基于自记忆原理的深基坑位移预测方法

传统灰色GM(1,1)预测模型对非负递增时间序列有较好的预测精度,但对波动幅度较大的时间序列预测精度较低。为了提高预测精度,本文在趋势曲线模型和自记忆理论的基础上,建立趋势曲线-自记忆组合预测模型,将该模型应用于深基坑位移预测中,并与灰色GM(1,1)预测模型和趋势曲线预测模型比较,该模型具有较高的预测精度。     

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。     

利用灰色理论预测油田开发指标

根据建立GM(1，1)模型的方法和改进办法，选择年产油量、年产水量两项开发指标作为预测对象，创立了一套利用灰色理论预测油田开发指标的方法：选择具有单调性的数据段，并用适当方法进行预处理后，建立GM(1，1)模型预测油田开发指标。将该方法运用于双河油田Ⅷ、Ⅸ油组，实践表明，该方法为一套切实可行的预测油田开发指标的方法。     

利用灰色预测法对科技成果转化率的预测

灰色预测法是一种对含有不确定因素的系统进行预测的方法，本文将该预测方法用于对时间序列的预测上，并给出了GM（1.1）模型的构建过程，最后用所构建的GM（1.1）模型对沈阳市科技成果转化率时间序列进行预测，取得了与实际非常接近的预测结果。     

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。     

预测酸雨频率的双残差GM（1，1）模型及其应用实例

目前预测酸雨频率多采用传统的残差GM(1，1)模型．本文结合最新修正的GM(1，1)模型及二级残差的概念，提出一种新的酸雨频率预测模型——双残差GM(1，1)模型，并利用该模型对青岛市酸雨频率进行模拟和预测，结果表明所建模型较之于传统模型有更高的模拟和预测精度。     

GM(1,1)模型的改进及其在火灾致死人数预测中的应用

为了弥补传统GM(1,1)模型在波动数据序列预测中误差较大的缺陷,采用一阶差分方法对初始数据序列进行改进,构建了一阶差分GM(1,1)模型。分别应用传统GM(1,1)模型和一阶差分GM(1,1)模型对2009—2016年火灾致死人数进行预测分析。结果显示,一阶差分GM(1,1)模型的预测精度高于传统GM(1,1)模型。     

基于小波与动态GM(1,1)-ARIMA模型的股价预测研究

针对传统时间序列股价预测模型的时间滞后性,提出一种基于小波与动态GM(1,1)-ARIMA的股价预测模型。运用小波分析对股价数据进行预处理,对小波重构序列建立ARIMA模型,考虑预测过程中未来因素对系统的影响,建立动态GM(1,1)模型。选取沪深300指数进行实证分析,结果表明所提出的小波与动态GM(1,1)-ARIMA模型与传统股价预测模型相比,其预测精度最高。     

改进GM(1,1)模型对地铁开挖沉降的预测

为了提高GM(1,1)模型在地铁施工过程中地表沉降量预测的精度,预防较大沉降或其他危险出现,提出了改进GM(1,1)模型预测方法.通过对比不同原始序列个数建立起来的预测值并确定最佳原始序列个数后,对GM (1,1)模型进行优化,并对构造背景值进行优化.通过缓冲算子对原始序列进行优化,之后再构造背景值进行优化.结果表明,背景值对模型的预测影响较小,缓冲算子在原始序列变化较大、变化不平顺时优化较好.     

非等间距新息GM（1，1）模型及其应用

针对非等间距GM（1,1）模型建模精度低、适应性不强等问题,应用新信息优化原理及灰色系统建模方法,采用原始数据序列的第n个分量作为灰色微分方程的初始条件,提出了非等间距新息GM（1,1）模型.基于背景值是影响灰色建模精度的重要因素之一,对非等间距新息GM（1,1）模型的背景值构造进行了研究,根据灰色模型的指数特性和积分特点,利用非齐次指数函数来拟合一次累加生成序列,重构非等间距新息GM（1,1）模型的背景值,并给出了背景值构造公式.该背景值不仅适用于等间距新息建模型,也适合于非等间距新息建模型,具有精度高、适应性强等特点.实例表明,所建模型具有良好的实用性和可靠性.     

改进的GM（1,1）灰色模型在大坝沉降预测中的应用

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、优化背景值、优化时间响应函数三个方面对其进行了改进,对模型进行后验差检验进行模型精度检验,并建立了一种新的GM（1,1）模型,将改进了的模型应用于大坝沉降预测中,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.     

水资源综合评价中典型区人口预测研究

在人口预测中,避开复杂系统的内部因素及他们之间的相互联系,从人口量序列综合灰变量本身寻找有用的信息,利用其动态记忆性,建立了灰色模型.对GM(1,1)模型进一步分析后,建立了新的GM(1,1)修正模型,将其用于典型区人口预测,取得了较满意的结果.     

灰色理论用于遥测数据中长期预测

针对目前卫星在轨测控过程中,遥测数据变化趋势不易判断这一问题,提出了对遥测数据进行中长期预测的思想.基于灰色系统理论,结合遥测数据特点和中长期预测要求,对灰色预测GM(1,1)模型的建模过程和预测精度进行研究.依据所构建的模型进行预测验证分析,根据后验差比值、小误差概率、预测精度对预测结果的评价分析显示,该方法可以对遥测数据中长期趋势起到提前预报的作用,符合卫星遥测数据中长期预测要求.预测结果能够为测控人员对卫星遥测数据未来趋势的分析和潜在故障的预警判断提供理论支持     

基于灰色预测模型的图像边缘检测

简要地介绍了灰色系统理论和灰色预测模型GM(1，1)，并将该模型和图像边缘检测有机地结合在一起，提出了一种新的图像边缘检测算法，对提出的算法进行了相应的仿真实验。仿真结果表明，该算法能有效地检测出图像的边缘，尤其在检测细密的条纹方面有明显优势。     

基于有机灰色神经网络模型的空气污染指数预测

针对灰色预测对波动较强的序列只能预测大致变化趋势的缺陷,结合灰理论中的GM(1,1)、无偏GM(1,1)、非等时距GM(1,1)、pGM(1,1)和BP神经网络的特点,提出有机灰色神经网络预测模型,将一维序列通过三个灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构．以哈尔滨市近三年内空气污染指数为例,结合其变化规律,建立哈尔滨市月平均空气污染指数的有机灰色神经网络预测模型,结果表明,该模型拟合误差小,预测精度高．     

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。     

一种新的改进GM（1,1）模型及其应用

通过对传统GM（1,1）模型的分析,针对影响预测精度的因素之一提出了一种改进的GM（1,1）模型,并将该新模型用于预测2010到2015年的道路乘客交通量.最后,通过试验结果可知新模型比传统GM（1,1）模型预测结果在预测精度上有了很大的提高,表明了该方法的有效性.     

桑丝绸老化力学性能预测灰色模型研究

提出了采用灰色模型对桑丝绸老化力学性能进行预测的基本方法,利用实测的老化后织物的断裂强力序列建立GM(1,1)模型、残差GM(1,1)模型和等维新息GM(1,1)模型,预测织物的断裂强力,并对各模型的预测结果进行比较分析.结果表明:将GM(1,1)模型和等维新息GM(1,1)模型结合使用可以使预测效果更好.     

舰船纵摇运动函数变换型GM(1,1)模型研究

以往曾有人利用时间序列法、周期图法、神经网络法及灰色系统理论等方法来研究船的运动,目前还没有一种有效的方法解决船的纵摇,针对船的纵摇运动利用灰色系统理论建立系统模型,在灰色系统模型的基础上,通过函数变换法（三角变换及平移变换）对纵摇角度数据的周期振荡性进行处理,得到单调增加的数列,再利用灰色GM（1,1）模型建模预报,数值试验表明,这种改进方法较GM（1,1）模型效果好。     

基于GM(1,1)模型的用电量灰预测方法

根据社会存在用电量不确定因素较多,变化趋势较为明显的特点,基于灰系统理论建立灰模型（GreyModel,GM）对用电量进行灰预测;用新信息替代旧信息构造了新息GM（1,1）模型,并及时反映目标值的时变特性,更好地考虑实际数据的影响。算例表明：模型的置信度达到99.15%,而误差仅为2.96%,说明用GM（1,1）模型进行用电量预测是有效的。