灰色模型在非等步长变形监测数据处理中的应用

常规变形监测数据处理中的GM(1,1)灰色模型是以等时间间隔观测值为原始序列,经一次累加处理,建立生成数列的一阶微分方程,并利用最小二乘求解未知参数的建模方法;但实际监测过程中,因受诸多因素影响,采集到的原始数据多呈现非等间隔分布,引入时间权重思想建立改进的GM(1,1)灰色模型,通过对沉降数据进行建模分析及精度检验,扩大了灰色模型的适用范围,验证了该模型的可靠性和科学性。     

抗差加权非等时距GM(1,1)模型在大型建筑物沉降预测中的应用

针对沉降观测中不等间隔和观测值可能含有粗差的情况,提出抗差加权非等时距GM(1,1)模型,实验表明,当观测值中不含粗差时,抗差加权非等时距GM(1,1)模型和常规GM(1,1)模型一样具有良好的预测效果;当观测值中含有粗差时,具备良好抵抗粗差的能力,具有非常好的预测效果。     

非等间距GM(1,1)模型背景值优化方法在沉降预测中应用

基于初始条件、背景值等是灰色建模精度和适应性的重要影响因素,本文针对非等间距GM(1,1)模型中的背景值进行了优化改正,提出一种带有适应因子λ的背景值构造方法。根据灰色模型的一次累加生成序列的近指数特征计算了模型发展系数a与适应因子λ。结合实例,与非等时距GM(1,1)的初始条件优化模型对比分析,结果表明经过优化背景值的非等时距GM(1,1)模型有效地提高模拟预测精度,同时也适用于等间距模型,具有较强的适用性。     

非等时距MGM(1,m)模型在高速公路沉降预测中的应用

分别以Lagrange插值法和三次样条曲线法为基础,利用灰色理论建立高速公路沉降预测的非等时距GM(1,m)模型。分析比较MGM(1,m)与GM(1,1)模型精度,基于非等时距的MGM(1,3)模型沉降预测结果与实测情况吻合较好,拟合与预测精度也比非等时距GM(1,1)的精度高,非等时距的序列转换采用Lagrange插值函数法和三次样条曲线法求得,对于此次工程数据采用三次样条曲线法较Lagrange插值函数法精度高。     

非等间距GM(1,1)建模方法对比分析及应用

非等间距GM(1,1)模型为实际工程变形监测中不等间距观测数据的处理提供较好的解决途径。文中以两种非等间距GM(1,1)建模方法为研究对象,通过工程实例的对比分析与实际应用,讨论两种模型的建模差异,给出模型精度与预测评价,提出选择非等间距GM(1,1)建模方法的参考建议。     

非等间距WGM-AR模型在基坑周边建筑物沉降预测中的应用

非等间距GM（1,1）模型在不等时间间隔序列的趋势分析和预测方面具有重要作用,在此基础上,提出一种基于非等间距加权GM（1,1）模型和自回归AR（p）模型相结合的非等间距加权灰色自回归模型（非等间距WGM-AR模型）.将基坑周边建筑物沉降监测数据视为具有确定趋势的非等时间序列,对序列进行平滑处理,利用非等间距加权GM（1,1）模型提取该时序中的确定性趋势项,用自回归AR（p）模型分析生成的等间距序列中的随机项,并采用内插法得到沉降监测序列的随机项.将组合模型与非等间距GM（1,1）模型计算结果对比分析,结果表明,组合模型具有更高的预测精度,在基坑周边建筑物沉降预测中具有较高的应用价值.     

基于MATLAB的铁路路基沉降预测优化方法

高速铁路路基的工后沉降严重影响着行车安全。在已有的预测模型中,所采用的初始数据往往不能满足等时间周期采集,而且还会伴随着一系列不可避免的观测误差,模型本身的误差累计,不能进行长期预测。文中利用最小二乘原理对初始值进行拟合改进,采用Lagrange插值方法将非等间隔序列转为等间隔序列,并基于新陈更替GM(1,1)模型利用MATLAB建立沉降预测模型;在此基础上,提出对模型残差进行GM改正以提高模型精度的方法。研究表明,通过对初始值序列改正后的模型具有较好的适应性,优化改进后的模型预测误差小,预测精度优于新陈更替GM(1,1)模型。     

灰色模型预测

<正> GM(1,1)模型对建筑物沉降预测是行之有效的好方法。但是我们的实际沉降观测常常是不等时距进行的,这样,等时距的GM(1,1)模型就要设法改为不等时距的模型。本文以163号楼沉降观测为例,介绍这种建模的方法。灰色系统不等时距的GM(1,1)模型与等时距的模型形式基本一样,只是由于观测时间不等,需在求定序列值时做些变换。这里主要通过两种方式进行变换:     

Lagrange修正的动态GM(1,1)模型在基坑变形预测中的应用

针对原始序列出现较大误差或遗漏时导致预测精度低、残值大的问题,提出了一种基于Lagrange修正的动态GM(1,1)(gray model,GM)模型。该模型首先用Lagrange插值法对原始序列进行修正,其次将修正的数据作为原始数据建立Lagrange修正的GM(1,1)模型,并实时加入最新的监测数据,建立Lagrange修正的动态GM(1,1)模型。以某中心医院基坑监测数据为例进行了计算分析,结果表明,Lagrange修正的动态GM(1,1)模型精度优于传统GM(1,1)模型,能准确地预测基坑变化趋势。     

优化非等间距GM(1,1)模型及其在变形监测中的应用

针对非等间距GM(1,1)模型的拟合和预测问题,考虑灰作用量的时变特征,系统地证明了一种优化灰作用量的非等间距GM(1,1)模型,并提出通过粒子群算法选取拟合模型最优的背景值权重参数来构造优化模型的最优背景值。以典型的变形监测数据为算例,构建了非等间距GM(1,1)模型、优化灰作用量的非等间距GM(1,1)模型和优化灰作用量与背景值的非等间距GM(1,1)模型。通过算例的分析与对比,结果表明优化灰作用量的非等间距GM(1,1)模型和优化灰作用量与背景值的非等间距GM(1,1)模型对原始数据的拟合和预测具有较高的精度,优化模型具有可行性和有效性。     

非等间距无偏GM（1,1）模型在建筑沉降预测中的应用

将非等间距数列转化为等间距数列,并建立无偏GM（1,1）模型.通过对非等间距数列的处理,得到适合GM（1,1）建模的等时距数列,并在GM（1,1）模型的基础上,给出非等间距无偏GM（1,1）建模的具体步骤.从理论上证明无偏GM（1,1）能消除GM（1,1）模型的固有偏差,拓宽GM（1,1）的使用范围.最后将模型应用于实际建筑沉降预测中,研究结果表明非等间距无偏（1,1）模型精度高、实用性强.     

基于新陈代谢GM(1,1)模型的益阳城市化水平分析

以益阳市2001年-2010年城市化水平数据为依据,运用灰色系统理论,建立了GM(1,1)和新陈代谢GM(1,1)预测模型;并运用不同方法对2种模型的精度进行了检验,结果表明,新陈代谢GM(1,1)模型优于常规GM(1,1)模型,其精度更高。应用新陈代谢GM(1,1)模型,对益阳市城市化水平未来10年进行预测,其结果符合益阳市城市化的实际情况。     

变异时序回归GM(1,1)模型

鉴于在GM(1,1)预测模型中,灰参数与背景值导致的GM(1,1)模型的残差,本文提出将残差引入到时序中,对时序进行变异,利用不同的曲线回归方程对变异时序进行估计.基于对不同回归方程估计结果的误差分析,选用最佳的回归方程作为GM(1,1)变异时序预测方程;并将预测结果作为GM(1,1)模型的变量k.实例计算表明,变异时...     

基于优化GM(1,1)模型的基坑位移监测数据预测方法

针对GM(1,1)模型预测结果精度低的问题,提出原始序列卡尔曼滤波处理的优化模型方法,结合指数函数构造背景值,进行灰色模型预测分析。结合苏州站综合楼基坑沉降监测结果,探讨了GM(1,1)模型原始序列的选择,分析了优化GM(1,1)模型的精度,验证了优化模型在提高预测精度上的可行性。     

pGM(1,1)模型在变形预测中的应用

分析了GM（1，1）模型在背景值取值上的不足，提出了一种基于权的pGM(1,1)模型，通过模型比较，表明pGM(1,1)模型具有更好的预测效果，并用该模型进行了实际的变形预测。     

全最小一乘的灰色模型在变形监测中的应用

简述了全最小一乘准则下的参数估计理论和灰色GM(1,1)模型建模原理,介绍了全最小一乘准则下的灰色GM(1,1)模型参数估计和利用线性规划模型进行参数计算的方法。通过实例与最小二乘准则下灰色GM(1,1)模型计算出的各项指标进行对比,结果显示,利用全最小一乘准则下的灰色GM(1,1)模型进行变形预测,不论有无异常值存在,其预测值均有较强的稳健性。因此,该模型对工程变形监测的预报具有重要的意义。     

GM(1,1)模型反演预测方法在沉降预测中的应用

为了研究提高GM(1,1)模型预测精度的方法,本文首先讨论了GM(1,1)模型对初值的不敏感性和拟合预测序列增长率的恒定性;其次,根据GM(1,1)的性质提出新陈代谢反演预测的方法;最后,通过工程实例对比不同模型的预测精度。结果表明:GM(1,1)反演预测方法具有很高的预测精度,适用于沉降变形预测。     

GM(1,1)模型在沉降预报中的应用

本文提出采用灰色理论进行定量预报的方法。讨论GM(1，1)沉降预报模型的建立以及应用问题，并使用建立的预报模型对沉降控制点沉陷量进行预报。结果表明，用GM(1，1)模型进行预报具有理论的可行性和现实意义，说明灰色理论在地表沉降预报领域具有实用价值。     

灰色GM(1,1)模型在高铁线下工程沉降变形预测中的应用

讨论了GM(1,1)预报模型的建立及应用问题,并通过对贵广铁路某高架桥沉降变形数据进行研究,结果表明,利用GM(1,1)建模进行预报具有理论的可行性和现实意义,说明灰色理论在线下工程沉降变形监测中具有实用价值。     

加权灰色预测模型及其计算实现

鉴于GM（1，1）灰色预测模型中背景值取值方法的不足，引入背景值最佳生成系数，得到新的背景值计算式，从而将GM（1，1）预测模型扩展为加权灰色预测模型－－PGM（1，1）预测模型；并对PGM（1，1）预测模型中的最佳生成系数p及灰参数的估计计算进行了详细论述，应用迭代法来确定要应的数值。实例表明，此方法的拟合精度和预测效果均优于GM（1，1）模型。