一种新型GM(1,1)-AR预测模型在陀螺漂移中的应用

为了对陀螺漂移趋势进行更有效的预测,提出一种基于小波分析的新型GM(1,1)-AR时间序列预测算法。该算法通过运用小波分解算法将陀螺漂移数据中的趋势项和随机项进行分离,然后分别运用GM(1,1)模型和AR时间序列预测模型对趋势项和随机项进行预测,最后用小波重构算法得出最终的预测值。给出了一种算法及具体步骤,最后用某型导弹陀螺漂移数据进行仿真实验,以检验这种算法的有效性和可行性,结果表明这种预测算法应用于陀螺漂移趋势预测是可行的。     

基于GM(1,1)尺度估计的核相关性滤波跟踪方法

针对在目标视觉跟踪过程中目标尺度变化导致跟踪精度下降的问题,提出了基于GM(1,1)尺度估计的核相关性滤波跟踪方法。在核相关性滤波跟踪算法的基础上引入GM(1,1)灰色预测模型对目标尺度进行预测,并设计尺度估计流程估计当前目标尺度,有效地解决了尺度变化明显导致跟踪性能下降的问题。最后利用OTB-100视频序列数据集测试算法的性能,测试结果表明在目标尺度明显变化时,该算法仍具有较好的跟踪性能,可实现稳定准确的目标跟踪,有效地提高了核相关性滤波跟踪算法的跟踪性能。     

QPSO改进灰色融合模型的软件故障预测

为了提高小样本的预测精度,提出了一种基于量子行为粒子群优化与数据融合算法的灰色融合预测模型。首先从两个方面改进了GM(1,1)模型,对原始序列进行了幂函数变换,并采用量子行为粒子群优化算法实现了参数的优化。然后提出了多次建模的策略,利用原始序列的不同分量分别建立GM(1,1)改进模型进行预测,将各次预测值进行融合得到最终结果。最后用该模型进行软件故障预测,结果表明其相对误差在3%以内,适用于平滑性较差和高增长的序列预测。     

基于灰色理论和神经网络建立预测模型的研究与应用

根据综合利用灰色理论与神经网络建立预测模型的思路,给出了利用神经网络对模型残差进行修正的灰色GM(1,1)模型综合预测方法。选用我国自1994年至2005年狂犬病发病率统计数据,用灰色GM(1,1)模型对历年的疾病发病人数进行建模,并利用LM算法优化的快速BP神经网络对其残差进行修正,使得建模和预测具有更高的准确性和适应性。实验结果及仿真验证表明,加入修正过程的综合模型,其预测效果远优于单一的灰色模型。     

初始条件优化的近似指数序列灰色建模方法

灰色GM（1,1）预测方法仅针对累加生成满足近似指数特点的原始序列建立预测模型。为了拓宽传统灰色预测模型的应用范围,设计了通过优化初始条件提高灰色 GM（1,1）预测精度的新方法——DGM（1,1,c,β）模型。对满足近似指数的原始序列建立DGM（1,1,c,β）模型,利用粒子群算法求解模型参数。最后,通过实例验证了所提出的DGM（1,1,c,β）预测模型的有效性和实用性。     

一种基于弱化算子改进的灰色模型故障预测方法

针对航空装备故障预测需求,在对灰色GM(1,1)基本模型分析研究的基础上,通过引入弱化算子对该故障预测模型进行改进,并以某直升机滑油温度控制盒峰值电压数据为对象进行应用分析,结果表明弱化算子改进模型可降低故障预测误差、提高预测精度;同时,将基于弱化算子改进模型的算法分别与序列平均变化率算子、新陈代谢模型两种算法进行组合,也验证了基于弱化算子改进模型可以提高预测精度,这对提高航空装备故障预判与维修保障能力具有重要参考借鉴价值。     

灰色预测模型的系统动力学仿真

针对灰色预测模型的仿真拟合问题展开研究,运用系统动力学方法,针对GM(1,1)模型、DGM模型、NDGM模型等3种灰色预测模型进行系统动力学分析,研究了这3种模型的拟合预测效果。结果表明,GM(1,1)模型的白化形式在拟合预测原序列时偏差较大;DGM模型是齐次指数序列的精确模拟,NDGM模型是非齐次指数序列的精确模拟;在对近似非齐次指数序列进行拟合时,NDGM模型的拟合效果明显优于其他模型。此外,将反馈的观点引入灰色模型,使得系统动力学仿真方法成为灰色预测建模的辅助工具,有利于灰色预测模型的拓展与完善。     

基于遗传新陈代谢灰色模型的电子设备故障预测研究

经过研究分析,序列光滑度和背景值构造是常规灰色GM(1,1)模型误差的主要来源。针对这一问题,提出了一种改进的方法:首先对建模序列进行对数平滑处理,而后利用遗传算法对背景值进行寻优,并形成改进的新陈代谢GM(1,1,λ)模型。最后通过实例验证,表明改进的新陈代谢模型具有更高的预测精度,可用于电子设备的寿命预测。     

基于遗传算法的GM(1,1,λ)改进模型

研究表明,灰色GM(1,1)预测模型中的背景值及建模序列光滑度对于模型的预测精度均有影响。针对这一问题,引入背景值构造参数λ和三点平滑法,提出了基于三点平滑的GM(1,1,λ)改进模型,并利用遗传算法对引入的参数λ进行了最优值搜索。最后通过实例和仿真证明改进模型优于现有的灰色模型,具有更高的模拟和预测精度。     

一种优化的高精度灰色GM(1,1)预测模型

针对灰色GM(1,1)模型的建模方法存在偏差,模型不满足协调性条件,不具有变换一致性,且通过累加生成建模时,x(0)(1)没有起到高精度控制预测等问题。该文从重构GM(1,1)白化背景值出发,利用白化背景值的加权向前差商和向后差商平均值优化模型灰导数,根据新信息对认知的作用大于旧信息的原理,以x(1)(n)替换x(0)(1)作为模型的初始条件,对GM(1,1)预测模型进行了改进,从而使所建模型的预测精度大为提高,尤其是发展系数大于2时,新模型的拟合精度仍然很高。通过实例对比验证了新模型无论在低增长指数序列还是在高增长指数序列都有非常高的实用性和可靠性。     

基于gm(1,1)模型的垂直切换算法仿真研究

在matlab环境下,仿真得到基于GM(1,1)模型动态预测垂直切换过程中的接收信号强度,在原始数据较少的情况下,依然有较高的预测准确度.通过仿真结果分析,在垂直切换过程中,基于GM(1,1)模型预测接收信号强度的方法有需要原始数据少、准确性高、复杂度较小等优点.     

激光雷达跟踪算法研究

形心跟踪算法因为简单、执行速度快而得到广泛采用。然而常规形心跟踪算法因激光雷达图像受到散斑噪声影响而变得不适合。改进算法结合了图像的滤波处理,提高了适用范围。但是这种基于图像灰度均值分割的形心跟踪算法对于小目标图像都会跟踪失败。分析了大目标图像和小目标图像的直方图,指出其均由一个背景的尖峰和目标的拖尾组成,理想的分割阈值点应为尖峰和拖尾的临界点。据此提出了基于累积直方图的形心跟踪算法。此算法以图像的累积直方图拐点为分割阈值,不受目标区面积大小的影响。处理结果表明,对于大目标图像和小目标图像均有较好的效果,并且保持了常规形心跟踪算法执行速度快的特点。     

温度步进应力加速寿命试验研究

提出了一种温度步进威力加速寿命试验的方法,并分别基于阿伦尼斯模型、基本GM（1,1）模型、残差修正GM（1,1）模型对温度步进应力条件下特征寿命的点估计进行了讨论,最后用3种不同的方法对给出的实例进行了求解,说明了该方法在工程应用上的可行性和有效性。     

具有记忆跟踪功能的质心跟踪算法

针对质心跟踪算法对目标跟踪时容易出现目标丢失的问题,提出了目标置信度函数,通过对目标的位置、面积、灰度和形状综合判断目标是否被遮挡,如被遮挡则对目标的位置进行预测,直至目标重新出现,使算法具有记忆跟踪的功能。改进算法基本不受目标大小、旋转变化的影响,跟踪算法的稳定性和可靠性得到提高。实验结果也表明,改进算法较好地克服了原跟踪算法易丢失目标的问题,扩展了质心跟踪算法的适应范围。     

一种机载GMTI雷达点迹凝聚方法研究

机载GMTI雷达对地面运动目标探测时,由于目标在距离和方位向扩散严重,在进行目标凝聚时难以获取目标的精确位置,导致目标跟踪精度差、虚警率高,难以满足实际使用需求。针对这一难题,本文提出了一种针对机载GMTI雷达原始点迹的凝聚方法,首先基于构建的点扩散函数对目标进行信号幅度复原处理,再进行点迹质心凝聚,并对凝聚后的点迹进行二次检测,对检测后的凝聚点迹进行跟踪处理。通过对实际飞行数据进行分析处理,验证了本方法对提升目标跟踪精度、降低跟踪虚警率的有效性。     

图象序列中缓动小目标运动参数的提取

本文介绍了一种对缓慢运动（＞０．１象素／帧）的斑主点目标质心进行高精度跟踪的方法，该法通过对图象序列中目标质心位置和帧间位移测量误差的分析，提出了改进的滤波模型，有效抑制了图像空间量化噪声和灰度噪声的影响，获得了高精度的斑点目标运动参数。     

Boundary extension for Hilbert-Huang transform inspired by gray prediction model

One of the open problems to which Hilbert-Huang transform (HHT) inevitably confront is end effect, a plague from which many data analysis methods have been suffering from the beginning. Aiming at mitigating end effects of HHT, a boundary extension method is introduced, which is based on the well-known gray prediction model termed as GM(1,1). Using the idea of cubic spline, the calculation of derivative to accumulated generating operation (AGO) series in GM(1,1) model is developed. We further make full use of residual series produced in the GM(1,1) model to achieve better prediction precision. According to numerical experiments on synthetic and real world signals, as well as comparisons of the proposed method with other six generally acknowledged methods, including the original HHT, multiple residual error gray model (MREM), “window frame”, mirror extending (ME), autoregressive (AR) model, and artificial neural network (ANN) based HHT, it is demonstrated that our method significantly reduces end effects and improves decomposition and transformation results of HHT.