GM（1,1）模型群及其应用

本用指数平滑改进ＧＭ（１，１）模型中矩阵Ｂ的构造，提出了ＧＭ（１，１）模型群，并给出最优及准优ＧＭ（１，１）模型的判别准则。最后，把本方法应用于农业总产值的预测。     

基于神经网络的非线性时间序列预测方法研究

本文提出了一种基于神经网络进行非线性预测的方法，对ＢＰ模型应用于非线性预测了较详细的研究和探讨，应用该方法对经典非线性时序信号进行预测，并与传统预测方法（ＴＡＲ预测法）效果进行了比较，结果证明神经网络预测方法（ＡＮＮ预测法）具有十分明显的优势。     

一种改进的BP神经网络预测方法及其应用

本文提出了一种改进的ＢＰ神经网络预测方法。该方法的主要优点有：网络结构简单,收敛速度快,预测精度高,减少了输入参数和样本量,笔者通过对具有高度非线性的股票价格变化进行短期预测,证明了该方法优于传统的ＢＰ神经网络方法。     

吉林省玉米单产的预测

在应用灰色ＧＭ（１．１）预测模型预测的基础上，又与马尔柯夫链结合构成灰色马尔柯夫链对吉林省玉米单产进行预测。结果表明：用灰色马尔柯夫链进行预测比灰色ＧＭ（１．１）模型预测的精度高、效果好，是一种理想的预测玉米单产的方法。同时用此方法对１９９２￣１９９５年吉林省玉米单产进行了预测。     

基于投影寻踪和遗传算法的一种非线性系统建模方法

基于投影寻踪和遗传算法,提出了一种建立非线性系统模型的新方法及其算法实现,并给出了两个仿真算例.仿真结果表明,用本文提出的方法建立非线性系统模型,具有预测精度高、工程实用性好等优点.     

混沌经济时序非线性动力系统的预测方法研究

混沌经济时序的预测方法研究是混沌经济非线性动力系统的重要内容，提出了一种改进的非线性混沌经济模型，应用模型的阶数由最小嵌入维数决定的观点，给出了相应的模型参数辨识方法，并用其确立的混沌模型进行了预测工作，计算结果表明：模型参数辨识方法能迅速地将参数估计值带到多峰目标函数的全局最小值附近，然后再采用优化理论能较准确地求出模型的参数，用得到的混沌模型对系统进行预测工作，其短期预测效果良好。     

经济混沌模型中一种改进的反馈控制方法

就经济系统中的一类多参数混沌模型，应用非线性动力学理论，在OGY方法的基础上，对反馈控制方法进行了改进，提出了基于预测的反馈控制方法，该方法成功地进行了多参数混沌控制，并通过两例具体的经济混沌模型，对所提出的方法进行验证。     

基于C-R模糊模型的非线性预测控制

Cao和Ress提出的模糊模型（称为C-R模糊模型）由模糊推理和局部线性解析模型两部分组成，用隶属函数加权局部模型构成系统的全局非线性模型。本文提出了一种新的结构上与阶跃模型相类似的C-R模糊阶跃模型。并用DMC动态矩阵控制算法，求解基于该模型的非线性预测控制问题，得出了预测控制算法的解析形式，该方法克服了一般非线性预测控制算法求解困难的缺陷。     

GM(1;1)模型的动态特性分析

ＧＭ（１，１）模型是灰色系统理论中灰色模型的基础。本文分析了包括收敛、发散、稳定、混沌等在内的ＧＭ（１，１）模型的各种动态行为特性，从而为研究其适用的预测对象的特点奠定了理论基础。     

浙江省茶叶产量的灰色———马尔柯夫预测模型

采用灰色（ＧＭ）与马尔柯夫链联合预测方法对浙江省的茶叶产量进行预测，并对预测结果进行了分析和探讨。     

组合预测贝叶斯方法研究

本文研究了组合预测的基本理论，提出了有效的最优权重确定方法。基于贝叶斯理论分析，在相当一般的条件下，本文推导了非线性组合预测方式。该组合具有相当一般性并将传统算术加权平均、几何加权平均等组合预测方式作为特例。实例分析证实了本文方法的有效性。     

非线性经济建模与预测的理论与方法研究

本文通过现代化经济建模与预测理论，方法的深层次剖析，总结了非线性经济建模与预测的基本思想，并针对存在的问题与困难，提出了一些新的思路。     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

MGM(1,n)灰色模型及应用

提出多变量灰色模型（ｍｕｌｔｉ－ｖａｒｉａｂｌｅｇｒｅｙｍｏｄｅｌ）—ＭＧＭ（１，ｎ）模型，它是单变量的ＧＭ（１，１）模型在多变量（ｎ元变量）情况下的自然推广。通过对国有建筑施工企业就业人数和城镇集体建筑施工企业就业人数的建模和预测，表明ＭＧＭ（１，ｎ）模型的精度高于分别单独使用的ＧＭ（１，１）模型的精度.     

基于二层分解技术和改进极限学习机模型的PM_(2.5)浓度预测研究

准确的PM_(2.5)浓度预测对于保护公众健康和提高空气质量有重要意义,然而,由于PM_(2.5)浓度序列的随机性、非线性以及非平稳性等特征增加了对其准确预测的难度.本文提出了一种基于二层分解技术和改进极限学习机(ELM)模型的PM_(2.5)浓度预测方法,该方法融合了快速集成经验模态分解(FEEMD)和变分模态分解(VMD)两种分解技术以及经过差分演化(DE)算法优化的ELM模型.为了验证所提出预测方法的有效性,本文使用该方法对北京市和石家庄市的PM2.5浓度序列进行了预测研究.结果表明:1)相比于单层分解技术,本文提出的二层分解技术可以更加有效地降低PM2.5浓度序列的非线性及非平稳性特征;2)基于二层分解技术的DE-ELM预测模型可以显著提高PM_(2.5)浓度的预测精度.     

二级倒立摆的摆起控制

以往对非线性系统主要是采用线性化的方法进行控制，提出了一种基于专家系统及变步长预测控制的实时非线性系统控制方法。用变步长一步预测避开复杂的非线性推导，结合专家系统对控制参数进行修正，从而实现对复杂非线性系统的实时控制。利用这种方法，实现了二级倒立摆的摆起及稳定控制。     

GM（1，1）置零建模法及其应用

本文从ＧＭ（１，１）建模特点出发，提出了一种置零建模的新方法（简记为ＧＭ０（１，１）法）．     

机器人轨迹跟踪连续预测控制

针对能够描述机械手动态特性的一类特殊仿射非线性系统 ,提出了一种非线性连续预测控制器。其预测模型通过对系统状态泰勒级数展开并做适当的截尾处理获得。此外 ,证明了非线性连续预测控制器的渐近跟踪特性 ,并给出了一种改进的预测控制方案。将非线性连续预测控制器应用于二自由度机械手轨迹跟踪控制。仿真结果证明了该控制器的有效性     

时序残差GM (1, 1) 模型

顾及时序残差对灰色ｘ（０）－ＧＭ（１,１）模型精度的影响,提出时序残差ε（０）ｔ－ＧＭ（１,１）模型,并利用时序残差ε（０）ｔ－ＧＭ（１,１）模型和ｘ（０）－ＧＭ（１,１）模型联合进行精度检验和预测,能较好地提高模型精度和预测精度,实例说明是有效的。     

山西省粮食产量的预测

本文分析了灰色ＧＭ（１，１）预测模型与马尔柯夫预测模型的应用条件，并将粮食产量分解为趋势产量与随机产量两部分。从而提出了一个较优的粮食产量预测模型－－灰色马尔柯夫链预测模型。并对山西省１９９２年、１９９３年的粮食单位产量进行了预测。