预测方法

 为预测煤矸石代黏土煅烧水泥的28 d 抗压强度性能,根据生产水泥的物检分析数据,将GM(1,N)预测技术和径向基函数（RBF）神经网络技术相结合,提出了基于GM-RBF 神经网络组合模型水泥强度预测的新方法。该组合模型首先利用试验产品的典型物检数据建立GM(1,N)网络,对数据进行预处理。然后将输入样本数据进行一次累加生成操作,并进行归一化,设置GMRBF神经网络组合模型预测精度和散步常数。经处理后的输入样本作为RBF 神经网络输入向量,相应的实测28 d 抗压强度作为模型的输出期望值开展训练,比较预测数据与实测数据,并进行调整,最终得到符合精度要求的GM-RBF 神经网络组合模型。该组合模型一方面避免GM(1,N)模型的理论误差,利用累加生成运算和样本数据的预处理,减少了由于训练样本随机性对建模精度产生的影响;另一方面由于具有自适应、自组织和速度快等特点,能快速预测水泥远期强度情况。仿真试验表明,该模型预测精度优于单个GM（1,N）模型或RBF 神经网络模型,具有较好的拟合性,适用于对水泥强度的预测,可以为煤矸石代黏土煅烧水泥的质量分析提供有效参考。     

不等时距灰色模型的边坡位移预测及软件化

针对灰色理论传统的等时距GM(1,1)模型存在不能应用于工程实际中常常存在的非等时距的监测时序问题,建立了不等时距的灰色GM(1,1)边坡位移预测模型。鉴于模型建立及应用中的计算比较烦琐,将模型编制成应用软件,支持输入少量历史监测数据预测指定时间的边坡位移。通过实例利用应用软件对边坡位移进行了预测,实际证明其拟合精度较好,预测结果正确可靠,能够反映边坡位移的客观存在与发展态势,且提高了效率,便于实际工程应用。     

隧道围岩收敛变形的改进GM(1,1)预测模型

为了有效提高隧道围岩变形的预测精度,对传统GM(1,1)预测模型进行了改进。改进模型通过对原始监测数据列优化重构,降低了量测误差、外界因素等噪声干扰造成的监测数据随机突变和离散性,提高了模型预测效果,并结合梅花山隧道典型监测断面对改进GM(1,1)预测模型进行了检验。研究结果表明:改进GM(1,1)预测模型增强了环境适应能力;预测结果与实际监测数据吻合程度明显提高,具有较好的实际工程应用推广价值。     

神经网络组合模型在大坝位移预测中的应用

为了提高大坝位移量预测的精度,引入了粒子群优化神经网络的组合预测方法。该组合预测方法以灰色GM(1,1)、回归分析法的预测值及预测结果的平均值作为输入,实际的大坝位移量作为输出,来进行非线性组合。实例表明,粒子群优化神经网络组合预测法的均方误差为1.1946,平均绝对误差为0.7814,均小于单一模型及等权平均模型的相应值,适用于大坝位移量的预测。     

非等间距GM(1,1)模型的改进及预测

论述了非等间距GM(1,1)模型的基本原理及精度评定方法,针对模型缺陷探讨了模型精度的主要影响因素,并就初值选取及模型背景值构2个方面进行改进,建立了改进的非等间距GM(1,1)模型.运用改进的非等间距GM(1,1)模型对某坝堤沉降进行预测分析,结果表明,改进后的非等间距GM(1,1)模型较改进前具有更高的预测精度,沉降预测中具有较高的应用价值.     

基于改进新陈代谢GM(1,1)模型对钢管混凝土拱桥涂膜腐蚀预测

目的提出改进新陈代谢GM(1,1)模型,提高预测钢结构使用寿命的精度.方法在全序列的基础上,置入一个由传统GM(1,1)模型得到新数据,去除一个旧的数据,建立既保证了原来的维数,而又不影响整个信息发展趋势的改进新陈代谢GM(1,1)模型.利用改进新陈代谢GM(1,1)模型对已经用传统GM(1,1)模型预测钢管混凝土拱桥涂膜腐蚀的实际工况进行重新预测,验证所提出的改进新陈代谢GM(1,1)模型在涂膜腐蚀预测中应用的可行性、有效性及预测所提高的精度.结果改进新陈代谢GM(1,1)模型的均值方差比值C为0.132 9,比传统GM(1,1)模型的均值方差比值C的值0.172 1小,改进新陈代谢GM(1,1)模型的精度比传统GM(1,1)模型的预测效果好;改进新陈代谢GM(1,1)模型的平均相对误差为3.20%,传统GM(1,1)为4.01%,提高了预测精度.结论改进新陈代谢GM(1,1)模型既保证了传统GM(1,1)模型的维数,而又不影响整个信息的发展趋势,改进新陈代谢GM(1,1)模型更合理,适用于中长期预测.     

非等间距GM(1,1)模型的改进及预测分析

论述了非等间距GM(1,1)模型的基本原理及精度评定方法,针对模型缺陷探讨了模型精度的主要影响因素,并就初值选取及模型背景值构造2个方面进行改进,建立了改进的非等间距GM(1,1)模型.运用改进的非等间距GM(1,1)模型对某坝堤沉降进行预测分析,结果表明,改进后的非等间距GM(1,1)模型较改进前具有更高的预测精度,在沉降预测中具有较高的应用价值.     

微分进化算法在单桩极限承载力灰色优化预测中的应用

文章利用微分进化算法对单桩极限承载力的灰色GM(1,1)模型参数进行优化求解, 提出DE-GM(1,1)优化预测模型;基于MATLAB环境编写了计算程序, 结合工程实例, 对试桩静载荷试验实测数据进行了拟合分析.结果表明, 与指数曲线模型和GM(1,1)模型相比, DE-GM(1,1)模型能够更好地拟合实测数据, 预测精度进一步提高;微分进化算法在GM(1,1)模型参数优化过程中表现出求解速度快、计算精度和自动化程度高等特点.     

隧道围岩变形量预测的灰色模型应用比较研究

隧道施工过程中的围岩变形监测是掌握围岩的动态信息、确保施工期间隧道稳定性的重要手段.围岩位移预测则是支护形式、支扩参数设计恰当与否和了解运营以后隧道长期稳定性的关键所在.传统预测方法有基于岩体力学理论的计算方法、基于实测值的拟合方法等,本文通过以实际工程原始数据列作为参考数列,建立围岩预测量测数据的灰色预测预测模型以及3种GM(1,1)改进模型,并通过比较结果及关联度分析发现,一般的GM(1,1)灰色预测模型适用于围岩变形量的短期预测,更新递增模型和新陈代谢模型在作较长期预测时,预测精度更高.     

大坝变形监测的BP网络模型与预报研究

建立有效实用的大坝安全监测模型,对于馆控大坝运行意义重大。针对目前国内外常用统计模型、确定性模型等的不足,提出将基于误差逆传播算法的BP神经网络模型用于大坝变形监测数据的拟合分析及其预测预报研究,最后以福建水口混凝土重力坝变形监测为例,对坝顶垂直位移实测值建立了BP网络模型,并将模型用于坝顶垂直位移预报,结果表明,BP网络模型的拟合和预报精度明显优于相应的统计模型。