基于灰色与线性回归组合模型在变形预测中的研究

合集下载

线性回归和灰色预测模型案例

线性回归和灰色预测模型案例

预测未来2015年到2020年的货运量灰色预测模型是通过少量的、不完全的信息,建立数学模型并做出预测的一种预测方法.当我们应用运筹学的思想方法解决实际问题,制定发展战略和政策、进行重大问题的决策时,都必须对未来进行科学的预测. 预测是根据客观事物的过去和现在的发展规律,借助于科学的方法对其未来的发展趋势和状况进行描述和分析,并形成科学的假设和判断.灰色系统的定义灰色系统是黑箱概念的一种推广。

我们把既含有已知信息又含有未知信息的系统称为灰色系统.作为两个极端,我们将称信息完全未确定的系统为黑色系统;称信息完全确定的系统为白色系统.区别白色系统与黑色系统的重要标志是系统各因素之间是否具有确定的关系。

建模原理模型的求解原始序列为:)16909 15781 13902 12987 12495 11067 101499926 9329 10923 7691())6(),...1(()0()0()0(==x x x构造累加生成序列)131159,114250,98469,84567,71580,59085,48018,37869,27943,18614,7691())6(),...1(()1()1()1(==x x x归纳上面的式子可写为称此式所表示的数据列为原始数据列的一次累加生成,简称为一次累加生成.对(1)X 作紧邻均值生成,....2))1()((21)()1()1()1(=-+=k k z k z k zMATLAB 代码如下:x=[7691 18614 27943 37869 48018 590857 71580 84567 98469 114250 131159]; z(1)=x(1); for i=2:6z(i)=0.5*(x(i)+x(i-1)); endformat long g z z =Columns 1 through 37691 13152.5 23278.5Columns 4 through 632906 42943.5 319437.5Columns 7 through 9331218.5 78073.5 91518Columns 10 through 11106359.5 122704.5 因此)53551.5 42943.5 3290623278.5 13152.5 ())5(),...1(()1()1()1(==z z z构造B 矩阵和Y 矩阵;对参数ˆα进行最小二乘估计,采用matlab 编程完成解答如下:B=[[ -13152.5 -23278.5 -32906 -42943.5 -319437.5 -331218.5 -78073.5 -91518 -106359.5 -122704.5]',ones(10,1)];Y=[18614 27943 37869 48018 59085 71580 84567 98469 114250 131159]'; format long g a=inv(B'*B)*B'*Y结果如下:a =-0.0850401176809297 59277.2079622774即∂=-0.085,u=59277 ∂u= -697376.471 则GM(1,1)白化方程为59277x 085.0)1(=-dtdx 预测模型为:697376.471-471.705067)1(ˆk *0.085)1(e k x =+再次通过线性回归模型对货运量进行预测:线性回归预测模型:一、定义一元线性回归预测是处理因变量y 与自变量x 之间线性关系的回归预测法.二、模型的建立:1,设年份y, 货运量x y 随x 的变化函数,建立一元线性回归方程:Y=β0 + β1x其中β0、β1称为回归系数。

灰色预测模型的研究及应用

灰色预测模型的研究及应用

灰色预测模型的研究及应用
灰色预测模型是一种用于预测问题的数学模型,广泛应用于各个领域。

它在1982年由中国科学家GM灰所提出,因此得名为“灰色预测模型”。

灰色预测模型基于灰色系统理论,它假设事物的发展具有一定的规律性和趋势性,但也存在不确定性的因素。

它通过对已知数据的分析和处理,来预测未来的发展趋势。

灰色预测模型的核心思想是将已知数据序列分解为两个部分:灰色部分和白色部分。

灰色部分是由数据的数量级和函数形式决定的,因此可以用来预测未来的趋势。

白色部分则是由不确定的随机因素引起的,往往被视为噪声,不具备预测能力。

灰色预测模型有多种形式,其中最常用的是GM(1,1)模型。

该模型通过建立一阶线性微分方程来描述数据的变化趋势,然后利用指数累减生成灰色模型。

基于灰色模型,可以进一步进行累加、累减、累乘等操作,来实现更复杂的预测。

灰色预测模型在各个领域都有广泛的应用。

其中最典型的应用是经济预测领域,包括国民经济、金融市场等。

此外,它还可以应用于工业生产、环境保护、农业发展、医疗卫生等方面的预测。

灰色预测模型的优点是简单易懂、计算量小、适用范围广。

它可以对数据的趋势进行较为准确的预测,尤其适用于数据量较小或者不完整的情况下。

缺点是对数据的要求较高,数据的采
样点要均匀分布,并且在建立模型时需要进行一些参数的选择,可能存在主观性和不确定性。

总之,灰色预测模型是一种有效的预测方法,具有广泛的应用前景。

在实际应用中,需要对具体问题进行合理的建模和参数选择,以提高预测的准确性。

基于小波的灰色动态组合模型及其在变形预测中的应用

基于小波的灰色动态组合模型及其在变形预测中的应用
( . 大学 测绘学 院 , 1 武汉 湖北 武汉 4 0 7 ;. 3092 长沙市 勘测设 计研究院 , 湖南 长沙 4 0 0 ) 10 7
摘 要 : 对 G 1 1模 型 对 随 机 波 动 性 较 大 的 数 据 列 拟 合 较 差 , 测 精 度 低 的缺 点 , 出 了基 于 小 波 理 论 的 灰 色 针 M( ,) 预 提
Ke wo ds wa ee ; r y y r : v lt g e mo e ; d l AR mo e ; o iain mo e ; eo main oe a t d l c mb n to d l d fr t 具 , 已在许多领域 ( () ( ,z) n t~ 0 盯 )两部分组 成 , : 即
动 态组 合 模 型 , 结合 实 测数 据 的研 究表 明 , 模 型 预 测 精 度 远 高 于单 一 的 灰 色模 型 。 该 关 键 词 : 波分 析 ; 色模 型 ; R模 型 ; 合 模 型 ; 形 预 测 小 灰 A 组 变
中图 分 类 号 : N 1 . T91 4 文 献标 识码 : A 文 章 编 号 :06 8 3 (0 0 2 — 0 1 0 10 — 9 7 2 1 )5 04 — 3
e a l h w h oe ata c rc fti mo e i hg e h n s ge G 11 x mpe so s te frc s cua y o hs d l s ih rte i l M(,)mo e. cin i iy rgo s n d 1u t n hl e in. . o l
2 灰 色 模 型理 论 基 础
灰色预测模 型其实质是将一组可能杂乱无章 的原始
通 往往偏高或偏低 , 因而对随机波动性 较大 的数 据列拟合 序列 , 过累加生成或其他运 算生成呈 现一定规律 的序

灰色关联预测及其在变形预测中的应用

灰色关联预测及其在变形预测中的应用

灰色关联预测及其在变形预测中的应用周小俊;田金国;谷川【摘要】提出了多点关联预测的必要性,并且在GM(1,n)模型的基础上进行扩展得到了灰色关联预测模型.介绍了灰色关联预测模型的建模方法、参数求解、精度评估以及程序流程.在一个隧道地面沉降预测的工程实例中,分别用灰色关联预测模型以及单点灰色模型进行预测并且对结果进行了比较,发现在预测精度方面灰色关联预测模型较单点模型有了较大的提高.【期刊名称】《铁道勘察》【年(卷),期】2009(035)001【总页数】4页(P28-30,59)【关键词】关联预测;灰色模型;变形预测;精度分析;隧道监测【作者】周小俊;田金国;谷川【作者单位】南京南大岩土工程技术有限公司,江苏南京,210001;南京南大岩土工程技术有限公司,江苏南京,210001;同济大学测量与国土信息工程系,上海,200092【正文语种】中文【中图分类】TU433长期以来,围绕变形预测的研究已经有很多,测量科研人员提出和应用了许多预测模型和方法,例如确定函数法,多元线性回归、趋势分析,模糊线性回归、自适应滤波、时间序列、马尔科夫模型、卡尔曼滤波、灰色模型[1]、突变模型、人工神经网络[2~4],以及最近兴起的小波分析[5]、混沌论等。

但这些方法大多只用于单点时间序列的建模和预测。

研究表明,当观测数据序列较长时,各种数学建模方法均可取得满意的预测结果。

灰色模型在短数据序列预测方面显示了一定的优越性。

需要注意的是,当前变形预测的各类方法大多只是针对单点时间序列的研究。

事实上,工程建筑物、自然灾害等变形体监测每一个监测点的变形发展都不是孤立的,它们之间相互影响、相互关联,单点的处理方法没有充分利用监测点间相互关联的信息,不足以反映变形体的整体变形趋势和规律[6~8]。

本文将单点的GM(1,n)模型进行扩展,建立了灰色关联预测模型,并且通过一个隧道地面变形信息的预测工程实例,证明了灰色关联预测模型的可行性和优势所在。

【2019年整理】基于VB的灰色模型预测和线性回归预测

【2019年整理】基于VB的灰色模型预测和线性回归预测

灰色模型预测GM(1,1)与线性回归预测(一元、多元)新建一个工程,添加一个模块(.ba⑨,两个命令按钮:窗体代码:Option ExplicitPrivate Sub Command1_Click()灰色模型预测Dim Data As StringData = "2.67,3.13,3.25,3.36,3.56,3.72"GM1_1_Predict DataEnd SubPrivate Sub Command2_Click()线性回归预测Dim X1 As String, X2 As String, X3 As String, X4 As String, Y As StringX1 = "100.38,99.7,92.3,87.6,87.17,88.3,92.75,100.6,90.05;'最后要力口上分号;X2 = "53.24,51.5,50.5,52.4,59.6,59.7,65.2,62.4,53.68;"最后要力口上分号;X3 = "226,250,281,272,194,180,105,115,250;"最后要加上分号;Y = "644,640,517,425,385,401,448,599,462"最后不要加上分号;请注意!!!Linear_Regression_Predict X1 & X2 & X3 & YEnd Sub模块代码:Option ExplicitPrivate Sub Calculate_1_AGO(X_0() As Double, X_1() As Double),做一次累加生成1-AGODim i As Long, TempX As Double, K As LongK = UBound(X_0)ReDim X_1(K)Fori = 0 To KTempX = TempX + X_0(i)X_1(i) = TempXNext iEnd SubPrivate Sub Calculate_Matrix_B(X_1() As Double, B() As Double),计算数据矩阵B Dim i As Long, K As LongK = UBound(X_1) - 1ReDim B(K, 1)Fori = 0 To KB(i, 0) = -0.5 * (X_1(i) + X_1(i + 1))B(i, 1) = 1Next iEnd SubPrivate Sub Calculate_Matrix_YN(X_0() As Double, YN() As Double)'计算数据矩阵YNDim i As Long, K As LongK = UBound(X_0) - 1ReDim YN(K, 0)Fori = 0 To KYN(i, 0) = X_0(i + 1)Next iEnd Sub................................................................................................................................. .............................................'函数名:Matrix_Transpotation'功能:计算矩阵的转置transpotation'参数:m - Integer型变量,矩阵的行数' n - Integer型变量,矩阵的歹U数' mtxA - Double型m x n二维数组,存放原矩阵' mtxAT - Double型n x m二维数组,返回转置矩阵 ................................................................................................................................. .............................................Private Sub Matrix_Transpotation(mtxA() As Double, mtxAT() As Double) Dim i As Integer, j As IntegerDim M As Integer, N As IntegerM = UBound(mtxA, 2)N = UBound(mtxA, 1)ReDim mtxAT(M, N)Fori = 0 To MForj = 0 To NmtxAT(i, j) = mtxA(j, i)Next jNext iEnd Sub................................................................................................................................. .............................................'函数名:Matrix_Multiplication'功能:计算矩阵的乘法multiplication'参数:m - Integer型变量,相乘的左边矩阵的行数' n - Integer型变量,相乘的左边矩阵的列数和右边矩阵的行数' l - Integer型变量,相乘的右边矩阵的歹U数' mtxA - Double型m x n二维数组,存放相乘的左边矩阵' mtxB - Double型n x l二维数组,存放相乘的右边矩阵' mtxC - Double型m x l二维数组,返回矩阵乘积矩阵 ..............................................................................................................................................................................Private Sub Matrix_Multiplication(mtxA() As Double, mtxB() As Double, mtxC() As Double)Dim i As Integer, j As Integer, K As IntegerDim M As Integer, N As Integer, L As IntegerM = UBound(mtxA, 1): N = UBound(mtxB, 1): L = UBound(mtxB, 2)ReDim mtxC(M, L)Fori = 0 To MForj = 0 To LmtxC(i, j) = 0#For K = 0 To NmtxC(i, j) = mtxC(i, j) + mtxA(i, K) * mtxB(K, j)Next KNext jNext iEnd Sub ................................................................................................................................. .............................................'函数名:Matrix_Inversion'功能:矩阵求办'参数:n - Integer型变量,矩阵的阶数' mtxA - Double型二维数组,体积为n x n。

改进灰色模型及其在变形预测中的应用

改进灰色模型及其在变形预测中的应用

改进灰色模型及其在变形预测中的应用文章介绍了常用的变形预测[1]模型:GM (1,1)模型[2](即灰色模型),考虑背景值[3]对模型精度的影响。

对其进行改进,获得PGM(1,1)模型[4]。

并通过编程加以实现。

且通过实例比较,证明PGM(1,1)模型的预测效果更好。

标签:变形预测;灰色模型;背景值;加权灰色模型1 概述变形是指各种荷载作用于变形体,使其形状、大小及位置在时间域或空间域发生的变化。

变形预测就是根据对观测数据进行后期处理,来揭示变形监测数据序列的结构与规律,以建立动态预测模型,反映变形特征,推断变化趋势,进而建立起正确的变形预报理论和方法[1]。

由于灰色理论解决复杂系统的独特优点,故而灰色模型在变形预测多有应用[5]。

2 改进灰色模型2.1 GM(1,1)模型的建立在灰色系统理论[2]中,利用较少的或不确切的表示灰色系统行为特征的原始数据序列作生成变换(如累加、累减)后建立的,用以描述灰色系统内部事物连续变化过程或其规律的模型,称为灰色模型,简称GM模型。

GM(1,1)模型是1阶的,1个变量的微分方程型模型,是灰色预测的典型模型。

GM(1,1)模型具体建立步骤如下:(1)设有原始等时间的数列,其中n表示观测次序(t=1,2,…,n),对原始数据列中各时刻的数据依次累加,得新的序列:其中:(1)累减生成:(2)累减生成用于根据预测的数列还原出我们所需要的数列。

GM(1,1)模型的微分方程构成形式为:(3)式中a,b为待识别的模型灰参数,对于变形系统来说,a为发展系数,反映变形发展态势,b为灰作用量。

(2)确定数据矩阵B、Yn:(4)(3)求解参数列,可用最小二乘法解算:(5)(4)代入(3)得:(6)(5)作累減生成得:(7)式(6)和(7)即为灰色预测的两个基本模型。

当tn时,称■(0)(t)为模型预测值。

2.2 改进后的PGM(1,1)模型GM(1,1)模型采用紧邻均值生成方法,以Z(1)(t-1)=(x(1)(t+1)+x(1)(t))/2作为背景值,这样有一定的局限性,它不足以显示各种因素对建模原始数据贡献(即影响力)的大小。

利用灰色线性回归组合模型进行变形监测数据的预测分析

利用灰色线性回归组合模型进行变形监测数据的预测分析
序 列做 1次累加生成后, 得到 1 一AG O序列 x( x( {( 1 , x) )x ) : (

有 x( C 从而 C A A 一 X( 式子 () , =( r ) , Ar ) , 4 。可
Ln n ()

0() … ,(() , 中 x k = x ( ,=l2 … , 。对 l )2 , x。 n > 其 ) 0 3 卿 i k ,, n ) —
埋诏砚野
利 用灰 色 线性 回归组合模 型进行 变 形监 测数 据 的预 测分 析
李 杰 ’ 郑 文霞 z
(.武汉大学信息管理 学院, 1 湖北 武汉 407;.湖北省鄂 东南地质大队, 3022 湖北 大冶 450 ) 310
【 摘 要】 当今 , 自然灾害频发 , 环境 的监 测和治理要 求加 强对各种 工程进行 变形监 测, 及时分析数据 , 预测发生 灾害可 能性 ;
i l
得生成序列 的预测值为X(( = 1 pvt+ C , nt ce ( c ) x ) 3式子 () 5。 三、 实例分析
AGO序 列生成 紧邻 均值 生成序列 : 1:( 2 ,(() ……Z Z() 2) ) z) , (( 3
ห้องสมุดไป่ตู้,

( n) 其中 Z) ) ( k + f k ) ,= , , , 若a ), ) ( ( k = X) ) X) 一1) k 2 3 … 1 ( ‘( ( 1 =
本文利用灰 色 G 1 1模型和灰 色线性 回归模 型的对比, M( ,) 说明利用灰 色组合模型进行监 测数据分析和预测的优越性。 【 关键词】 变形监测 ; 色 G 11模 型; 色线性回归模型 灰 M( , ) 灰
目前 , 灾害的监测 与防治受到社会 的普遍关注 , 变形又 而

灰色理论在滑坡变形预测中的研究与应用

灰色理论在滑坡变形预测中的研究与应用

灰色理论在滑坡变形预测中的研究与应用
张五洲
【期刊名称】《中国西部科技》
【年(卷),期】2015(14)6
【摘要】根据边坡深部位移监测信息,应用灰色系统的原理和方法,对边坡的变形发展变化进行预测是一种有效手段。

但监测数据受施工干扰、人为误差的影响较大,预测结果不精确,因此采用将原始数据非负化处理并累加生成的方法使序列充分光滑,然后用处理后的数据进行预测,再将预测的值进行累减生成还原,得到下一个监测数据的预测值。

并分别用双曲线指数模型和三次多项式回归模型对各个孔的位移进行预测,并分析预测结果。

研究结果表明,采用该方法预测变形值与边坡实际发展变化一致。

【总页数】3页(P41-43)
【作者】张五洲
【作者单位】贵州省交通科学研究院股份有限公司,贵州贵阳 550008
【正文语种】中文
【相关文献】
1.灰色理论在公路滑坡变形预测中的应用——以唐家寨滑坡为例
2.灰色理论模型在矿区滑坡变形预测中的应用
3.灰色理论预测煤层瓦斯涌出量的研究与应用
4.基于灰色理论的滑坡变形反演与预测研究
5.基于灰色理论和神经网络建立预测模型的研究与应用
因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
2 1 年 8月 01 第 4期 文 章编 号 :62 86 ( 0 1 0 — 5 — 17 — 2 2 2 1 )4 1 1 0 4




Au 2 1 g. 01 No. 4
Ur n Ge tch i a n e tg to & S r e i g ba o e n c lI v siai n uv yn
I样 有 : 吲
y( 1= ・ p( 1 [x ( ) 1 l p V 一 ] t ) Ce vt )e 一 Ie ( ) 1 + x + p x (7 1)
则 上 面两式 相 比为 :
Y (+ ) y = x ( 1 / ep ) 因此 得到 的解 为 :
C:( ) =( 9 . 2 一 6 2 , 3 5 5 ) A 33 7 ,2 .3 一 9.4
原 始 系列 :
x =( 0 3 , 6 9 , 9 O 7 . , 0 . 8 16 8 o 1. 8 2 . 2 4 . 5, 3 7 14 6 ,3 . ,
1 2 4 ,3 . 5 8. 32 1 1 )
Y() t=z(+ 一 t t m) z()

则有 : = I / c
( 2 2)
Cep 优) ep ) 1 [x ( 一 ] 1 ) .x ( [x ( 一 ] ep ) 1 (6
从而 : A A AX C:( ) T
得到 生成 序列 的预 测值 为 :
( 3 2)
误差 如 表 6所 示 , 测值 的平 均 相对 误 差 为 1.2 , 预 24 % 预测 18 9 8年沉 降量 的 相对 误差 为 1.9 , 测 18 2 3% 预 99
x ={o 1 ,o2 , o x ( )x ( ) …… ,on } x ( )
() 1
X () 3
根据灰色系统理论对原始序列做 1次累加生成 后, 得到生成序列 ( ) 即: 1, X ={ ( )X ( ) ……, n } 1 , 2 , X( )
式 中 () t可用 下式 进行计算 :

÷ l (] 1 [( 2 1 ) )
[ ( ) ( ) 2 3 ] 1
B=
以很 好 的运用 于变 形监 测 。


( f

2 G 1 1 模 型 原 理 M( , )
记原 始序 列 为 引:
X () 2
1 + () ) f] 1
对数 据进行 平 滑 , 用最 近 的 M 个 数 据 的平 均 值 使 作 为平 滑值 , 期简单 滑 动平 均计算 公式 如 下 : M一
A = A + 1 …+ J/ ( 一+ 一+) M
17 97 17 98
29 5 28 7
18 96 l8 97
88 8 98 6
例 如 :一 简单滑 动平 均平 滑 : 5期
A =( 4一 A一+ + ) 5 A + 1 A一 4一 / + 2 3 4
利 用上 式 计 算 出 各 期 模 拟 和 预 测 值 后 , 过 式 通
(0 一次累减生成 , 1) 求得 各期 的预测值 、 残差 和相 对
中图 分 类 号 : 2 16 T 162 0 4 . ,U 9.
文 献 标 识 码 : B
ቤተ መጻሕፍቲ ባይዱ
基 于灰 色与线性 回归组合模型在 变形预测 中的研究
刘燕 芳 , 陈天伟 , 陈凯华 , 张洁 洁
( 桂林理 工大 学土木建筑工程学 院 , 广西 桂林 摘 5 10 ) 40 4 要 : G 1 1 模 型原理和 G 1 1 与 线性 回归组合模 型原理 的不 同之 处开始讨论 , 从 M( , ) M( , ) 并且 用组合模 型进 行 了样
形 的机理 , 验证 有 关 工程 设 计 的理论 和地 壳 运 动 的 假
说 以及建 立正 确 的预报 变形 的理论 和方 法 。

式 () 式() 4在 5 条件下 的特解 为 : ’ + ) ( ) 旦 ]x ( ) 旦 ( 1 =[ 1 一 ep 一 +
¨ ¨
() 7
预测 公式 为 :
对微分方程求解 , 得到其离散的通解为
(+ ) 旦 ep 0) t 1 =一 x ( +
¨ ¨
() 5
式 中, C为积分 常数 , 需要 通 过一 个 边 界 条 件来 确
x (+ ) 一 ) x ( )I a ep 一 t ot1 =( 口 [ o1 -/ ]x ( a) x
沉降 累积量 X / m 。m
32 2 34 3 34 9
44 4 5 4 2 6 4 2 78 2
析 法有三种模型 , 这里我们用简单滑动平均计算方 法。当数据个数不多时 , 建立复杂的模型不太可能 , 这
时简 单滑 动平 均可 以发挥 作 用 。
17 92
17 9 3 17 94 l7 9 5 17 96
第 4期
刘燕芳等 .基于灰 色与线性回归组合模型在变形预测中的研 究
13 5
出由组 合模 型能取 得较 高精 度 的结果 。
4 2 时 间序 列分 析方 法的应 用 .
4 3 大数 据样 本 时组合 模型 的应 用 .
某 城 市 从 17 9 0年 一18 9 7年 沉 降 累积 量 表5
l2 5




(+ ) x (t+ t1 =Cep v) c
( 3 1)
得 出 , L ) x ( ) 则式 (4 可 写 为 : 令 (t:ep , 1)
() () C t C t =C ft + 2+ 3 ( 1 2)
用线性 回归方程 Y a + = X b及指数方程 Y a・ x ( ) = e p p
d d+ X =x X / ta I () 4
3 组合模型
由( ) 4 可以将微分方程解为l : 4 J
X (+ ) x ( )I a ep 一 t+ / 1 =[ o1 - / ]x ( a)i a x x (1 1)
对 X (+ ) 导 或 做 累减 还 原 , 到原 始 系列 的 1求 得
对数据进行预测 , 用平滑值作 为未来一个时刻的
预测 :
F+= t A+ + + +) M A =( tA一 … 4一 1 / l l m
用式( ) 式 ( ) 式 ( ) 式 ( ) 3 , 7 , 8 , 9 可以得到生成 系
列 的时 问相应 函数 为 :
(+ ) 0 . 7 7 ep 一 . 4 1 t 一 8 . 7 7 t 1 =6 6 1 2 6 x ( 0 17 4 ) 5 1 1 2 6
的和来拟合累加生成 ()因此可将生成序列写成 : t, () lx (t+ 2+ 3 t=Cep V) ctC (4 1)
利用最 小 二乘法 求得 C , :C C , 的估 计值 。 r ( ) 1]
z ( C觥 ( “;cI ( ] (, ( 3 。5 一, An : 积 IJ : :;J )+ ) =1 ) f 一 j 一) I 1 ) 一 2I I l 并: 设 凡 )
式中,= , , t 1 2 …。式 ( ) 7 即为式 ( ) 4 的定解。记 ( ,) , a 辨识值 可 由式( ) 8 计算 :

( ,) o u =(
) BY
() 8
式中, 曰以及 Y用 式 ( ) 9 计算 :

灰 色理论 在变 形 监 测 方 面做 出了 较 大 贡献 , 本 而 文用 了几 种方 法 的 对 比, 明灰 色 与 线性 回 归模 型 可 说
我们 仍然 用 表 1的数 据来 建立 模 型 。时 间系列 分
时间/ 年 沉 降累积量 X / m 。r a
17 90 17 91 2 5 5 3 8 3
11 6 12 5 10 9 29 2
时间/ 年
1 9 97 18 90 1 1 98
18 9 2 18 9 3 18 9 4 18 9 5
4 灰 色与 回归组合模型的应用


1 小 样本 数据 时模 型 的应用 表 1 对某 教 学 楼 进 行 沉 降观 测 , 1期 一8期 是 从
的沉 降观测 值 。
在这里用灰色 C 1 1 与线性 回归组合模型来 M( , )
处理¨。
根据不 同的 , 利用 式 (3 和式 (0 计 算 V的估 1) 2) 计值 , 0 04 = .9 。 用式 (4 得 到 C的估计 值 : 2)

得到一次累加生成系列 的组合模型为 ,
() 9 . 2 x ( . 9 t 一 6 2 - 9 . 4 t=3 3 7 ep 0 0 4) 2 . 3 3 5 5
次 累加 :
X’ :(1 . 8 2 . 2, 9 0 , 3 7, 0 . 8, 3 , 0 3 , 6 9 4 . 5 7 . 1 4 6 1 6 8,

’t:cep ) c tC () x (t+ , +
(4 2)
将上式的计算结果用一次累减生成 即可得到原序
列 的预测值 。从 上式 可 以看 出 , 如果 c = , 一次 . O则
累加 生 成为线 性 回归 模 型 , 如果 C = , 累加 生 成 序 0则 列 为 G 1 1 模 型 。新 模 型使 原 线 性 回 归模 型 中不 M( , ) 含指 数增 长趋 势 , G 1 1 模 型 中不含 线 性 因 素 的 即 M( , ) 情形 得到 改善 。
本 实例计算 , 与单一的灰 色模 型和简单的滑动平均作 出对比 , 出组合模 型计 算较 准确 , 得 精度较 高。 关键词 : 变形分析 ; 色系统理论 ; 色与回归组合模 型 ; 灰 灰 简单 滑动 平均
相关文档
最新文档