改进背景值的非等间距GM(1,1)模型预测用水量

考虑到在工程实际中用水资料可能有所缺失或因某些数据异常而造成数据列的不等间距,构造了非等间距GM(1,1)模型,并对其背景值进行改进.结果表明,改进背景值后非等间距GM(1,1)模型的预测精度大大提高,用其预测城市用水量是合理可行的.     

改进灰色GM(1,1)模型在隧道围岩位移预测中的应用

传统灰色GM(1,1)模型 ,多适用于等间距序列监测数据的模拟预测 ;对非等间距则往往产生较大的滞后误差。提出了一种经改进的GM(1,1)模型 ,经实例分析 ,该模型适用于隧道围岩位移非等间距监测数据序列的位移预测 ,且都能获得很高的模拟和预测精度     

基于灰色神经网络算法的测量数据处理

本文研究了灰色神经网络的建模原理,然后通过GM(1,1)模型和等维新息灰色神经网络模型计算建筑物沉降观测数据,包括等间距时间数据序列和非等间距时间数据序列,分析试验结果,灰色神经网络模型的结果精度高于灰色理论模型的精度。     

灰色预测在高层建筑物沉降监测中的应用

以秀山湖二期工程为例,运用灰色预测系统,建立了两种非等间隔灰色GM(1,1)模型,并对建筑物进行沉降监测,通过对沉降数据的对比分析,指出采用数据变换的非等间隔GM(1,1)模型要优于加权处理的非等间隔GM(1,1)模型。     

改进灰色理论模型在海相深厚软土路基沉降预测评估中的应用

海相深厚软土路基的工后沉降预测是当今铁路建设中的重大难题,灰色理论为解决这一问题提供了可能。在GM(1,1)模型基础上,考虑量测数据不等时间间隔,建立路基沉降的非等间距等维的模型,并引入缓冲弱化算子,消除灰色预测模型的无限增长性。本文以广珠铁路珠海西站为例,运用改进GM(1,1)灰色理论预测海相深厚软土路基沉降,并与常规预测方法进行比较,研究结果表明改进GM(1,1)灰色预测法具有很高的精度,要优于传统方法。     

地基沉降的灰色群优化预测模型

建筑地基的沉降观测一般是时间非等间距的;分析了基于灰色理论建立的非等间隔数据GM（1,1）模型进行预测所得出的结果的误差变化,得出需要进行预测的后续时间越长,误差就越大;用越久远的数据建立的非等间隔数据GM（1,1）模型进行预测,所得出的相同后续时间的结果误差越大;运用灰色系统理论建立模型群,进而对模型群进行了优化,建立了非等间隔数据GM（1,1）模型群的优化预测模型.     

GM(1,1)模型与灰色Verhulst模型在路堤沉降预测中的探讨

分析非等间隔序列GM(1,1)模型与灰色Verhulst模型的发展特点,用于预测路堤沉降量,以考察其可行性与精度,并得出非等间隔序列GM(1,1)模型与灰色Verhulst模型是一种有效的预测路堤沉降量的方法,同时指出非等间隔序列GM(1,1)模型与不等时距灰色Verhulst模型存在的局限性。     

两种非等间隔GM(1,1)模型在沉降预测应用中的比较

本文对两种传统非等间隔GM(1,1)模型进行分析,将秀山湖二期工程沉降观测实例应用于模型进行对比,选出精度较高的非等间隔GM(1,1)的模型,并以此论证灰色系统理论对建筑物沉降观测数据处理的可行性、正确性。     

改进灰色预测模型在城市用水量预测中的应用

为提高城市用水量的预测精度,分析了GM(1,1)模型和灰色Verhulst模型,同时由于GM(1,1)模型存在一定的缺陷,本文对基本GM(1,1)模型进行了新陈代谢改进,最后通过对实例的预测分析,改进灰色预测模型预测精度更高。     

高边坡安全监测的改进GM模型预测研究

由于一般的 GM(1,1)模型进行预测存在较大的局限性及产生系统误差,对一般 GM(1,1)模型进行了误差来源追踪分析并提出改进方法,得到改进后的 GM(1,1)预测模型,并将其用于高边坡安全监测。依据碧口水电站高边坡连续 8 a 的监测数据(第 6,7 a 的数据予以剔除),建立了碧口水电站高边坡灰色安全监控模型。把改进的 GM(1,1)预测模型与一般的 GM(1,1)模型、统计模型等预测模型进行了对比,同时还进行了平均误差、相关系数以及最大误差分析对比。研究表明,改进后 GM(1,1)模型监控精度较高,预测结果与实际吻合较好。