基于无偏灰色GM(1,1)的铁精矿品位预测模型

铁精矿品位的准确预测对铁矿选矿厂的生产和管理具有重要意义。为解决选矿厂生产过程中具有随机波动性的铁精矿品位预测问题,提出一种基于线性变换法的无偏灰色GM(1,1)铁精矿品位预测模型。通过采用一种线性变换方法降低铁精矿品位数据序列的波动干扰,将随机波动数据序列转换为单调增长的数据序列,然后将变换后铁精矿品位数据序列代入无偏灰色GM(1,1)模型以实现铁精矿品位预测模型的建模,最后将该预测模型用于两组铁精矿品位数据序列进行了验证。结果表明,基于线性变换的无偏灰色GM(1,1)铁精矿品位预测模型在预测精度和预测性能上优于两个改进的GM(1,1)预测模型,其预测精度均为一级,预测的最小相对误差为0.2%,平均绝对误差均小于1%,模型具有较好的应用性和有效性,为短期预测铁精矿品位提供了一种新途径。

中国碳排放影响因素分析和趋势预测——基于STIRPAT和GM(1,1)模型的实证研究

采用STIRPAT模型全面地对影响中国2000—2011年碳排放的因素进行分析,并利用灰色模型GM(1,1)预测了中国2012—2020年碳排放量.研究结果显示:城镇化率、经济增长、产业结构、能源价格、人口、能源结构和外贸强度对碳排放量有一定的促进作用,技术进步对碳排放量具有较强的抑制作用;其中对中国碳排放量增加影响较大的因素是人口和产业结构;根据GM(1,1)预测模型的结果,可以看出未来的减排压力还很大.因此,治理碳排放的政策应该综合考虑人口、产业结构和技术进步等影响因素.

GM(1,1)模型参数估计的函数变换法及其应用

灰色GM( 1,1)模型为试验数据处理与在线监测提供了新的科学方法。为了克服传统GM( 1,1)的不足 ,提出用相除法估计模型参数 ,建立拟合模型的方法。通过构造一个新数据列 ,分析新数据列的标准差系数 ,可以判定拟合精度的高低。选择变换函数 ,使原始序列变为新的数据序列 ,进而建立GM ( 1,1)模型参数估计的函数变换法 ,建立相应的拟合模型。给出相除法和函数变换法的直接建模的应用实例。

GM(1，1)改进模型及其应用

传统GM(1,1)模型实质上是用指数规律来模拟原始序列的变化,因此需要对原始数据序列的累加生成序列进行准指数规律的检验。但对本身已具有准指数规律的原始序列进行累加生成不但不能提高预测精度,反而会增加数据的灰度,影响预测效果。针对传统GM(1,1)模型的这一缺陷,GM(1,1)改进模型根据最小二乘法原理对本身已具有准指数规律的原始序列直接建立模型,克服了传统GM(1,1)模型在建模过程中的盲目性;并在产油量预测中获得了较高的模拟精度,使平均相对误差由5.6%下降至3.8%。较理想的预测效果也验证了GM(1,1)改进模型的正确性和有效性,从而为提高GM(1,1)模型的预测精度提供了一条新的途径。

灰色 GM(1,1)模型在可靠性工程中的应用研究

长期以来，产品可靠性寿命指标都是用实际样品作破坏性试验来获得的．因此，可靠性试验是一项费时且费用又高的工作．本文探讨了用灰色系统ＧＭ（１，１）模型对可靠性寿命试验数据进行拟合和预测，以达到减少受试样本，节省大量时间和费用的目的．实例结果表明，该方法简单、实用，模型精度高，适用于在可靠性工程领域中应用．

堆浸浸出率灰色系统GM(1,1)模型的建立及预测

应用灰色系统理论的数学原理及建模过程,建立了堆浸浸出率的GM(1,1)模型。应用该模型对某铀矿石室内模拟试验的浸出率进行灰色预测,采用“残差检验法”和“灰关联度检验法”进行检验。结果表明,GM(1,1)模型的预测精度高,适合于具有灰色特征的地质、采矿、选矿、经济等原始数据序列的模拟控制和预测分析。

改进的GM(1,1)模型在大坝监测数据预测中的应用

针对传统的GM(1,1)模型存在数据序列的初始值过旧和光滑度较差等缺陷,采用初始值选择和三点平滑法对传统的GM(1,1)模型进行改进,以南方某拱坝#7坝段某测点径向位移样本为例,分别采用两种模型预测其未来值,并与实际值进行比较。结果表明,改进的GM(1,1)模型预测精度较高,更接近于真实值。

灰色GM(1,1)模型在齿轮疲劳寿命预测中的应用

在齿轮疲劳寿命预测中,需要大量的齿轮疲劳试验数据。运用灰色GM(1,1)模型预测疲劳试验数据,可以大幅度缩短试验时间,节约试验费用,快速获得齿轮可靠性指标。文中简要介绍了灰色GM(1,1)模型的原理,通过具体实例建立了齿轮疲劳寿命GM(1,1)模型。预测结果表明,将灰色系统理论用于齿轮的疲劳寿命试验数据预测是可行的,理论上为有效缩短齿轮疲劳寿命试验时间提供了一个快速有效的方法。

基于ln(x+c)变换的GM(1,1)模型及其变形预测

针对原始数据序列不满足ln(x)变换要求和变换后的数据序列不满足建模要求两种情况,提出了对原始数据序列进行ln(x+c)变换,先从理论上证明了此种变换可以使建模数据序列的光滑度提高,进而提高所建模型的预测精度,另外还给出了基于建模序列近似确定最佳常数c的方法。然后,选取满足建模要求的递增变形数据序列,通过实例模拟得到了实测值与预测值接近的结果,论证了此种变换的有效性及实用性。该方法弥补了原始数据序列和对数变换序列的不足,拓宽了灰色GM(1,1)模型的应用范围,使模型的拟合精度和预测精度均得到提高。

基于数据变换的优化GM(1,1)模型

本文研究了提高灰色GM(1,1)模型预测精度的问题.利用复合函数变换对原始数据序列经过一定处理的基础上同时优化模型的背景值和初始值的方法,获得了比改进单个模型条件更高预测精度的GM(1,1)模型,推广了灰色预测模型的适用范围.

基于改进的GM(1,1)模型的高分辨率声波测井数据滤波处理

高分辨率声波测井数据中包含了大量与地层无关的干扰信号,这些干扰信号会导致测井数据与岩心分析得到的孔隙度的匹配性变差,从而降低了所构建的孔隙度模型精度。在分析GM(1,1)模型灰色滤波方法和步骤的基础上,对其进行了改进,即通过修正模型中的k值来提高灰色模型的预测精度,并利用改进的GM(1,1)模型对实际高分辨率声波数据进行了滤波处理。结果表明,采用改进的GM(1,1)模型对高分辨声波测井数据进行滤波处理能够有效降低随机干扰噪声,提高声波测井数据与岩心分析数据的相关性。

GM(1,1)模型用于目标方位数据预处理

基于估计理论这一数学基础的纯方位目标运动分析,由于其本质上的非线性,导致估计性能严重依赖观测精度,在大噪声背景下,收敛慢,甚至发散。针对此,提出一种基于灰色系统GM(1,1)模型的数据预处理算法。该算法不需要数据的概率分布、一二阶矩等统计先验知识,而是通过生成具有较强规律的数列,揭示数据的内在规律。仿真结果表明,该模型能有效地滤除背景噪声;经过预处理后的数据用于目标运动状态求取,解算结果理想。

矿石产量灰色系统GM(1,1)模型的建立及预测

应用灰色系统理论的数学原理及建模过程，建立了矿石产量的ＧＭ（１，１）模型，应用该模型对陕西省某金矿每季度矿石产量进行灰色预测，采用“残差检验法”和“滚动检验法”进行检验。结果表明，ＧＭ（１，１）模型的预测精度高，适合于具有灰色特征的地质、采矿、选矿等原始数据序列的模拟控制和预测分析。

灰色GM(1,1)模型在非采动沉降预测中的应用

为了研究地表非采动沉降预测的规律,介绍了灰色预测理论模型的建模方法与模型精度评定方法,阐述了采用GM(1,1)等维新息模型进行沉降数据分析的特点,结合水文资料分析引起下沉的主要原因;并以某工程的沉降观测实例,证实了非采动沉降监测中采用灰色GM(1,1)预测方法的可行性。

灰色GM(1,1)模型在金属材料疲劳试验数据预测中的应用

提出用灰色系统理论中的GM(1,1)模型对金属材料的疲劳寿命试验数据进行预测 ,目的是大幅度缩短试验时间 ,节约试验费用 ,快速获得可靠性指标。实例计算结果说明 ,将灰色系统理论用于金属材料的疲劳寿命试验数据预测有较高的精度 。

灰色GM(1,1)模型在雷达寿命试验中的应用

介绍了灰色预测的基本原理和常用的GM(1,1)模型的建立及修正方法,并提出了其使用条件。最后通过具体实例,验证了该方法在雷达装备寿命试验数据处理中的可行性。

数据处理的等间距化GM(1,1)模型与方法

分析数据处理的现状后,运用灰色系统理论,建立了数据处理的等间距化GM(1,1)模型,给出了精度检验方法。编制了MATLAB程序,给出了数据处理实例。该模型不仅适合于等间距建模,也适合于非等间距建模,具有精度高、使用简便等特点,值得在数据处理中推广使用。

GM(1,1)-Markov模型在地震应急基础数据更新中的应用

受灾地区的国民生产总值(GDP)数据是地震应急基础数据库中一类重要的基础数据,由于数据收集的周期较长,造成GDP数据的现势性差。利用灰色-马尔可夫模型(GM(1,1)-Markov模型),建立甘肃省县一级GDP增长模型,实现静态GDP基础数据在地震发生时的动态计算,使其接近于社会经济发展的实际情况;在实际数据未得到之前,本研究中得到的GDP数据可以作为应急数据库中相关基础数据更新的补充手段,或作为未来几年震害预测时的基础数据参考。

改进的GM(1,1)模型在沉降数据处理中的应用

伴随城市化步伐的加快,高层建筑物不断涌现,在施工和装修期间对高层建筑物进行必要的沉降监测,是控制工程安全的必要保障。但研究如何利用大量的、非等间隔采集的建筑物沉降监测数据,更加优化数据处理方法,建立符合建筑物沉降规律的数学模型,科学的做好数据处理和预测工作,具有重要实际意义。本文针对传统GM(1,1)灰色模型理论在沉降数据处理方面进行了优化改进,通过将数据采集间隔作为变量因数纳入加权处理,克服了传统灰色模型仅适用于等步长数据分析的弊端,取得了良好的数据分析效果。

GM(1,1)预测效果数值试验

采用不同类型原始数据对传统GM(1,1)进行了预测效果数值试验,然后通过对预测结果及传统GM(1,1)基本思想进行深入分析提出传统GM(1,1)存在的问题,并提出了相应的改进思路。