建筑沉降变形的半参数GM(1,1)模型研究

针对传统GM(1,1)模型背景值的缺陷和未知模型误差对预测精度的影响,提出半参数补偿及背景值优化GM(1,1)模型。通过分析传统GM(1,1)模型、背景值优化GM(1,1)模型以及本文模型的精度,结果显示,模型残差标准差比传统GM(1,1)模型小1.13,平均绝对误差小0.62 mm,平均相对残差小1.45%,且其各项指标均显示本文模型的预测精度有所提高。     

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。     

内变量参数辨识的灰色电价预测模型

为了改善传统的电价预测灰色模型GM(1,1)的预测精度,提出一种内变量参数辨识的电价预测模型--PSOGM(1,1)模型.首先采用灰色微分方程建立模型内变量(发展系数、灰作用量、背景值权重系数、边值)与预测值之间的非线性内涵表达式,然后采用粒子群算法(PSO)对内变量参数进行辨识,得到问题的最优解,建立PSOGM(1,1)模型.与GM(1,1)模型相比较,PSOGM(1,1)模型具有较快的收敛速度和更好的预测精度.对北欧NORDPOOL电力市场历史电价数据的分析实验表明,PSOGM(1,1)模型的短期电价平均预测精度为94%,较已有的几种典型改进GM(1,1)模型预测精度提高了1%～3%.     

基于改进蜂群算法和灰色模型的管道腐蚀预测

为了解决缺少大量数据样本情况下油气管道剩余寿命预测问题,采用GM（1,1）模型预测管道腐蚀趋势。考虑到GM（1,1）模型自身存在的缺陷,采用指数变换预处理原始数据和动态生成系数重构背景值两种方法改进GM（1,1）模型的建模过程,并运用改进的蜂群算法（IABC）求解全局最优动态生成系数,进而建立改进的蜂群算法优化的指数变换灰色模型（IABC-EGM（1,1））。利用弯头测厚数据进行验证分析,GM（1,1）模型的平均相对误差为4.92%,IABC-EGM（1,1）模型的平均相对误差为2.28%,表明模型的预测精度得到了提高。     

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.     

传统灰色建模的一些理论问题

分析了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,并从灰导数、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,根据研究结果指出了提高GM(1,1)模型精度的研究方向.     

基于Newton-Cotes求积公式的GM(1,1)模型优化研究

通过GM(1,1)模型构建过程发现,背景值的构造方式是影响模型预测精度的主要因素之一。为了提高GM(1,1)模型的预测精度,从背景值的几何意义出发,依据数据序列生成指数规律建立灰色动态序列预测模型,结合数值积分理论中的三、四阶Newton-Cotes求积公式提出两种背景值改进方法。与此同时,就发展系数不同取值以及不同预测步数两种情形分析了改进方法的适用范围。实例结果表明,两种改进背景值后的GM(1,1)模型对预测精度有着显著提高,并且扩展了GM(1,1)模型的适用性。     

基于灰色系统理论的Al-Zn-Mg合金板材疲劳寿命预测

以Al-Zn-Mg合金板材的疲劳性能为指标,通过测试获得Al-Zn-Mg合金疲劳寿命的S-N曲线.将灰色系统理论模型运用到Al-Zn-Mg合金板材疲劳寿命的预测中,通过Al-Zn-Mg合金的S-N曲线来评估和比较灰色系统模型寿命预测的准确性.计算结果表明,灰色系统模型预测值与S-N曲线比较接近.在多步预测中,等维灰度均值GM(1,1)模型与原始均值GM(1,1)模型相比具有较高的预测精度,可以更好地预测Al-Zn-Mg合金板材材料的疲劳寿命.     

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。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

加拿大奥委会组织治理的特征及启示

加拿大奥委会在提升国家队竞技表现、推选本国奥运申办城市、开展奥林匹 克文化教育活动等领域发挥了核心功能。 研究采用文献资料、逻辑分析等方法,归纳总 结加拿大奥委会组织治理的内容与特征,认为其具有清晰的组织使命愿景、民主的议事 决策架构、严格的组织行为监督、良好的财务运行系统和共赢的品牌营销模式。 中国奥 委会可以借鉴其治理经验,保持治理模式的本土化、实现治理目标的完整性、扩大治理 主体的代表性、 提 高 治 理 过 程 的 透 明 度, 不 断 增 强 组 织 治 理 能 力 并 实 现 组 织 治 理 现 代化。     

1 1维N=1超Poincaré张量运算

超引力张量运算目的是构造代数离壳封闭的各种超引力模型.文中建立了1 1维 N=1超Poincare张量运算并详细地导出了多重态的定域超对称变换性质及不变作用量密度公式.     

美国“学校健康与体育教育联盟”组织的[JZ]特征及启示

美国“学校健康与体育教育联盟”（AAHPE）致力于学校体育工作者与卫生健康领域工作人员共同协作,合力提升美国青少年学生的健康素养与运动能力。通过文献资料、比较分析等方法,对AAHPE的组织特征与运行方式进行了研究。结果表明：在宗旨与指向方面,AAHPE倡导为促进学生身体发展和实现学生健康福利提供服务,对新型体育与健康教育理念的形成提供指导,为学校体育与健康教育的立法提供咨询。在结构功能方面,AAHPE通过预设的健康教育计划来规范学校对学生健康问题的认识;通过举办专业研讨会、建立专业委员会等方式,促进教师的专业发展与成长,探讨为学生提供养成健康生活方式所需的各类知识与技能。我国可以借鉴AAHPE的运行方式,在国家统一课程标准的指导下,延展体育与健康教育目标的包容性,优化学生的健康行为;通过有效课程与教学提升学生对健康风险的认识,使用个性化信息指导学生体育与健康核心素养的形成。     

1-L-脯氨酸-1-脱氧-D-果糖的热解研究

采用离线裂解装置分别在200℃,300℃,400℃三个不同温度点对-L-脯氨酸-I-脱氧-D-果糖（PF）进行裂解,用二氯甲烷收集产物,并采用GC／MS联用技术进行初步定性分析．结果表明：PF在不同温度下裂解产物不一样,高温裂解产物较多;裂解产物大部分为杂环类化合物（如吡咯、吡咯烷类、呋喃、吡喃、呋喃酮、吡喃酮等等）,这些物质是卷烟烟气中重要的致香成分．     

GCK1(1A)

GCK1(1A)系列电动机控制中心在原产品上对主母线夹结构、抽屉结构等七个方面进行了改进,设计合理,便于维修,互换性好.     

1+1>2

1974年,美国政府为给自由女神像翻新,扔下大堆废料,向社会招标处理。好几个月过去了,没人应标,因为在纽约州,垃圾处理有严格规定,弄不好会受到环保组织起诉的。     

Preparation of Fine Nickel Oxide Powder

在建立机器人位姿测量信息传输模型的基础上， 根据测量不确定度的基本原理和方法， 研究了由测量仪器、 测量方法等不确定因素引起的测量不确定性H     

1

Ａｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇｉｓｏｎｅｏｆｔｈｅｋｅｙｔｅｃｈｎｏｌｏｇｉｅｓｆｏｒｐｒｏｄｕｃｔａｓｅｍｂｌｙａｕｔｏｍａｔｉｏｎ．Ｉｎｒｅｃｅｎｔｙｅａｒｓ,ｍｏｒｅａｎｄｍｏｒｅｒｅｓｅａｒｃｈｅｒｓｈａｖｅｐａｉｄｔｈｅｉｒ...