GM优化方法在机械系统寿命预测中的应用

针对机械系统失效单元寿命预测所涉及的时间序列，介绍了灰色模型GM(1，1)(GM：Grey Models)方法在预测中的特长及缺陷，同时为了提高预测精度，将灰色模型GM(1，1)法拓广为GM(1，1，ω)预测模型法，因为新模型中参数ω与预测误差之间存在着明显的非线性特性，而且ω数值离散化，所以采用优化逼近方法优化ω^*值，最优GM(1，1，ω^*)预测精度高于GM(1，1)，工程实例也证实了此方法的效果是显著的。     

GM(1,1)模型的改进及其在变形预测中的应用

为了提高GM(1,1)模型预测精度,采用积分优化、二次拟合优化以及残差改化方法,分步对GM(1,1)模型进行改进,建立灰色多重修正模型。具体改进步骤为:首先,利用积分优化方法对背景值进行纠正,减小模型误差并提高预测精度; 接着,对模型参数(发展系数和灰作用量)进行二次拟合优化,使参数更加接近理论真值; 然后,根据预测结果进行适当的残差改化,提高模型整体的预测精度; 最后,建立根据GM(1,1)模型改进的灰色多重修正模型。以重庆南川地区甄子岩崩塌为例,建立灰色多重修正模型对危岩裂缝累计位移值进行模拟和预测,并与GM(1,1)模型进行对比。精度检验结果表明:灰色多重修正模型后验差比值(0.082 39)明显好于GM(1,1)模型(0.192 67),平均相对残差比(0.073 9)更远好于GM(1,1)模型(0.259 6),表明灰色多重修正模型在预测精度上有较大提高,可靠性更好。     

优化灰色GM(1,1)模型在黄河下游灾变预测中的应用

针对灰色GM(1,1)模型精度不稳定的问题,对GM(1,1)模型的建模机理进行探讨,根据指数函数和线性函数的特性,利用分析技巧,提出了2类优化模型,并将此优化模型应用于黄河下游堤防工程坍塌险情灾变预测中.结果表明,2类优化模型均比原始GM(1,1)模型有较高的模拟和预测精度,为灾变预测提供了新思路.     

基于卡尔曼滤波的优化GM(1,1)模型在建筑物沉降预测中的应用

为了提高灰色GM(1,1)模型的抗扰动能力和预测精度,运用卡尔曼滤波对原始沉降数据进行滤波去噪,并重新构建灰色GM(1,1)模型的背景值,建立基于卡尔曼滤波的优化GM(1,1)模型。以某建筑物实测沉降数据为例,进行新模型、传统灰色GM(1,1)模型和优化的GM(1,1)模型的计算比较,结果表明,新模型不仅可以有效剔除监测数据中的随机噪声,而且提高了模型精度。     

权函数法灰色动态模型及其优化

本文在灰色动态模型的基础上,提出了权函数法的灰色动态模型GMWF(Grey Dynamic Model with WeightFunctions),给出了权函数法生成数的生成方法和权函数法的微分动态建模法,并且给出了模型的优化方法.用GM(1,1)(The GreyDynamic Model)模型和GMWF(1,1)模型同时建立了某地区的农业机械总动力数的长期预测模型,并且进行了精度方面的比较,发现GMWF(1,1)模型的精度高于GM(1,1)模型的精度.     

动态优化GM模型中分辨率系数的数据预测算法

为提高传统GM(1,1)算法的预测精度,运用遗传算法动态调整GM(1,1)中的均质生成数列分辨率系数,改变传统灰色模型的分辨率系数设置为1/2的计算模式,使得改进后的GM(1,1)算法针对小样本的预测具有更高的精度和鲁棒性.算法的数值实验结果表明,优化算法的预测精度高于传统的GM(1,1)算法和文献[3]中的算法.     

灰色新陈代谢GM(1,1)模型在中长期城市需水量预测中的应用研究

研究了基于灰色系统理论的中长期城市需水量预测方法.针对常规GM(1,1)模型存在的不足,建立了灰色新陈代谢GM(1,1)需水量预测模型,并利用此模型对北方某缺水城市未来10年的需水量进行了预测.结果表明:模型精度较高,预测误差较小.     

基于粒子群算法求解GM(1,1)模型参数的研究

探讨用粒子群优化算法求解GM(1,1)模型参数a,b,将用该参数建立的GM(1,1)模型与最小二乘法建立的GM(1,1)预测模型进行了效果比较.实例验证结果表明:对于较平缓变化数据序列,2种方法建立的GM(1,1)模型拟合还原精度相差不大,粒子群算法稍优;对于非平缓变化数据序列,经粒子群算法优化参数后,模型精度显著高于最小二乘法;灰色关联度分析表明,粒子群算法优化参数建立的GM(1,1)模型拟合序列几何形状上更接近原始序列.     

基于GM(1,1)的道路交通事故预测

灰色预测法是将随机的原始数据序列用数据生成的方法生成规律性较强的新数列,以生成的新数列建立数学模型,GM(1,1)是一种典型的灰色模型.论文介绍数列灰色预测方法,通过道路交通事故预测实例,论述了GM(1,1)的建模过程,并对模型进行了检验.结果证明:针对我国道路交通事故典型灰色特征,用灰色理论进行预测研究是一种可行的方法,短期预测有较高的精度.     

应用灰色新陈代谢GM(1,1)模型预测河流水质

由于常规GM(1,1)模型进行预测时,精度较高的仅是最近的几个数据,越往未来发展,该模型预测的精度也就越弱。针对常规GM(1,1)模型存在的不足,运用灰色系统理论,建立了灰色新陈代谢GM(1,1)河流水质预测模型,对该模型的精度以及误差进行了分析,并利用该模型对某地区河流的水质进行了预测。计算机实际模拟证明:灰色新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测的可靠程度,从而实现河流水质的早期预测评估。     

灰色GM(1,1)模型在电力系统负荷预测中的应用

研究了灰色GM(1,1)模型及其在电力系统负荷预测中的应用,以实际算例为基础,对预测结果作了分析,得出结论:灰色GM(1,1)模型精度较高,但也存在一定的局限性.     

自增强残余应力松弛的灰色优化模型研究

深入研究了基于灰色系统理论的自增强残余应力松弛的预测方法,剖析了灰色预测GM(1,1)模型应用的局限性及其改进方法,根据自增强残余应力松弛的特点,建立内压循环下自增强残余应力松弛规律的灰色优化模型(GOM).并将模型预测值与GM(1,1)模型和试验拟合曲线方程预测值相比较,结果表明:该模型精度较高,预测误差较小,预测结果与试验数据基本吻合,可作为自增强残余应力松弛规律的预测模型.     

基于粒子群优化灰色模型的电力系统负荷预测

在分析灰色GM(1,1)模型局限性的基础上,应用粒子群优化算法的非线性全局寻优能力来求解灰色模型参数值,提出了基于粒子群优化算法的灰色模型,并给出了负荷预测的实例.预测结果表明基于粒子群优化算法的灰色模型具有较高的预测精度和较广泛的应用范围.     

基于改进GM(1,1)模型的舰船纵摇运动预报

针对舰船运动的灰色特征,提出用改进的GM(1,1)模型对纵摇运动数据进行建模,改进的GM(1,1)模型是对服从非齐次指数增长规律的数据建模,克服了传统GM(1,1)模型指数规律的不足.首先给出改进GM(1,1)模型的微分方程形式及精确的离散化形式,考虑初值对模型的影响,建立优化灰色模型,提高了模拟精度.该模型为纵摇运动预报提供了一种新的方法.数值试验表明,这种方法较GM(1,1)模型效果好.     

基于灰色BP神经网络的沉降预测模型应用研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的建筑物沉降预测模型,通过工程实例数据分别对GM(1,1)模型和灰色BP神经网络模型进行验证,得到了灰色BP神经网络的预测效果要比单纯的灰色GM(1,1)预测模型精度要高的结论,本模型为解决建筑物基础沉降预测分析提供了一种新的方法.     

灰色模型在普通日短期电力负荷预测中的应用

讨论了灰色模型GM(1,1)及灰色差值模型在短期电力负荷预测中的应用,提出了适合普通日电力负荷预测的数据处理方法,提高了短期电力负荷预测的精度.     

GM(1,1)模型在预测工程价格指数中的应用

简要介绍了灰色预测方法GM(1,1)模型的适用条件、构造步骤及检验方法,建立了黑龙江省工程价格指数预测的GM(1,1)模型,经检验该模型的预测、模拟精度等级属于1级,预测结果可靠,能够准确预测工程价格指数,可为工程管理各方进行造价管理提供有益参考.     

灰色GM(1，1)模型在电力系统负荷预测中的应用

研究了灰色 GM(1,1)模型及其在电力系统负荷预测中的应用,以实际算例为基础,对预测结果作了分析,得出结论：灰色 GM(1,1)模型精度较高,但也存在一定的局限性．     

矿井涌水量灰色GM(1,2)预测模型

基于矿井涌水量序列具有明显的随机性和灰色特征,建立涌水量GM(1,2)预测模型,以克服灰色GM(1,1)模型对于随机波动大的长序列预测效果差的缺点。以王行庄煤矿为例,针对2012年7月至2013年12月王行庄煤矿18个月的涌水量资料,考虑与之密切相关的L7-8灰岩含水层水位降深,建立了矿井涌水量GM(1,2)预测模型;预测了2014年1—4月的涌水量;并与GM(1,1)预测模型进行模型精度与预测精度的比较。结果表明:GM(1,2)模型的预测精度达到了97.44%,GM(1,1)模型的预测精度为92.60%,GM(1,2)模型明显提高了矿井涌水量的预测精度。     

加工误差灰色预测模型的优化

为了提高加工误差灰色模型的预测精度,根据灰色系统理论,提出了一种基于等维新息GM(1,1)模型和背景值定权生成相结合的建模方法,采用优化方法实现了灰色模型维数和背景值权系数的适应性选择.实际应用表明,这种方法能增强灰色模型的适用性,减小原始序列随机波动对灰色模型的影响,提高加工误差建模预测的精度.