基于马尔科夫优化的灰色GM (1,1) 沉降预测模型及应用

针对灰色GM(1,1)模型在对随机波动较大的沉降数据序列进行预测时存在的不足,本文结合灰色理论模型和马尔科夫链理论,建立了一种基于马尔科夫修正的新维GM(1,1)沉降预测模型。首先,考虑监测数据的时效性,通过在原始数据列中不断补充新的沉降监测数据,采用新陈代谢的方法建立了新维GM(1,1)模型;随后采用马尔科夫链理论对新维GM(1,1)模型进行优化,根据模型预测时产生的相对误差范围对其进行状态区间划分,并构建了相应的状态转移概率矩阵,得到了基于马尔科夫优化的新维GM(1,1)预测模型;将本文中的模型应用于福州火车站南广场深基坑周边建筑物地表沉降预测中,并对不同模型的预测效果进行对比分析,结果表明：基于马尔科夫优化的灰色GM(1,1)模型的预测精度较传统灰色GM(1,1)模型有明显提高,验证了本文所提出的优化模型在基坑沉降分析与预测中的合理性。     

灰色模型GM(1,1)的稳健算法及其应用

将最小一乘法应用于微分方程变量参数求解,建立稳健灰色模型RGM(1,1),并将其应用于建筑物沉降预报和比较.研究和实际应用表明：稳健灰色模型RGM(1,1)比常规灰色模型GM(1,1)具有更好的抗干扰性能和受异常点影响小的优点,根据少量的观测数据建立的RGM(1,1)模型有更好的预报应用价值.     

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.     

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.     

天然砂砾路基工后非等时距沉降GM(2,1)模型的建立及应用

运用灰色理论建立了天然砂砾的非等时距预测模型,同时,为了预测天然砂砾路基工后沉降,建立了天然砂砾路基工后沉降的GM(2,1)模型。通过实例计算表明,GM(2,1)模型预测精度较GM(1,1)灰色模型高,在天然砂砾路基工后沉降预测中具有较大的实用价值。     

路基沉降的灰色理论预测及其应用

运用灰色理论,对铁路高填方路基的沉降进行预测,建立了GM(1,1)预测模型.以相同观测时段的GM(1,1)模型为原型,考虑荷栽变化,针对地基土体均匀的情况,提出了GM(1,1)修正模型.通过具体实例,对模型的预测结果进行分析.分析表明,用修正模型预估下一级加载后的沉降,选取适当的沉降变化比进行计算,预测值与实测值之间误差小于6%,方法简单可靠,对类似高填方路基工程有一定参考价值.     

基于GM(1,1)模型的堤防沉降建模分析

分析了GM(1,1)的建立、检验和残差GM(1,1)模型.利用加固堤防的沉降监测数据,建立了基于GM(1,1)模型的堤防沉降预测模型,并将其应用于堤防的沉降监测.与实际监测结果的对比表明,该模型精度较高.将该模型应用于堤防沉降分析,发现加固堤防趋于缓慢沉降状态,并逐渐趋于稳定.     

基于灰色GM(1,1)模型的桩基沉降预测研究

简述现有桩基沉降预测方法存在的不足,结合桩基沉降的特点,引入灰色预测GM(1,1)模型,建立基于灰色GM(1,1)模型的单桩及群桩沉降预测研究模型,并给出其建模的原理及建模的过程。最后,通过工程实例,进行实证分析,研究表明该模型具有良好的适应性,能更好地反映桩基沉降变形的规律,提高预测的精度,具有良好的工程应用价值和推广前景。     

灰色系统理论在煤矿工业广场地表沉降预测中的应用

本文利用灰色系统理论,对某煤矿工业广场的沉降进行预测,以较少的样本建立其GM(1,1)模型,经后验差检验精度好,能够进行预测,具有一定的实用价值。     

残差修正的GM(1,1)模型预测路基沉降量

用普通GM(1,1)模型进行路基沉降预测时,有时会出现较大偏差,甚至完全失效。为此提出了改进措施,引入残差修正的GM(1,1)预测模型,用于高速铁路某试验段路基的沉降预测。工程实例表明,残差修正的GM(1,1)模型的预测精度明显高于普通GM(1,1)模型。在路基沉降预测中有明显的优势,值得在工程中推广应用。     

非等间隔无偏GM(1,1)幂模型及其应用

为了使GM(1,1)幂模型适合于非等间隔数据建模,构建了一类新的非等间隔GM(1,1)幂模型,利用变量代换,将非等间隔GM(1,1)幂模型的白化方程化为GM(1,1)模型的线性白化方程形式,从而通过灰微分方程的正确构建,建立了非等间隔无偏GM(1,1)幂模型。将非等间隔无偏GM(1,1)幂模型应用到单桩极限承载力预测中,预测结果显示非等间隔无偏GM(1,1)模型适合于渐近极限荷载预测,非等间隔无偏GM(1,1)幂模型适合于预测按沉降控制法得到极限承载力。     

应用改进的残差GM(1,1)模型预测城市用水量

运用灰色系统理论建立GM(1,1),并用改进的残差GM(1,1)模型进行修正,对城市用水量进行预测.改进的残差修正方法能够使模型保持良好的适应性,有效提高了预测精度.应用该模型对某市年用水量进行预测检验,结果表明:改进的GM(1,1)模型具有较高的预测精度,模拟效果更好.     

非等间隔序列的灰色模型在路基沉降中的应用研究

目前灰色系统理论中的GM（1,1）模型是应用于预测方面频率最高的模型,灰色GM（1,1）模型预测方法具有理论性强、实用价值高、计算简便等优点。本文就是在详述灰色系统基本概念、基本原理以及灰色建模理论和预测方法的基础上,以广东某高速公路沉降变形为依托,运用非等间隔GM（1,1）灰色模型对其变形进行分析,对以后的沉降量进行了预测。     

灰线性回归模型在建筑物沉降分析中的应用

从GM(1,1)模型原理和GM(1,1)与线性回归组合模型原理的不同之处开始讨论,利用GM(1,1)与线性回归组合模型对广州市某小区1#楼一个沉降监测点(CJ1)进行了分析和预测,分析和预测的结果验证了GM(1,1)与线性回归组合模型在建筑物沉降变形分析中的实用性、正确性和有效性.最后对组合模型预测精度起决定性作用的灰指数v和参数m进行了分析,给出了求解灰指数v和参数m的最优值算法,应用结果表明,该方法使预测结果更可靠、准确,具有实际的参考价值.     

灰色线性回归组合模型在沉降监测中的应用

为了在贫数据条件下准确预报中长期沉降值,采用线性回归方程和指数方程的组合方式,通过适当配置模型的某些参数来获得新的生成序列函数模型．结合工程实际算例进行预测,并和实际观测数据比较,取得了较好的效果,验证了灰色线性回归组合模型应用于沉降监测预报的可行性．通过其残差与回归分析模型和灰色预测GM（1,1）模型残差相比较,证明该模型在沉降预报中优于回归分析模型和灰色预测GM（1,1）模型．     

基于GM(1,1)-Markov模型的我国人口城市化水平预测

结合灰色GM(1,1)模型和马尔可夫链理论的优点,建立耦合的GM(1,1)-Markov预测模型。实例预测2009年—2015年我国人口城市化水平,其结果证明GM(1,1)-Markov模型预测精度较高,具有较强的科学性和实用性。     

磨削温度在线监测与预报系统的建模研究

针对磨削温度的变化特征及其不同的影响因素,对人工神经网络预报模型及灰色理论GM（1,1）预报模型应用于磨削温度在线监测与预报中的优缺点进行了分析,提出了一种新的ANN－GM（1,1）综合预报模型,对该模型进行了理论分析和工艺实验研究。     

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。     

灰色模型与自回归模型组合在钟差短期预报中的应用研究

研究卫星钟差预报的精度及稳定性对增强卫星导航系统的导航、授时等功能有重要作用。针对GM(1,1)模型在卫星钟差短期预报时存在的问题,引入AR模型对其预报结果进行修正,以提高钟差预报结果的精度和稳定性。实验结果表明：组合模型的预报精度较单一GM(1,1)模型有一定提高,其中铷钟的精度提高较为明显,铯钟的精度则提高较少;此外,组合模型的误差变化趋势与GM(1,1)模型相似,但稳定性相对更高。     

基于灰色残差GM（1，1）模型的建筑物沉降预测的研究

针对现代高层建筑进行沉降观测,对其未来的变形趋势进行准确地预测具有重要的意义.针对传统灰色GM(1,1)模型存在的模型精度不高的问题,提出了灰色残差GM(1,1)模型,并将其应用于对建筑物的沉降变形进行定量分析.通过与原始模型的对比分析可以发现,灰色残差模型在精度上有了显著的提高,更加适用于基础沉降的预测,具有很好的工程应用价值.