PSO-GM(1,1)模型在结构损伤诊断中的应用

通过粒子群算法求解GM(1,1)模型中的参数α和μ,对传统的GM(1,1)模型进行了改进。通过实例分析表明:基于粒子群算法的GM(1,1)模型对非平缓数据序列的拟合精度显著优于传统的GM(1,1)模型,对平缓数据序列,在拟合的平滑性和与原始数据序列的整体接近程度上优于传统的GM(1,1)模型。将该方法应用于结构损伤预测,结果表明:基于粒子群算法的GM(1,1)模型对检测数据的处理能力更强,预测数值与真值的整体吻合度更高,从而使模型能更好地应用于复杂结构及复杂情况下的损伤预测。     

改进的非等间距灰色模型在大坝位移预测中的应用

传统GM(1,1)预测模型在大坝位移拟合及预测中存在优化方式单一、适应性不佳等不足,一定程度上影响模型的预测效果。基于蛙跳算法,通过优化背景值和平滑系数、寻找最优定解条件以及残差优化等方法,提出了改进的非等间距GM(1,1)大坝位移预测模型。结合相关工程实例,对比分析了2种模型的拟合效果和预测精度,说明了相对于传统GM(1,1)大坝位移预测模型,改进的GM(1,1)大坝位移预测模型能有效提高位移预测精度,可以应用于实际大坝结构中的位移监控及预测。     

基于提升小波优化模型在大坝位移预测中的应用

针对传统建模主观性造成的精度影响以及预测数据的噪声干扰,提出了基于提升小波的系统优化GM(1,1)模型.该模型可有效剔除监测信息的噪声分量,减小预测误差,同时根据最小二乘原理提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,建立了优化GM(1,1)预测模型的最优初始值.对某大坝位移监测信息进行了计算,相对传统GM(1,1)模型而言,优化GM(1,1)模型可明显提高预测精度.     

大坝位移的改进非等间距GM(1,1)预测模型

基于灰色理论建立的GM(1,1)灰色预测模型常被用于大坝位移实测资料序列的分析。为提高大坝位移预测精度,在分析传统GM(1,1)预测模型构建原理、步骤的基础上,提出了对原始数据序列进行平滑处理、对背景值和残差序列进行优化等方法,建立了大坝位移预测的改进非等间距GM(1,1)模型,并用某大坝水平径向位移监测数据对其进行了检验,结果表明:改进的模型在大坝位移预测中的适用性更强,不仅提高了预测精度,而且保留了灰色模型建模灵活、所需数据少等优点,用于短期预测效果较好,用于长期预测的效果有待考证。     

GM(1,1)改进模型在大坝位移预测中的应用

针对传统GM(1,1)模型的不足,分别从提高原始序列的光滑度、优化时间响应函数两个方面对其进行了改进,对模型进行残差检验和后验差检验,并建立一种新的GM(1,1)模型,将改进了的模型应用于大坝位移预测中,结果显示:新的GM(1,1)模型拟合预测精度明显高于传统模型。     

气象干旱组合预测模型研究及其应用

为提高干旱预测精度,克服单一预测模型的不足,在分析灰色理论和遗传神经网络模型特点的基础上,构建了气象干旱的多尺度组合预测模型。该模型首先提取灾变序列,利用GM(1,1)模型进行拟合和预测,然后采用遗传神经网络对拟合值进行修正,得到训练好的网络结构,最后修正GM(1,1)模型的预测值。利用郑州市1951—2012年月降水数据进行的干旱预测结果表明:针对不同尺度的灾变序列,组合预测模型的预测效果优于GM(1,1)模型和遗传神经网络模型,且模型的平稳性较好。     

基于灰色理论的城市用水量预测

运用灰色预测理论建立用水量的GM(1,1)模型,以邯郸市区历年用水量为原始数据序列进行预测,用后验差法检验模型精度。该模型实质上是一个指数型函数,其预测效果很大程度上取决于原始数据的特点,要求时间序列近似指数规律变化或者说要求数据总体上呈单调较平缓变化,而不是周期性或无序性变化。     

改进GM(1,1)模型在两坝间水质预测中的应用

为提高GM(1,1)模型的精度,采用具有残差校正的n次累加的改进方法,解决模型中非单调的摆动序列数据波动大,随机性强的问题.经在长江三峡大坝与葛洲坝两坝之间水质预测应用,针对长江三峡与葛洲坝河段河流水环境特点,采用了常规的水环境水质3项主要污染物指标NH3-N、CODmn、TP全年度监测数据进行了验证、检验.验证结果证明,改进后的模型平均误差比原GM(1,1)模型减小了9.7%,精度提高10%左右,预测曲线与实测曲线吻合度好,后验差概率P=1,大于0.95～0.97,残差比C为0.102～0.210,小于0.350,综合评定精度为Ⅰ级,表明采用残差校正处理技术的灰色模型在水质预测中具有较好的实用性和开发前景.     

基于加权灰色-马尔可夫链模型的城市需水预测

城市需水量预测是区域水资源规划及优化配置的基础内容。在基于灰色GM(1,1)模型预测城市需水量总体趋势的基础上,引入加权马尔可夫链预测理论,建立了加权灰色马尔可夫GM(1,1)预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过相对误差的状态转移概率矩阵的变换提取数据随机波动响应的特点。成都市城市需水量预测结果表明:加权灰色马尔可夫GM(1,1)模型充分利用需水量数据给予的信息,实现了对相对误差的状态转移的预测,并提高了修正灰色模型预测值的精度;通过与其它2种灰色预测模型预测结果比较,加权灰色马尔可夫GM(1,1)模型精度更高,预测得到2012年和2013年成都市城市需水量分别为74 250.91万m³和79 818.34万m³,呈明显增长趋势。因此该模型提高了随机波动较大数据序列的预测精度,拓宽了传统灰色模型预测的应用范围,更具科学性。     

变形预测的一种最优线性组合模型

介绍了灰色GM(1,1)、时间序列和非线性组合模型的基本概念,讨论了最优线性组合模型的定义及其权系数的求解方法。结合某大坝变形监测数据,建立了基于灰色与时间序列的非线性组合模型和最优线性组合模型,以及基于灰色、时间序列与非线性组合的最优线性组合模型,并把这3种组合模型的预测结果与GM(1,1)、时间序列模型进行比较。结果表明,融合GM(1,1)、时间序列与非线性灰色时间序列组合的最优线性组合模型的预测效果明显好于另两种模型,其预测误差小于1 mm。     

土石坝稳定渗流量的数值模拟及预测

以若干实测渗流量为基础数据构成原始数列,用累加算子弱化个体差异。在累加序列生成的基础上求出紧邻生成序列,构建GM(1,1)灰色微分方程。求解微分方程的响应函数并还原出模拟函数,经精度验证和修正后,模拟函数可完成对渗流量的模拟和预测的任务。     

基于GM（1，1）的残差修正模型及应用

为了提高GM（1，1）模型的预测精度，对GM（1，1）模型进行预测，得到残差序列，然后用残差序列建模对原模型进行修正，得到GM（1，1）的残差修正模型，将其应用到扬压力的预测中，结果表明模型精度大大提高。     

灰色GM（1,1）模型在地下水位预测中的应用

GM（1,1）模型是一种精度较高的预测模型,该模型不仅操作简单,而且当数据较少、且无法采用统计和其他的预测方法时,该方法是非常有效的。以某地2000—2005年地下水位为原始数据,采用GM（1,1）模型对2006年地下水位进行了预测,达到为该地区的地下水资源的调配提供参考依据。     

GM(1,1)模型在红山窑泵站沉降预测中的应用

针对红山窑水利枢纽泵站地质条件的特殊性,提出在现有沉降观测数据的基础上,运用灰色理论的方法,建立GM(1,1)模型。通过数值试验确定模型最佳维数后,采取淘汰过于陈旧的数据信息、补充新观测数据的方法,即建立GM(1,1)等维新息模型,来预测该建筑物的沉降量。分析结果表明,GM(1,1)等维新息模型能较好地预测该泵站的沉降发展趋势。     

基于 RAGA 的 GM(1,1)-RBF 组合需水预测模型

建立了基于实码加速遗传算法（real coded accelerating genetic algorithm, RAGA）的灰色 (grey model,GM(1,1)) 径向基函数 (radial basis function, RBF) 神经网络预测模型。该模型克服了传统 GM(1,1) 模型存在明显系统误差和容易陷入局部最优的缺点 , 具有 GM(1,1) 模型对数据确定性方面把握的优点 , 同时融合了人工神经网络在不确定因素预测方面的优势。 运用该模型对山西工业需水量进行预测 , 预测表明该模型相比单个传统模型具有相对较高的预测精度,验证了 GM(1,1)-RBF 组合模型在中长期需水预测应用中的合理性,对相关政策的制定有一定参考价值。     

大坝变形度的不等维加权动态GM(1,1)预测模型

针对灰色GM(1,1)模型预测结果易受模型中以前测得的陈旧数据的干扰,及等维动态GM(1,1)受缚于维数选择的情况,给出了不等维加权动态GM(1,1)模型的基本内容及建模过程,模型中计算出多种维数的GM(1,1)模型的预测值,并且通过萨函数加权法和BP神经网络计算出每种维数的权值,通过加权获得最终预测值.并且成功地将不...     

改进的灰色灾变模型在干旱预测中的应用

为提高传统的GM(1,1)模型精度,分别从原始数据序列检验和建立残差修正模型两方面进行了改进,并将改进的灰色灾变模型与不进行原始序列检验的GM(1,1)1模型和对原始数据序列进行检验的GM(1,1)2模型进行了比较。结果表明:改进的灰色灾变模型精度最高;运用该模型预测榆林市未来可能发生干旱的年份分别为2012年、2015年和2019年。