变形监测双重加权DPGM(1,1)预测模型的建立

针对GM(1,1)建模过程中背景值、时间因素两方面存在的不足,文中提出双重加权DPGM(1,1)预测模型,通过对背景值进行加权生成新的背景值,建立PGM(1,1)模型;在PGM(1,1)基础上考虑到时间因素在求解灰参数时进行第二次加权建立DPGM(1,1)模型。通过实例分析,比较GM(1,1)、PGM(1,1)、DPGM(1,1)三种模型在变形监测数据处理中的拟合和预测结果。表明,双重加权DPGM(1,1)模型拟合效果更好、预测精度更高。该模型具有前两种模型的优点,同时弥补了传统GM(1,1)的不足。     

基于原始序列的灰色预测模型

针对原始序列平滑处理和用直线斜率代替t=k+1/2时刻导数两方面的问题,该文在分析GM(1,1)建模过程和原理的基础上,应用中心逼近原理,提出了基于原始序列的灰色预测模型OGM(1,1)。对于严格呈指数增长趋势的原始序列,通过平滑处理使其更利于建模,再通过累减获得新的初始序列,建立OGM(1,1)模型。通过对高增长、低增长和缓慢递减3种类型实测数据序列验证分析,比较GM(1,1)、PGM(1,1)和OGM(1,1)3种模型在变形监测数据处理中的拟合和预测结果,结果表明OGM(1,1)模型拟合效果更好、预测精度更高。     

初始条件改进全概括灰色预测模型研究

传统灰色GM(1,1)预测模型对初始条件的选择存在一定的不足.文章在分别以与作为预测模型初始条件研究的基础上,提出通过对任意两个数据之间进行加权生成,作为初始条件建立新的预测模型,并命名为FGM(1,1)模型.此模型改变了以往只利用原始数列的某一点作为初始条件的方式,也是传统模型与几种改进模型的一种全概括.经实例验证,新模型的拟合与预测精度不低于前几种模型,为最优.     

加权灰色模型及其在变形分析中的应用

鉴于以往灰色模型背景值取值的不足,拓展了背景值的取值范围,提出在一定条件下任意加权模型背景值的确定方法,通过算例,得出RGM(1,1)模型预测和模拟效果相比较GM(1,1)和PGM(1,1)更好.     

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。     

时变参数PGM(1, 1)变形预测模型及其应用

在GM(1，1)模型的基础上，考虑参数随时间的变化，用多项式逼近模型参数，同时针对GM(1，1)模型背景值取值方法的不足，引入背景值最佳生成系数，建立了时变参数PGM(1，1)变形预测模型。多项式中的待定系数采用最小二乘法确定，背景值最佳生成系数采用搜索法确定。实例计算表明，时变参数PGM(1，1)变形预测模型具有较高的模拟精度和预测精度，适合用于变形体的变形预测。     

基于 Markov 理论的加权非等距GM（1，1）预测优化模型

背景值的构造方法是影响加权非等距GM(1,1)预测模型的精度和适应性的关键因素。文中通过等分函数法构造新的背景值对传统的加权非等距GM(1,1)模型进行优化,优化后的模型使其同时适应于高增长指数序列和低增长指数序列,提高传统模型的预测精度和适应性能力。但是优化后的模型依然易受建模数据随机扰动影响。马尔科夫(Markov)模型具有削弱建模数据的随机扰动性的优势。基于此,将优化的加权非等距GM(1,1)模型和Markov理论有机结合,构建优化的加权非等距Markov-GM(1,1)预测模型。最后,结合秀山湖二期工程的变形实测数据,运用新陈代谢的计算模式进行预测验证。结果表明:优化的加权非等距Markov-GM(1,1)预测模型的拟合和预测精度都优于传统的加权非等距GM(1,1)预测模型,新的预测模型的适用性更强,具有实际的参考价值。     

同时改进背景值和初始条件的一种GM(1,1)预测方法

传统GM(1,1)模型在背景值和初始条件的选取方面存在不足,为了提高灰色GM(1,1)模型的预测精度和拟合精度,本文提出了一种同时改进背景值和初始条件选取的新模型,此模型对以往单独对背景值或初始条件的优化进行了改进,将两个影响条件整合到一起。最后通过实例将该新模型与几种模型的拟合和预测数据比较,显示出了新模型的预测精度高。     

时变参数灰色模型背景值重构及实现

针对时变参数灰色模型PGM(1,1)的背景值重构收敛速度及稳定性问题,该文运用积分的方法综合序列在Δt内不同变化趋势,导出背景值模型的准确表达式。实现了反映序列对新老信息偏爱程度的最优权值介于(0,1)内,且非不能越过某一阈值;给出了背景值重构模型最优解准确求取的具体算法步骤。基于MATLAB语言的实验结果表明:改进模型预测精度高,易于实现;所研究的带权灰色模型GM(1,n)背景值模型的重构及计算方法验证了PGM(1,1)模型重构及计算实现方法的有效性和实用性。     

基于灰色模型和指数平滑法的地面沉降预测

提出了在灰色模型GM(1,1)和三次指数平滑法基础上的组合预测方法。地面沉降是一种渐变性地质灾害,可以预测其发展趋势。文章结合灰色系统理论预测模型及指数平滑法预测模型的特点,提出了在灰GM(1,1)和三次指数平滑法的基础上采用加权组合预测地面沉降预测的方法。     

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...     

基于非等间隔GM(1,1)模型的沉降预测

使用非等间距GM(1,1)模型、基于线性内插和基于神经网络的GM(1,1)模型对某建筑物的沉降观测数据进行分析和预测,并将建模过程在Matlab中用程序语言进行描述。依据预测结果对3种方法的优缺点进行说明,对于实际工程的数据处理方法选取有一定的指导意义。     

基于等式的等间隔GM(1,1)模型比较研究

本文归纳了基于等式的2种等间隔GM(1,1)模型,比较了这2种模型与常规模型的精度,算例显示:当发展系数a较小时,3种模型的后验差比值C和小误差概率P的精度一致;当发展系数较大时,基于等式的模型比常规模型的后验差比值C和小误差概率P的精度高,且基于等式的这2种模型的后验差比值C和小误差概率P精度基本相当.     

K-GM（1，1）模型在岩体变形监测中的应用

传统GM （1,1）模型存在着长期预测效果差、模型精度不高等问题,卡尔曼滤波能够排除建模过程中随机干扰因素,滤波值能够反映更真实的数据情况。为了能更好地提高变形监测的预测精度,基于传统GM （1,1）模型和卡尔曼滤波,提出K‐GM （1,1）模型,利用该模型对岩体变形监测数据进行建模预测,并与传统GM （1,1）模型预测结果进行对比分析,结果表明,K‐GM （1,1）模型具有较高的预测精度,可作为变形监测的一种新方法。     

基于Matlab的灰色回归组合模型在沉降监测中的应用

基于Matlab的灰色回归组合模型,是对灰色GM(1,1)模型以及线性回归模型的补充和改善,通过对某工程沉降监测数据进行分析和处理,并且与单一模型的预测精度相比较,从预测结果可知该组合模型的预测精度与单一模型相比有较大提高,这对于预测工程时间有一定的指导意义。     

局部均值分解与支持向量回归的大坝变形预测

针对现有变形预测方法对于大坝变形的预测效果不理想的问题,该文利用局部均值分解方法获取生产函数分量并进行支持向量回归建模,用此方法对大坝变形进行多尺度分析。通过局部均值分解对大坝变形序列进行分解得到其乘积函数分量,然后利用支持向量机回归进行外推预测,再把各乘积函数分量的预测结果进行叠加重构生成,进而获得大坝变形预测值。通过实例分析,比较GM(1,1)、支持向量机和该文方法3种模型在变形监测数据处理中的拟合和预测结果,表明该文方法充分发掘数据本身所蕴含的物理机制和物理规律,提高了大坝变形多尺度预测精度。     

新陈代谢GM(1,1)模型在大坝边坡沉降监测中的应用

针对传统GM(1,1)模型存在数据序列的初始值过旧使预测意义减弱的问题,文中采用更新数据序列初始值的新陈代谢GM(1,1)模型对传统模型进行改进;以南方某大坝边坡监测点的沉降位移为例,分别使用两种模型对该监测点沉降位移进行拟合预测并与实际值进行比较。实验证明,新陈代谢GM(1,1)模型精度明显高于传统模型,更接近于真实值。     

GM-BP 组合预测模型在基坑沉降分析中的应用

为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。     

GM-BP组合模型在地表变形预测中的应用

灰色模型具有计算简便、所需数据量小等优点,在短期预测中有较高的精度,但对波动性较大的数据预测效果较差;神经网络具有较强的非线性映射能力以及自学习能力,对波动性数据的处理效果良好。本文结合二者的优点,建立了GM-BP组合模型。实例证明,组合模型相对单一的模型在地表变形预测中具有明显的优势。