ͬʱ����x(1)(1)��x(1)(n)ΪGM(1,1) ��ģ��ʼ������Ԥ�ⷽ���о�

????GM(1,1)???????????????????о????????????????x⁽¹⁾(1)??x⁽¹⁾(n)??????????GM(1,1)??????????????????x⁽¹⁾(1)??x⁽¹⁾(n)?GM(1,1)????????????·???????x⁽¹⁾(t)?????????????????1-AGO???е???????????С?????????????????????????????????????????????????????????????????з?????????????????????????????÷?Χ?????????????????????????????????????GM(1,1)????????????????????GM(1,1)????     

��ƫ��չ��ɫģ�ͼ����ڸ߱����α�Ԥ���е�Ӧ��

???????????к???????????е????GM(1,M)?????????????????????????????????????????????????????????????????????????????????????????,????С??????????1??????????GM(1,M)???????????????????GM(1,1)?????GM(1,M)??     

����С��������LSSVM�Ļ��±���Ԥ��

??????????????,???????С????????LSSVM????????±???????????????С???任???????????з?????в???????????????????????????????к???????з??????LSSVM????????????????????????????????С????????LSSVM????±????????????????GM(1,1)??AR??????LSSVM??????     

����������׹��Ƶ�GPS����ʱ��������������

?????????????GPS???????У???????????????????????в???db6С??????????????????????????????С????????????????????GPS???????????????????????????????????????????????????GPS?????????????????а???????????????????????????????????????????GPS???????????????????????????????????????????????????к?????????     

�˼�ģ��������GM(1,1) ����Ԥ�⽨ģ

????GM(1,1)?????????????????????????????????????????GM(1,1)?????????????????????????GM(1,1) ??????GM(1,1)??PGM(1,1)?????GM(1,1)????????????б???????????????????????GM(1,1)????????????     

�ؿ�Ӧ��������ݵ�������С���˷���

??????????С????????о???????(??)??????????????????????????????????????????????????????????????????????????????ü???λ??????????????(??)????????????С???????????????????????????????????м???в??????????????????????????м???????????????????????????????????????????????????С??????????????????????????????????????????????????????С???????????С?????????????????????????????????С????????о???????????????????Ч???     

�˼���ͬ��ʼ������GM(1��1)���ν�ģ�о�

??о?GM(1,1)???????????????????????????????????????GM(1,1)????????????????Σ?????3′?л???????????????????????????????????RnGM???????????????RnGM????????е????????????GM(1,1)????????????б????????????RnGM???н????????????????????     

���ڻ�ɫԤ��Ŀռ���в�����ģ���о�

?????????????????????????????????????ε???????????????????в??????????????????????????в?????????????С?????????????B??????????????????????????????????????????????????????5????????122%??????????????179%??GM(1,1)????284%???????????????????5????????????????????????20%????????????????????????     

���Ȩ������С����ƽ�������һ���·���

?????????С???????????????????????????????????????????????????в?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????÷??????????????????Schaffrin & Wieser????????????????????     

������������ˮƽ�α�Ӧ�䳡�о�

????2011???2013????????GPS?????????????????????????????????????о???????????????????????????????? ????????????????????????????????????????????????????????????????о???????2011??2013????????????????????????????????????????????????????-???????????λ????в??????????????????????λ??????????????????????????????2011??2013??????????????????NE55°????????????????????????????????С??????????????????????????????С???????????????????????????????????????????????????Ms??≥5.0????????2013???????????????????????????????-???л?????????5.8???????????????????????????????????????????     

���������ؿDZ��������о�

???????????GPS??????????????????????????????????????????????????о???????????????????????????????NW???????????????????????????????????????????????????С????????????????-????????????????????β?????????NE?????????????????????????26°N???????NW-EW?????????????????????26°N???????NW-NS??????????????????????????????????????????????????????????????????????????????????б??Ρ?     

灰线性加权非等距GM(1,1)形变预测模型

结合加权非等距GM(1,1)模型与线性回归理论,构建灰线性加权非等距GM(1,1)预测模型,并给出对模型预测精度起决定性作用的灰指数v和参数m的优化方法。与加权非等距GM(1,1)模型和线性回归预测模型相比,灰线性加权非等距GM(1,1)预测模型的精度更高,预测有效时间更长,模型的稳定性更好。优化v和m后,灰线性加权非等距GM(1,1)预测模型的实用性、稳定性进一步提高。     

���׵��η��ݷ����Ƚ�

?о???????????η????????????????С???????÷??????3??2°×2°?????????к????????????????????????????????????????????С???????÷??????????????????????????????????????????????????????????FFT????????????????????????С???????÷?????????????ε????????????????????η????????ì???????????????????????????????????????????????????????????Σ??????????????????????????????μ??????????     

非等距GM(1,1)模型在沉降预测中的应用探讨

针对非等距沉降数据序列的建模问题,探讨了3种非等距GM(1,1)模型在沉降预测中的应用。结果显示,加权非等距GM(1,1)模型不适用于具有近似指数趋势的沉降数据,灰线性加权非等距GM(1,1)模型并非真正的非等距模型,模型预测式与时间无关,不能用于沉降预测,而对于笔者所建立的非等距GM(1,1)模型,其拟合函数等同于灰色线性回归组合模型,可用于近似指数趋势的沉降数据。通过实例分析对比了3种非等距GM(1,1)模型的应用效果,验证了上述观点的正确性。     

������ģ������С���������ڶ�Դ���������ں��е�Ӧ��

????????С????????????????????ж???????????????????????????????????????????????????????????????????顣?????????????????С??????????????????????3.6??10????^-5??ms????^-2??????????????С???????????????????????????????????????????????????4.6??10????^-5??ms????^-2??????????????????????????????????????С?????????????????????????????п???????Ч?????     

����GPS���߽�������ͳ�Ʒ���

??????????????????TIKHONOV??????????GPS?????????????????????????????????ε??????????о????????????????????????????????????????????????????????????????????????????????????У?????????з??????Eviews???????????????е????????????????????????ó??????1?????????????????????С??1 mm???????????????????????????????е???????????2????????????????5 mm?????????????????????3???????????X????Y??????н???????????????????????????????????????????????????·??Ч???4???????????Z???????????????????·????Z??????С??     

GPS����Լ��������Ms8.1����ϲ�ķֶ�ģ��

????InSAR?????????????????????? ??GPS???????????????λ?????????????????????????????????????????????????μ?????Ms8.1?????????????????????????????λ????????????????С???????????????????????????????????????λ???????GPS???????????????????????????????????????????????????Ms8.1?????????λ????????仯??     

PSO-GM(1,1,N,p,ξ)模型在变形预测中的应用

通过对传统GM(1,1)缺陷分析和改进的基于权的PGM(1,1)建模机理描述,顾及PGM(1,1)中背景值构造时取相同的参数不能充分降低模型的预测误差,对不同的时刻引入不同的参数来改进GM(1,1)背景值序列的计算公式,将这种背景值构造方法和灰元N引入GM(1,1)建立了新的白化方程。在建立的新的白化方程基础上,用龙格-库塔法以修正的初始值计算累加值的模拟序列。针对引入的参数较多问题,采用粒子群算法寻找满足相对误差均值最优的参数,从而建立了基于粒子群优化算法和加权灰色组合的PSO-GM模型。工程实例应用表明,新模型的拟合精度高,预测效果好,相对其他两种原有模型预测精度有明显提高。     

̨�庣Ͽ�����ؿ�����˶�����

????1995~2003????GPS????????????????????????? ?????????GPS????????????????????????????仯????????????????????????????????????????????????????,??1995~1997???2001~2003???????????????????????????????????????????????????С??????н??仯??????仯????????1999????弯??7.6?????????????????????????     

LMD-GM(1,1)模型及其在变形监测中的应用

将局部均值分解(LMD)方法应用在监测数据中。实验结果表明,LMD-GM(1,1)模型的拟合效果和预测效果比EMD-GM(1,1)模型和GM(1,1)模型好,具有更高的应用价值。