高阶残差修正GM(1,1)区间预测模型及其应用

提出了一种Markov高阶残差修正GM(1,1)区间模型,在GM(1,1)模型的基础上对拟合数据残差项的绝对值运用Markov模型进行数据拟合,通过将残差项叠加的方式逼近数据真实值.根据残差项的正负状态构建了预测区间,并通过数值模拟论证了预测区间的适用范围与合理性,运用Markov模型对预测区间进行了修正和改进,给出了Markov高阶残差预测区间的表达式.分析结果表明,模型弱化了灰色发展系数的取值条件,并且计算修正残差的阶数越高,预测区间结果可靠性越高,避免了根据概率大小选择预测结果所产生的预测风险,提高了预测结果的可靠性.     

灰色模型GM(1,1)模型在电力市场分析预测中的应用

电力市场分析预测,采用灰色模型GM(1,1),通过语言、网络、量化、动态及优化等五个模型,对具体负荷进行预测.其负荷预测灰色模型的建立,需不断的将下一阶段中所得的结果回馈,经过多次循环往复,才能使整个模型逐步趋于完善实现函数逼近,建立精准模型.并以某地历年三月的负荷为例,预测并验证了负载的精度.     

基于灰色残差修正理论的目标航迹预测方法

针对灰色理论在智能反坦克子弹药对地面目标航迹预测的精度问题,提出两种灰色残差修正的航迹预测模型：标准灰色残差修正模型(GRMM)和基于灰色Verhulst模型理论的灰色Verhulst残差修正模型(GVRMM)。建立目标航迹灰色预测模型,并分析了灰色模型的局限性;对预测值与测量值的残差序列采用GRMM和GVRMM两种模型进行了在线预估,并利用残差预测值对航迹预测值进行实时修正。通过仿真实验验证了基于在线残差修正机制的方法能够有效减少目标跟踪误差,GVRMM的误差修正效果更加明显,具有良好的实用性。     

灰色系统理论在舰船装备剩余寿命预测中的应用

引入灰色预测原理预测在役舰船装备的剩余使用寿命,通过设定一等时段舰船装备结构损伤系数时间数列、确定累加生成数列、利用最小二乘法求得相关参数值、求解微分方程等步骤建立GM（1,1）预测模型。然后利用残差修正偏差值并对模型进行修正。实例说明该方法简单适用,最终实现了舰船装备结构剩余使用寿命的预测。     

基于组合模型高精度预测弹丸径向速度的方法

利用连续波雷达测试弹丸径向速度时,会遇到弹丸、火炮、雷达及外界因素异常,测试的径向速度会出现缺失,导致递推出的炮口初速不准确。为此,选择建立合理的模型预测出缺失的径向速度对数据进行重构。雷达测试的径向速度属于一维数据,大口径弹丸的径向速度主要包含线性特征,小口径弹丸的径向速度既包含线性特征又包含非线性特征,都可以建立ARIMA模型、GM(1,1)灰色模型和回归模型进行预测。但是这些传统模型有时预测能力比较局限,预测精度不理想。为了充分整合所有模型的预测优势,提高预测精度,选择建立组合模型进行预测。针对大口径弹丸,建立由ARIMA、GM(1,1)和一阶线性回归方程构建的组合模型进行预测,针对小口径弹丸,建立由ARIMA、GM(1,1)和二次多项式回归方程构建的组合模型进行预测,为了保证预测精度,按照迭代的方式进行预测。实验结果表明,无论是大口径弹丸还是小口径弹丸,组合模型的预测精度始终高于单项模型,平均相对误差小于1‰,更加适合作为弹丸径向速度的预测模型。     

基于组合模型预测火炮初速的研究与应用

火炮初速决定着在复杂战场环境中能否准确打击敌人,而准确预测出火炮初速关系到在不经试射的情况下能否成功命中目标。预测火炮初速往往采用某种单一模型,虽然建模简单但是只能提取出火炮初速中的某一特征,从而导致预测精度并不理想。针对这种情况,选取了某型火炮3组不同的初速数据进行分析,提出利用ARIMA时间序列模型、GM(1,1)灰色模型及BP神经网络模型进行预测,既能提取出火炮初速中的线性成分又能提取出非线性成分,同时为了最大限度发挥出单一模型的预测优势,利用3个单一模型建立了组合模型,并利用实测数据对各个模型预测精度进行了检验。结果表明,组合模型能更好地发挥出所有模型的预测优势,预测精度更高,更适合作为火炮初速预测的有效模型。     

灰色理论在步进应力加速寿命试验中的应用

针对步加试验中,正常应力水平下特征寿命点估计的数据统计分析方法的不足,提出一种新的求解方法,通过对步加试验数据进行转换处理,将其转化为恒加试验数据,运用灰色预测理论对正常应力水平下的产品的特征寿命进行估计.最后通过两种不同算法对给出的应用实例进行正常应力水平下特征寿命值的求解,证明该方法可行.     

一种用于装备维修器材消耗预测的灰色残差修正模型

装备维修器材的使用管理过程中常受多方面因素影响,致使器材消耗量数据离散程度较大,现有的灰色预测方法难以有效处理。为此,提出了一种灰色-马尔柯夫残差修正器材消耗模型,通过消除传统方法对残差信息的掩盖性来获得更精准的预测结果。将该模型应用于某型舰船的某种维修器材消耗量预测,预测精度有了较明显提高,并较真实地反映了维修器材的消耗规律。     

基于遗传算法优化LSSVM的初速预测

利用两台初速雷达测试弹丸炮口初速的试验中,当一台雷达的数据出现缺失时,通过建模预测出缺失的数据成为一项必要的工作。预测初速主要采用GM(1,1)模型,但是该模型并不完全适合预测初速,所以预测精度不理想。通过深入分析两台雷达之间的关联性,选择把两台雷达的数据进行融合,同时根据弹丸初速自身的特征,选择建立遗传算法优化LSSVM对缺失的数据进行预测。实验验证时,选择ARIMA模型、GM(1,1)模型、支持向量回归机、BP神经网络作为对比模型,两次验证的结果表明,遗传算法优化LSSVM的预测精度最高,误差远小于1‰,达到了初速雷达测试弹丸初速的误差标准,是预测弹丸初速的最佳模型。     

基于改进GM(1,1)模型的捷联惯组误差系数建模预测

针对捷联惯性测量组合测试数据小样本预测建模问题,研究一种改进的GM(1,1)模型。该模型是对服从非齐次指数增长规律的数据建模,克服传统GM(1,1)模型指数规律的不足。首先给出推广GM(1,1)模型的微分方程形式,考虑初值对模型的影响,建立优化灰色模型,并将其精确离散化,通过精确的离散化模型求取模型参数,提高了模型精度。该模型为捷联惯组测试数据预报提供了一种新的方法。实例验证本文所研究模型预测效果好于原推广GM(1,1)模型。     

基于支持向量机补偿的灰色模型网络流量预测

针对网络测量与控制技术中提高流量预测准确性的问题,提出基于支持向量机残差补偿的灰色模型网络流量预测模型。该模型采用灰色模型进行趋势预测,支持向量机进行残差序列预测,实现残差补偿。实验结果表明:该模型具有预测模型样本小,预测精度高等优点,适合于网络流量预测。     

基于灰色模型的艇载导弹测试电源系统故障预测

针对艇载导弹测试电源系统故障分析问题,提出一种基于灰色模型的艇载导弹测试电源系统故障预测方法。为了提高导弹地面电源的工作效率,从分析历史检测数据入手,采用灰色理论的分析方法,建立了适合导弹地面电源故障时间预测的 GM(1,1)模型,详细阐述了模型检验的方法,并通过实例清晰地说明了模型运用和检验的具体步骤。数据检验结果表明：该故障预测模型不但能够较好地模拟历史灾变数据,而且其预测的故障时间与实际情况相吻合。     

一种新的基于灰色贝叶斯的装备库存预测模型

针对现代复杂战场环境下装备保障的随机性影响因素,提出用灰色预测解决装备保障中备件库存的预测问题。考虑到传统统计学在处理小样本数据时存在的不足,运用贝叶斯理论来对预测结果进行评估,通过推导倒伽玛分布的卡方变化,给出了简单的概率区间公式。最后通过实例进行了分析,证明了该方法优于统计学估计,特别是在历史数据较少的情况下,预测效果明显,对装备保障有现实的指导意义。