GM(1,1)模型在建筑物沉降量预测中的应用

根据建筑物的沉降变形特征 ,引用GM (1,1)建模思想来建立沉降预测模型。利用较少的前期观测数据建立模型来预测建筑物最终沉降量 ,然后据此判断其是否满足建筑物的变形要求 ,以便较早地提出工程防治措施。     

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。     

灰色GM(1,1)模型研究关中灌区地下水位变化规律

关中平原的渠灌区地下水位上升是普遍现象,严重时会造成一系列环境水文地质问题。本文通过建立灰色GM(1,1)模型研究了宝鸡峡灌区下游的地下水位变化规律,并进一步预测了其发展趋势。     

���ڿ������˲���GM(1,1)ģ���ڸ�������������η����е�Ӧ��

????и?????????????η????????????????????????С?????????????????????????????????????????????“С??????????”???????????????????????????????????????????????????GM(1,1)??????????????г??????η????????????????????????????????????????????????Ч???????????????е???????????????????????????????????????????????????GM(1,1)???????????????????GM(1,1)??????????????????????η?????????????????????????     

GM(1,1)预测效果数值试验

采用不同类型原始数据对传统GM(1，1)进行了预测效果数值试验，然后通过对预测结果及传统GM(1，1)基本思想进行深入分析提出传统GM(1，1)存在的问题，并提出了相应的改进思路。     

ͬ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)????     

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。     

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。     

GM(1,1)幂模型的改进及其在沉降预测中的应用

GM(1,1)幂模型可用于趋于稳定或具有S型变化趋势的沉降预测,但其存在灰色建模的固有缺陷、非等间隔数据的不适用性和参数求解复杂性等不足之处。结合幂函数变换与无偏GM(1,1)模型和非等间隔无偏GM(1,1)模型,建立了无偏GM(1,1)幂模型和非等间隔无偏GM(1,1)幂模型。基于Matlab程序,以拟合结果的平均相对误差最小作为优化目标,提出参数的优化求解方法,同时提出采用Origin拟合函数SRichards2的替代方法。实例分析结果显示,两种方法拟合效果相当,均可用于沉降预测。结合两者的应用效果和建模特点,建议人工处理数据时采用Origin拟合函数SRichards2;对于有特殊优化目标的情况或自动化监测设计时,可采用无偏GM(1,1)幂模型或非等间隔无偏GM(1,1)幂模型。     

GM(1,1)模型的遗传算法优化及效果检验

对平稳的数据和非平稳数据两种数据序列建立的GM（1，1）模型，分别用加速遗传算法（AGA）和最小二乘法（LSM）对模型参数求解。结果表明：对平稳变化数据序列，两种方法建立的预测模型的拟合优度和预测精度无显著差异；对变化幅度较大的非平稳数据序列，基于AGA的GM（1，1）模型的拟合优度和预测精度高于基于LSM的GM（1，1）模型的拟合优度和预测精度。     

����ƽ��ϵͳģ�����İ������������

????????????У????????????д???????????????????????????????????????????????????????????????????e??????????С????????????????????????????????R??????????????????????????????????????????????????????????????????С??????????????б?????????????????????????Ч??????????????д?????????????н?????????????     

非等间距GM(1,1)模型的总体最小二乘算法及其病态问题

在非等间距GM(1,1)模型中,系数矩阵中有无误差的常数项和有误差的随机项,并且系数矩阵与观测向量误差同源,即系数矩阵与观测向量中有相同的元素存在,这些相同元素应该有相同的改正数,为此本文推导了一种适合非等间距GM(1,1)模型求解的总体最小二乘算法。同时,考虑到非等间距GM(1,1)模型中存在病态问题时影响总体最小二乘计算结果的稳定性,提出对系数矩阵常数列乘以某一常数的方法,以改善病态问题。     

灰色稳健总体最小二乘估计及高铁路基变形预测

最小二乘估计和部分变量误差模型的总体最小二乘估计不具备抵御粗差的能力。鉴于粗差可能同时出现在灰色白化微分方程的观测值和系数矩阵中,本文提出基于IGGⅢ抗差方案的部分变量总体最小二乘稳健估计。结合仿真数据和高铁路基观测数据,系统地比较稳健最小二乘、部分变量总体最小二乘、本文算法参数估计结果和算法稳定性。结果表明,本文算法预测精度高,可以应用到高铁路基沉降预测中。     

BP�������ά����ģ���ڱ���ʱ��Ԥ���е�Ӧ��

???BP???????????????????????????????????????????????????????G??P??????????????????????????????????????D??h?????????????????m????????????????????????????????????????????????????BP????????????????????????????????????????????е??????????????????????????????????????????????????????????????????????t?????????????     

最小二乘外推与ARIMA(P,1,0)组合模型在极移短期预报中的应用

将ARIMA（P,1,0）模型应用到极移随机性部分序列的预报中,提出了利用最小二乘外推与ARIMA（P,1,0）的组合模型来对整体极移序列进行短期预报。并与其他方法对极移1～5天的短期预报精度进行了对比,结果证明了该模型在极移短期预报上的有效性与优越性。