灰色GM（1，1）模型参数的优化方法

灰色GM(1，1)模型的建模机理上，给出了模型参数的优化方法。提高了模型的预测精度。为实际应用提供了新的方法。     

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。     

灰色预测模型的精确解法

通过分析GM(1，1)白化模型的解析表达式，导出了求解GM(1，1)的三种精确灰色模型，给出了估计模型参数的方法。讨论了原始序列的预处理和初始条件的改进方法；提出了新的预测公式。     

基于自适应粒子群算法的GM(1,1)模型及其应用

将自适应粒子群算法优化GM(1,1)模型的参数用于武汉市电力负荷预测,与普通GM(1,1)及标准粒子群优化的GM(1,1)模型的预测结果比较,发现采用自适应粒子群算法优化参数的GM(1,1)模型具有更理想的预测结果。     

非等间距GM(1,1)模型的模糊优化

采用模糊聚类分析方法，在原始的非等间距序列中插入若干数据，在新序列上建立非等间距GM(1，1)模型。实例表明，经模糊优化处理的非等间距GM(1，1)模型有更高的模拟和预测精度及良好的适用性。     

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．     

基于自相关理论的GM(1,1)和GM(1,N)联合预测

通过引入自相关分析，将GM（1，1）与GM（1，N）两者的优点有机结合，运用GM（1，1）预测模型所需的数据量，达到GM（1，N）预测模型所具有的预测精度，减少灰色模型的预测误差。     

GM(1,1)模型研究的一些进展

介绍作者对灰色GM（1，1）模型研究取得的成果，具体内容为：证明了GM（1，1）模型为有偏差的指数模型，导出了模型的相关公式，提出了无偏灰色预测模型（无偏GM（1，1）模型），并用实例说明了该模型的优越性。     

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。     

无偏GM(1,1)模型与指数方程模型的比较

无偏GM(1，1)模型是在传统GM(1，1)模型基础上的一种改进，它实际上是一无偏差的指数模型，相对于用回归法进行曲线拟合建立指数方程模型这样一种建模方法，该方法可认为是一种新的指数模型建模方法，通过理论分析和实例计算对这两种模型进行了比较。