疲劳裂纹的灰色残差预测

借助灰色理论，建立了预测疲劳裂纹扩展的灰色残差预测模型，并应用此模型预测了某不锈钢构件腐蚀疲劳裂纹的扩展，得到了较高精度的预测结果，为疲劳裂纹预测提供了一种简易而可靠的新途径。     

基于灰色GMDH网络组合模型的风速预测

风电场风速具有较大的间歇性和波动性,其预测精度有待提高。针对这一问题,文章基于灰色系统理论与GMDH数据分组处理技术,建立了灰色GMDH网络组合风速预测模型;采用某风电场实测风速数据进行预测,并与灰色Verhulst模型预测方法和传统GMDH网络模型预测方法的预测结果进行了对比。算例结果表明,灰色GMDH网络组合风速预测模型能够更精确地预测风速,显示了其可行性与高效性。     

模糊灰色马氏过程在水库洪水预报中的应用

本文运用模糊数学和灰色系统理论,对不严格具有无后效性的马尔柯夫过程进行描述给出了山西省汾河水库的五日洪量预报的应用实例,并提出了模糊灰色马氏过程的新概念,从而扩大了马氏过程理论研究和应用领域。     

灰色系统理论在企业节能潜力预测中的应用

本文应用控制理论中的灰色系统理论建立企业节能潜力预测模型，实现企业节能潜一量分析。通过实例分析计算，指出了ＧＭ（１，１）模型在企业节能潜力的预测中适用性较强、误差较小，有较强的应用价值。     

基于IFOA-GNN的土石坝施工期位移预测模型

有效预测土石坝施工期的位移对大坝安全运行具有重要意义。针对基于智能学习的大坝位移预测模型存在的不足,提出了一种基于改进果蝇算法(IFOA)与灰色神经网络(GNN)相结合的土石坝位移预测模型,即通过改进的果蝇算法迭代调整灰色神经网络的权值和阈值,得到全局最佳的初始化参数,将其结果输入灰色神经网络,并将其应用于某土石坝施工期位移预测。结果表明,该预测模型预测精度高、预测结果稳定,且精度及稳定性均优于灰色神经网络模型(GNN)和果蝇算法与灰色神经网络(FOA-GNN)预测模型。     

基于组合预测模型的交通碳排放量预测研究

为了构建交通碳排放量的预测模型与方法，以扬州交通碳排放量为研究对象，基于组合预测模型理论，通过赋予灰色Verhulst模型、Logistic模型、Gompertz模型不同权重系数建立最优组合预测模型。结果显示：组合预测模型的预测精度和可靠性明显高于单项预测模型，具有明显的优越性，能够较为准确地预测交通碳排放量。     

基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。     

几种主要能源年产量的灰色预测

本文根据灰色系统理（１）建立了我国几种主要能源指标年产量的残差ＧＭ（１，１）校正灰色模型的长期动态预测模型，经检验模型精度为一级，并提供了到２０００年的预测值。     

疲劳裂纹扩展的灰色系统预测

基于对疲劳裂纹扩展机理的分析，提出了用灰色系统预测模型来预测疲劳裂纹的三维动态扩展。用灰色GM(1，N)模型对疲劳裂纹扩展数据进行了拟合和预测，并利用残差GM(1，N)模型对其进行了修正，同时对GM(1，N)模型的使用缺陷提出了改进。结果表明灰色系统预测模型具有较高的拟合度和较高的精度。     

负荷预测的变权重灰色模型及其应用

针对传统灰色预测模型GM(1,1)在电力负荷预测中存在的局限性,提出了电力系统中期负荷预测的变权重灰色模型.以河北承德为例进行负荷预测,并与指教平滑法、动平均法、二项式预测模型和GM(1,1)模型四种方法的预测结果及实际用电量进行分析比较.结果表明,该模型预测精度较高、简捷、合理、实用,可作为中期电力负荷预测的工具之一.     

考虑残差的小波G-Verhulst-ARIMA大坝变形组合预测模型及应用

鉴于传统的统计模型未考虑变形中的随机扰动和混沌现象,借助小波分析、灰色Verhulst模型（G Verhulst）〖JP〗和差分自回归移动平均模型（ARIMA）分析统计模型的残差,以充分挖掘变形观测资料中的数据特性。首先利用小波分析对残差序列去噪,提取出不同频率的信号,然后分别用G Verhulst模型和ARIMA模型进行建模预测,最后将统计模型预测值和残差预测值叠加,建立了一种考虑残差的小波G Verhulst ARIMA大坝变形组合预测模型。实例应用结果表明,与不考虑残差的组合模型及使用GM（1,1）模型（EGM）代替G Verhulst模型的组合模型相比,该模型拟合和预测时的均方误差均小于其他两组模型,有效提高了预测精度,为建立大坝安全监控模型提供了新思路。     

系统优化的GM(1,1)模型在大坝位移预测中的应用

针对传统灰色GM(1,1)模型的缺陷,以陈村大坝为例,根据最小二乘原理提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,求得新灰色GM(1,1)预测模型的最优初始值,改进了原GM(1,1)模型的背景值及灰度值,并与传统GM(1,1)模型做了比较.数值仿真结果表明,新模型精度较高,预测效...     

组合模型在灌区引黄水量预测中的应用

以内蒙古河套灌区为例,针对引黄水量受多种因素影响、变化趋势复杂且无规律可循、单一的数学模型难以准确预测的问题,构建了基于灰色与神经网络理论的组合预测模型,采用简化方法求解,有效地将灰色预测弱化数据序列波动性的优点与神经网络高度的非线性适应能力相融合,避免了模型权系数分散的任意性。实例结果表明,该组合模型精度高,更能准确反映灌区引黄用水需求现状。     

轮古7井区低渗透油藏水锁损害实验评价及预测

针对低渗透油藏易受水锁损害的特点,介绍水锁损害机理,提出水锁损害实验室评价方法。同时,针对水锁损害实验评价既需要代表性的储层岩心,又耗费大量人力物力的缺点,介绍了BP神经网络原理和灰色系统理论,把两者引入水锁损害研究中来,将灰色GM(0,N)预测法和BP神经网络法有机结合,建立一种新的预测模型——灰色-神经网络预测模型,并分析其可行性,用计算机C语言程序实现了上述过程。以塔里木油田轮古7井区15块有代表性的岩心室内水锁损害评价结果为学习样本,另外5块岩心为预测样本,建立了灰色-神经网络水锁损害预测模型。预测结果表明,模型预测结果与实验室实测结果吻合程度较好。并通过与回归分析法、灰色GM(0,N)预测法和神经网络法这三种预测方法进行比较,发现灰色-神经网络水锁损害预测模型效果明显优于其他几种方法。     

灰色自记忆模型在杭州市年降水量序列中的应用

将灰色微分方程与自记忆函数相结合构建灰色自记忆模型,并对杭州市年降水量序列进行拟舍和预测,采用逐步回归周期分析法提取该序列的周期项后,再对残差序列建立灰色自记忆模型.结果表明,采用残差序列建立的模型,模拟和预测精度大幅提高.     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

基于Shapley值的云南省能源消费综合预测方法研究

对未来的能源消费进行准确的预测,既能为能源政策及规划的制定提供科学的依据,也是能源发展战略目标制定的基础性工作.通过指数平滑模型和系统动力学模型分别对云南省能源消费进行预测,进一步运用合作博弈中的Shapley值方法,通过分配总误差来确定综合预测模型中各预测模型的权重,以此构建综合预测模型,并对云南省能源消费总量进行预测.预测结果表明,该综合预测模型的预测精度高于选定的各项预测模型,对能源消费的预测是可行、有效的.     

Prediction of the physicochemical properties of woody biomass using linear prediction and artificial neural networks

This article aims at using Artificial Neural Networks (ANNs) and linear prediction to predict the physicochemical properties of woody biomass, including gross calorific value, carbon content, and oxygen content. By analyzing 43 data groups, it was found that Multilayer Feedforward Neural Network (MLFN) with 11 nodes is the best model for predicting the gross calorific value, with a root mean square (RMS) error of 0.85; General Regression Neural Network (GRNN) is the best model for predicting the carbon content, with an RMS error of 1.66; and linear prediction is the best model for predicting the oxygen content, with an RMS error of 2.11.     

基于灰色理论的高面板堆石坝沉降预测研究

基于灰色系统理论,建立了进行高面板堆石坝坝体沉降预测的GM（1,1）模型,并用该模型对公伯峡面板坝的坝体沉降进行了灰色预测,结果表明,运用该模型对高面板堆石坝的坝体沉降进行预测是可行的,预测结果也是较为合理的。