粒子群优化加权灰色回归组合的卫星钟差预报

为了提高卫星钟差预报的精度和稳定度,提出了一种基于粒子群算法优化指数函数和线性函数逼近的加权灰色回归组合的自适应卫星钟差预报方法.该方法首先在建模之前考虑到卫星钟差钟跳频繁的现象,采用中位数法探测钟跳数据并将其剔除后,采用分段线性插值法将缺失的钟差数据补齐;然后考虑到卫星钟差存在系统噪声,采用三点平滑法对钟差数据进行平滑处理后,建立了以指数函数和线性函数逼近加权灰色回归组合的卫星钟差预报模型.针对模型中的精度递增因子难以确定的问题,采用粒子群优化算法对精度递增因子进行自适应寻优.最后,采用IGS服务器上发布的事后精密卫星钟差产品,并结合4种典型变化趋势的卫星钟差进行了6 h的预报试验.试验结果表明:该方法的预报性能明显优于其他几种常用模型,其6 h的平均预报精度(RMS)和稳定度(Range)相对于常用的二次多项式预报模型、灰色预报模型、修正指数曲线法预报模型和自回归滑动平均预报模型分别提高了79.10%、44.00%、80.70%、32.30%和63.10%、29.80%、77.60%、26.30%.     

基于GM(1,1)和D-MECM的钟差预报方法

针对单一钟差预报模型在建模数据量较少时中长期预报精度不足的问题,提出了基于灰色模型和一阶差分修正指数曲线法的组合预报模型。首先基于少量数据建立灰色模型并预测未来一段时间的钟差数据,再将其作为一阶差分修正指数曲线模型的建模数据,进行钟差的中长期预报。仿真结果表明,组合预报模型能够基于少量历史数据对钟差进行高精度的中长期预报。采用卫星共视仪采集的精密钟差数据进行实验,并与单一二次多项式模型和灰色模型进行对比,结果显示:使用5h的钟差数据进行建模并预报未来48h钟差数据时,二次多项式模型和灰色模型的平均预报精度分别为285.06ns和91.11ns,而组合模型的平均预报精度可达29.48ns,相比于单一二次多项式模型和灰色模型,分别提高了89.66%和67.64%。     

基于改进GM(1,1)模型的舰船纵摇运动预报

针对舰船运动的灰色特征,提出用改进的GM(1,1)模型对纵摇运动数据进行建模,改进的GM(1,1)模型是对服从非齐次指数增长规律的数据建模,克服了传统GM(1,1)模型指数规律的不足.首先给出改进GM(1,1)模型的微分方程形式及精确的离散化形式,考虑初值对模型的影响,建立优化灰色模型,提高了模拟精度.该模型为纵摇运动预报提供了一种新的方法.数值试验表明,这种方法较GM(1,1)模型效果好.     

GM(1,1)模型的改进及其在变形预测中的应用

为了提高GM(1,1)模型预测精度,采用积分优化、二次拟合优化以及残差改化方法,分步对GM(1,1)模型进行改进,建立灰色多重修正模型。具体改进步骤为:首先,利用积分优化方法对背景值进行纠正,减小模型误差并提高预测精度; 接着,对模型参数(发展系数和灰作用量)进行二次拟合优化,使参数更加接近理论真值; 然后,根据预测结果进行适当的残差改化,提高模型整体的预测精度; 最后,建立根据GM(1,1)模型改进的灰色多重修正模型。以重庆南川地区甄子岩崩塌为例,建立灰色多重修正模型对危岩裂缝累计位移值进行模拟和预测,并与GM(1,1)模型进行对比。精度检验结果表明:灰色多重修正模型后验差比值(0.082 39)明显好于GM(1,1)模型(0.192 67),平均相对残差比(0.073 9)更远好于GM(1,1)模型(0.259 6),表明灰色多重修正模型在预测精度上有较大提高,可靠性更好。     

应用灰色新陈代谢GM(1,1)模型预测河流水质

由于常规GM(1,1)模型进行预测时,精度较高的仅是最近的几个数据,越往未来发展,该模型预测的精度也就越弱。针对常规GM(1,1)模型存在的不足,运用灰色系统理论,建立了灰色新陈代谢GM(1,1)河流水质预测模型,对该模型的精度以及误差进行了分析,并利用该模型对某地区河流的水质进行了预测。计算机实际模拟证明:灰色新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测的可靠程度,从而实现河流水质的早期预测评估。     

基于粒子群算法求解GM(1,1)模型参数的研究

探讨用粒子群优化算法求解GM(1,1)模型参数a,b,将用该参数建立的GM(1,1)模型与最小二乘法建立的GM(1,1)预测模型进行了效果比较.实例验证结果表明:对于较平缓变化数据序列,2种方法建立的GM(1,1)模型拟合还原精度相差不大,粒子群算法稍优;对于非平缓变化数据序列,经粒子群算法优化参数后,模型精度显著高于最小二乘法;灰色关联度分析表明,粒子群算法优化参数建立的GM(1,1)模型拟合序列几何形状上更接近原始序列.     

动态优化GM模型中分辨率系数的数据预测算法

为提高传统GM(1,1)算法的预测精度,运用遗传算法动态调整GM(1,1)中的均质生成数列分辨率系数,改变传统灰色模型的分辨率系数设置为1/2的计算模式,使得改进后的GM(1,1)算法针对小样本的预测具有更高的精度和鲁棒性.算法的数值实验结果表明,优化算法的预测精度高于传统的GM(1,1)算法和文献[3]中的算法.     

灰色新陈代谢GM(1,1)模型在中长期城市需水量预测中的应用研究

研究了基于灰色系统理论的中长期城市需水量预测方法.针对常规GM(1,1)模型存在的不足,建立了灰色新陈代谢GM(1,1)需水量预测模型,并利用此模型对北方某缺水城市未来10年的需水量进行了预测.结果表明:模型精度较高,预测误差较小.     

灰色理论用于遥测数据中长期预测

针对卫星在轨测控过程中,遥测数据变化趋势不易判断这一问题,提出了对遥测数据进行中长期预测的思想.基于灰色系统理论,结合遥测数据特点和中长期预测要求,对灰色预测GM(1,1)模型的建模过程和预测精度进行研究.依据所构建的模型进行预测验证分析,根据后验差比值、小误差概率、预测精度对预测结果的评价分析显示,该方法可以对遥测数据中长期趋势起到提前预报的作用,符合卫星遥测数据中长期预测要求.预测结果能够为测控人员对卫星遥测数据未来趋势的分析和潜在故障的预警判断提供理论支持.     

灰色理论用于遥测数据中长期预测

针对目前卫星在轨测控过程中,遥测数据变化趋势不易判断这一问题,提出了对遥测数据进行中长期预测的思想.基于灰色系统理论,结合遥测数据特点和中长期预测要求,对灰色预测GM(1,1)模型的建模过程和预测精度进行研究.依据所构建的模型进行预测验证分析,根据后验差比值、小误差概率、预测精度对预测结果的评价分析显示,该方法可以对遥测数据中长期趋势起到提前预报的作用,符合卫星遥测数据中长期预测要求.预测结果能够为测控人员对卫星遥测数据未来趋势的分析和潜在故障的预警判断提供理论支持     

灰色预测模型在高速公路车流预测中的应用

介绍了灰色预测理论的GM（1,1）模型并将它运用到高速公路车流量预测中.利用巴特沃斯低通滤波器改进了GM（1,1）模型的误差修正方法,使得误差修正方法更准确、算法性能更稳定.整个预测系统满足了工程应用要求,具有一定的实际意义和参考价值.     

GPS双频相位平滑伪距在卫星 预报钟差精度评定中的应用

利用Hatch滤波对双频消电离层组合伪距观测值进行相位平滑讨论,对原Hatch滤波公式中的定权方法 进行了改进。在此基础上,利用伪距与星地距比对法对广播星历中卫星预报钟差精度评定进行了研究。计算结 果表明:载波相位平滑能有效地提高伪距观测量的精度,从而提高伪距与星地距比对法评估卫星预报钟差的可 行性。利用双频消电离层相位平滑伪距计算的卫星钟差精度优于1ns(1σ),测定的卫星钟差与实际卫星钟差不 存在系统差。     

动态新息GM(1,1)在卫星电池阵功率预测中的应用

根据观测到的历史数据对卫星理发池阵输出功率的未来值进行预测，可实现对电池阵性能劣化的早期预报。灰色预测方法的GM(1，1)模型只适合对单调递增或递减时间序列进行预测，针对卫星电池阵输出功率具有波动变化的趋势特征，采用实时在线的方法，建立了动态新息GM(1，1)预测模型，经实例预测验证，动态新息GM（1，1）模型可明显地提高预测精度，并且能对电池阵输出功率的波动变化趋势正确预测。该建模方法对其他非单调时间序列的工程预测也具有参考价值。     

GM(1,1)-星野法沉降预测模型研究与应用

围绕目前高速公路路基沉降预测精度不高,预测方法适用性不强等问题,基于组合预测理论,借助MATLAB计算软件,将基于灰色理论的GM(1,1)预测模型和星野法沉降预测模型线性组合,以组合预测误差的平方和最小为标准确定两种预测方法的权重系数,提出GM(1,1)-星野法组合预测模型。结合广东某高速公路施工期以及运营期路基实测沉降数据,GM(1,1)-星野法组合预测模型预测结果较两种方法单独预测结果具有更高的预测精度,工程适用性更强。     

基于灰色系统理论单桩竖向极限承载力的预测

根据不完全的竖向静载试验数据,利用灰色系统理论的GM（1,1）模型预测单桩的竖向极限承载力,并对结果的合理性及误差进行分析．工程实例分析表明,竖向静载试验所施加的荷载达到或超过极限荷栽的四分之三时,利用其数据进行单桩竖向极限承载力的预测具有较高的精度．同时新信息GM（1,1）模型、新陈代谢GM（1,1）模型比老信息GM（1,1）模型预测的结果更精确．     

改进GM(1,1)模型对地铁开挖沉降的预测

为了提高GM(1,1)模型在地铁施工过程中地表沉降量预测的精度,预防较大沉降或其他危险出现,提出了改进GM(1,1)模型预测方法.通过对比不同原始序列个数建立起来的预测值并确定最佳原始序列个数后,对GM (1,1)模型进行优化,并对构造背景值进行优化.通过缓冲算子对原始序列进行优化,之后再构造背景值进行优化.结果表明,背景值对模型的预测影响较小,缓冲算子在原始序列变化较大、变化不平顺时优化较好.     

基于自适应精英蚁群算法的GM（1,1）预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b两参数对模型的预测精度有直接影响。在分析GM建模原理和参数对模型精度影响的基础上,提出了一种信息素浓度自适应调整的精英ACO算法与GM（1,1）融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用了改进的ACO算法来求解模型的最优参数。试验结果表明：与传统的GM(1,1)模型相比,改进的ACO算法与GM（1,1）融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型具有优越性,是提升模型精度一种新思路。同时也说明了运用自适应精英策略改进蚁群算法提升算法全局寻优能力是合理的科学的。