基于新陈代谢GM(1,1)模型的校准间隔预测

针对测量仪器校准间隔的优化问题,根据校准数据非线性、小样本的特点,提出了一种基于新陈代谢GM(1,1)模型的校准间隔预测方法.通过分析历史校准数据的特征,建立了新陈代谢GM(1,1)预测模型,通过仿真实验对预测模型进行了对比验证.结果表明,相对于灰色GM(1,1)模型,新陈代谢GM(1,1)模型克服了随机扰动对系统的影响,更能反映系统的变化趋势,预测精度更高,适合用于测量仪器校准间隔的预测.     

基于灰色GM(1,1)和自适应神经模糊推理的数据预测模型

综合利用灰色理论与自适应神经模糊推理系统( ANFIS)建立预测模型的思路,给出了利用自适应神经模糊推理系统对GM(1,1)模型残差进行修正,重构灰色GM(1,1)模型预测值的综合预测方法.选用我国某地区冬季最大电力负荷作为原始数据,用GM(1,1)模型对历年的电力负荷进行建模,并利用自适应神经模糊推理系统对其残差进行...     

改进GM(1,1)模型在环境噪声预测中的应用

从传统GM（1，1）预测模型构造原理出发分析其存在的理论缺陷，此模型适用于具有较强指数规律的序列。只能描述单调变化过程，而且预测数据序列中出现连续两个相等值时将使得α等于0，会使预测数列发散致使预测失效。采用平均斜率的概念计算α（k）序列，并利用MATLAB编程实现数据处理。广州市环境噪声污染数据计算表明，新方法有满意的拟合和预测效果，从而为提高建模精度提供了新的途径。     

模糊序列的GM(1,1)建模

本文在不改变GM(1,1)模型建模机理的前提条件下,运用模糊回归理论对GM(1,1)模型进行优化,通过定义三角模糊数的左、中、右距离,将模糊序列的GM(1,1)模型的求解转化为线性规划模型的求解,并通过实例加以论证。研究表明模糊序列的GM(1,1)模型保留了GM(1,1)模型所需建模数据少和具有预测功能的特点,且能为决策者提供一个决策区间。     

基于灰色马尔柯夫模型的采购预测

以灰色GM(1,1)和马尔柯夫理论为基础,提出基于灰色马尔柯夫模型的采购预测方法。首先利用灰色模型进行短期预测,再利用马尔可夫理论进行波动状态预测,最后得到采购量期望值。实例结果表明,灰色马尔柯夫模型预测精度较高,具有较好的应用价值,能为采购预测工作提供有用依据。     

非等间距GM(1,1)幂模型及其工程应用

针对工程中大量存在的非等间距序列的建模问题,提出了非等间距GM(1,1)幂模型。以平均相对误差绝对值最小化为目标,以模型参数之间的关系为约束,构建了一个非线性优化模型实现非等间距GM(1,1)幂模型的参数估计。结果表明,非等间距GM(1,1)幂模型的形式较为灵活,非等间距GM(1,1)模型和灰色Verhulst模型均是非等间距GM(1,1)幂模型的特殊情形,幂指数的优化有利于提高建模精度。最后通过一个工程实例验证了非等间距GM(1,1)幂模型的有效性与实用性。     

网格曲面中孔洞的光滑填充算法研究

三角网格模型是几何描述的一种重要形式，有着广泛的应用。但三角网络模型常常会存在孔洞缺陷。这些孔洞的存在一方面影响视觉效果，另一方面会影响许多后续的操作，如快速原型制造、有限元分析等，因此有必要对这些孔洞进行修补。目前绝大多数孔洞填充算法是将网格模型中的孔洞提取成空间多边形，并对孔洞多边形进行三角化。这种处理方法的主要缺陷是没有考虑网格曲面在孔洞附近的几何形态，因而填充部分不能与整个曲面光滑地融为一体。笔者提出了一种三角网格曲面中孔洞的光滑填充算法。该算法根据孔洞周围网格曲面的几何信息来增加孔洞内部的采样点，然后再对增加的采样点进行三角化，较好地解决了填充部分与整体曲面光滑连接的问题。     

基于灰色马尔可夫模型的煤层气抽采量预测

煤层气抽采量的准确预测,对煤层气开发利用工作的科学决策和发展规划具有重要意义。通过灰色系统理论与马尔可夫理论的结合,建立灰色马尔可夫模型对煤层气抽采量进行预测分析。首先建立煤层气抽采量的GM(1,1)预测模型,确定其变动趋势和初始预测值,然后应用马尔可夫理论对初始预测结果进行修正,最后通过实例计算验证了灰色马尔可夫模型的适用性。结果表明,灰色马尔可夫模型的预测精度明显高于传统GM(1,1),更适用于随机波动性较大的序列预测问题,因此将灰色马尔可夫模型用于煤层气抽采量预测是合理和可行的。     

灰色序列模型在物流园区货运量预测中的应用

运用灰色系统理论建立了货运量的灰色预测模型-GM（1,1）模型,并通过实例对货运量进行了预测,结果表明,该方法具有所需原始数据少、预测精度高等优点．     

机械加工尺寸灰色预报模型研究

大量应用表明,GM(1,1)模型对随机序列的预报精度相对较低。由于随机性是加工尺寸序列的主要特征,因此改进现有GM(1,1)模型,提高其对随机序列的预报精度,具有重要的实际意义。     

灰色模型GM(1, 1)优化

分析了GM(1, 1)模型产生模拟误差的原因，经大量的数据模拟和GM(1, 1)模型比较，发现背景值的优化使GM(1, 1)模型在短期、中期及长期预测中扩大了适用范围，并且模拟及预测精度显著提高。     

Grey GM(1,1) Model with Function-Transfer Method for Wear Trend Prediction and its Application

1　ＩｎｔｒｏｄｕｃｔｉｏｎＯｉｌｓｕｐｅｒｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙ ,ｗｈｉｃｈｗａｓｄｉｒｅｃｔｅｄｉｎｔｈｅｓｙｓｔｅｍｉｃｃｏｎｃｅｐｔｏｆｔｒｉｂｏｌｏｇｙａｎｄｗｈｏｓｅｍａｉｎｍｅａｎｓｗａｓｔｏｃｈｅｃｋｏｉｌｐｒｏｐｅｒｔｙａｎｄａｎａｌｙｚｅａｂｒａｓｉｏｎｇｒａｉｎｓ ,ｗａｓｅｘｔｅｎｓｉｖｅｌｙａｐｐｌｉｅｄｉｎｗｏｒｋｉｎｇｓｕｐｅｒｖｉｓｉｏｎａｎｄｆａｕｌｔａｎａｌｙｓｉｓｏｆｔｈｅｅｑｕｉｐｍｅｎｔｏｐｅｒａｔｅｄｉｎｗｏｒｋｉｎｇｖａｒｉａｔｉｏｎ ,ｌｏｗ…     

区间灰数表征与算法改进及其GM (1, 1)模型应用研究

针对目前区间灰数的表征和运算过程中存在着较为严重的问题，即：运算结果对灰数的灰度进行不必要的放大，造成信息的严重失真，笔者定义了标准区间灰数与第一和第二标准区间灰数的概念，分析了第一和第二标准区间灰数之间的关系，进一步设计了普通区间灰数与标准区间灰数之间的转换规则，提供了标准区间灰数之间的比较与运算法则，较好地解决了区间灰数之间的大小比较与运算问题。最后，将这一研究成果应用于基于区间数的GM (1, 1)模型预测问题，取得了良好的效果。     

三重三角网格细分算法研究

标准的二值细分操作会在那些特殊顶点相关联处产生极大的曲率,这个缺陷可以通过对细分操作的特征值施加一个限定的曲率频谱来消除,但会扩大对那些超出了二价的顶点的支持.三重细分方案将网格的边一分为三,上述情况不会发生.该文中,作者推广了二阶连续的四次样条的三重细分到任意的三角形.该细分算法具有有界的曲率,并且被设计成能够维持凸包的属性.     

The study of α in GM(1,1) model

Abstract

The purpose of this paper is to analyze a predicted error in using the GM(1, 1) model based on the parameter α. The transfer function for the predicted error with the parameter α in the GM(1, 1) model is presented. The algorithm of solving equations in calculus is used to analyze whether the α is adaptive or not. The criterion of α is applied to describe the adaptive criterion of α. Finally, an example of the cagenet amounts of fish in the Peng‐hu area is used to demonstrate the small prediction error due to the optimal α value. The result shows that the criterion for α is applicable for minimizing the predicted error easily.     

NURBS曲面的四边形网格的分割与逼近

介绍了一个用于对NURBS曲面进行四边形网格的分割与逼近的算法。该算法采用二叉树递归分割的方法分割和逼近曲面，所分割的四边形除了在高度方向和曲面边界处满足给定精度外，同时在四边形四条边界满足给定的切矢精度。实例测试结果表明，用本文所述算法生成的四边形网格具有网格逼近原曲面、网格四边形接近于规则四边形等特点。     

基于改进GM(1,1)-Markov模型的国内生产安全事故预测研究

为准确预测我国生产安全事故发展趋势,本文在传统GM(1,1)模型和马尔科夫模型的基础上,结合二者优点提出改进灰色马尔科夫预测模型,并以2005—2018年全国生产安全事故起数为原始序列探讨了改进模型的实际应用。区别于传统灰色残差修正理论,选取灰色模型预测结果的相对误差作为修正指标,2次应用马尔科夫模型对相对误差状态和误差符号状态进行优化预测,并使用平均相对误差和小概率误差对模型进行精度检验。结果表明,改进GM(1,1)-Markov模型预测结果的相对误差为3.0%,较单一灰色预测模型预测误差减少19.5%,预测精度显著提高,同时预测得到2019年我国生产安全事故起数为479。