灰色预测模型在高层建筑物 沉降预测中的应用研究

详细讨论了一阶一元灰色预测模型GM(1,1)的基本内容及建模过程,并成功地将GM(1,1) 模型应用于高层建筑物沉降监测的预测预报,相应地编写了基于MATLAB的灰色系统沉降预测程序, 便于实际应用。实践证明,灰色预测模型GM(1,1)在沉降预测中具有较高的应用价值。     

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．     

基于灰色BP神经网络组合模型的郑州市商品住宅价格预测

针对郑州市商品住宅价格问题进行了研究,在传统GM(1,1)模型的基础上引入BP神经网络模型,建立了灰色BP神经网络组合模型,采用传统GM(1,1)模型与灰色BP神经网络组合模型预测郑州市商品住宅价格.结果表明,灰色BP神经网络组合模型比传统GM(1,1)模型预测精度高,具有更好的应用价值.     

基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。     

多变量残差修正的灰色模型在建筑物沉降预测中的应用

多变量灰色MGM(1,n)模型对建筑物的沉降监测将会产生更好的预测结果,但是灰色MGM(1,n)预测模型存在着自身的缺陷,具有系统的误差。基于此,通过对传统MGM(1,n)模型的残差序列进行修正,建立优化的灰色EMGM(1,n)模型。最后,以某建筑物的沉降实测数据为基础,建立灰色GM(1,1)、MGM(1,n)和EMGM(1,n)模型的预测结果并进行比较,结果表明:灰色EMGM(1,n)模型的预测精度优于灰色GM(1,1)和MGM(1,n)模型,新模型使预测结果更加准确、可靠。     

建筑物沉降的灰色系统预测

在建筑物沉降过程中,各监测点相互影响、相互制约,应用灰色系统理论建立了建筑物沉降变形的系统预测GM(1,N)模型.通过工程实例,证明GM(1,N)模型与GM(1,1)模型相比有较好的拟合精度和预测可靠度,对沉降预测有很大参考价值.     

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。     

灰色理论在偏压连拱隧道中的应用

以天鹅隧道为背景,把灰色GM(1,1)模型应用到连拱隧道预测分析中,结合MATLAB软件建立不同阶数的灰色理论GM(1,1)模型,分别对隧道中导洞的水平位移和进口左洞的拱顶沉降进行预测分析。分析表明:预测结果与监测结果接近;通过把连拱隧道水平位移和拱顶沉降实测值输入GM(1,1)模型中,可以准确的预测未来短时间内的围岩变形值,且选取合适的阶数建模会提高预测精度,除此之外,灰色预测模型也可以指导动态设计和信息化施工。     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

灰色BP神经网络在河南煤炭需求预测中的应用

在灰色GM（1,1）模型的基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对河南省煤炭消费总量进行拟合和预测。此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。实例结果证明该组合模型具有较好的预测精度,预测结果是可信的。     

A new grey forecasting model based on BP neural network and Markov chain

A new grey forecasting model based on BP neural network and Markov chain was proposed. In order to combine the grey forecasting model with neural network, an important theorem that the grey differential equation is equivalent to the time response model, was proved by analyzing the features of grey forecasting model(GM(1,1)). Based on this, the differential equation parameters were included in the network when the BP neural network was constructed, and the neural network was trained by extracting samples from grey system’s known data. When BP network was converged, the whitened grey differential equation parameters were extracted and then the grey neural network forecasting model (GNNM(1,1)) was built. In order to reduce stochastic phenomenon in GNNM(1,1), the state transition probability between two states was defined and the Markov transition matrix was established by building the residual sequences between grey forecasting and actual value. Thus, the new grey forecasting model(MNNGM(1,1)) was proposed by combining Markov chain with GNNM(1,1). Based on the above discussion, three different approaches were put forward for forecasting China electricity demands. By comparing GM(1, 1) and GNNM(1,1) with the proposed model, the results indicate that the absolute mean error of MNNGM(1,1) is about 0.4 times of GNNM(1,1) and 0.2 times of GM(1,1), and the mean square error of MNNGM(1,1) is about 0.25 times of GNNM(1,1) and 0.1 times of GM(1,1).     

地区电网用电特性分析及年用电量预测

利用灰色预测原理简单、建模数据少和运算方便的优点,结合神经网络非线性函数逼近能力强的特性,在此基础上提出了灰色-神经网络预测方法,并对哈尔滨市用电量进行了的仿真预测。     

汽轮发电机组故障预测模型分析比较及应用

借助于仿真数据及某２００ＭＷ机组的实测数据，对ＧＭ（１，１）、ＡＲ（ｐ）及基于合成ＢＰ网络的ＮＡＲ（ｐ）模型的预测性能进行分析及比较，得出了适合于汽轮发电机组的故障预测模型，为火电机组的安全运行和预知状态维修做好了理论准备。     

基于灰色理论和BP神经网络串联组合的能源需求预测

本文对某省能源现状进行了分析,进而提出了能源需求预测的必要性,在利用统计数据分析某省能源消耗趋势后,利用灰色GH（1,1）模型进行预测,然后把预测结果和影响因素同时作为BP神经网络的输入进行预测,结果表明,基于GH—BP串联组合模型的预测精度要高于单纯地GH（1,1）预测。最后分析了某省新能源的发展优势。     

基于灰色新陈代谢GM(1,1)模型的上海市最低工资标准预测研究

最低工资制度的建立是我国构建和谐劳动关系的一个重要制度，开展最低工资预测具有重要意义. 以上海市为例，基于灰色系统理论和方法，构建最低工资标准的常规GM(1,1)模型和灰色新陈代谢GM(1,1)模型，对未来短期内上海市最低工资标准进行预测研究，预测结果符合上海市政府提出的平稳调整最低工资标准目标. 通过对上海市最低工资标准的拟合和预测，为政府和企业制定相关决策提供科学合理的依据，具有一定的理论意义和现实意义.     

混凝土受压过程中声发射数的灰色模型研究

针对在混凝土单轴受压破坏全过程的声发射试验中,采用传统GM（1,1）灰色模型多步预测分析所得预测值普遍较实测值偏大、预测精度偏低的问题,通过引进预测值折减系数,重点探讨了折减系数的特点。结果表明,折减系数在预测曲线起点处基本为一常数,在终点处基本与已知数据百分数呈线性关系。基于上述特点通过插值求其折减系数来合理修正传统的灰色模型,建立起折减修正GM（1,1）灰色模型。通过该修正GM（1,1）灰色模型对室内声发射试验建立的预测模型,其精度较传统GM（1,1）灰色模型有较大提高。     

基于改进灰色神经网络的房地产价格走势分析

针对房地产价格走势状况,通过对灰色预测模型GM（1,1）和BP神经网络的研究,将两大模型进行组合改良,形成新的组合灰色神经网络预测模型,以南京市中房指数为例,以Matlab为预测工具,进行2013年12个月份的价格指数预测,研究结果证明新的组合预测模型精度较高,可为房地产价格指数的预测和研究提供参考依据。