灰色组合模型在港口集装箱吞吐量预测中的应用

文章尝试将两种独立的灰色模型预测方法，GM（1，1）模型与Verhulst模型结合起来考虑，形成一种新的灰色组合预测模型方法．为灰色模型应用于近期、中长期的预测提供了一个新的解决方案。     

神经网络在单桩承载力预测中的应用

运用基于BP神经网络的组合预测模型对PHC桩的极限承载力进行预测。分别利用灰色GM(1,1)模型和BP神经网络对桩在荷载作用下的沉降进行估算,然后利用人工神经网络中的BP网络对所得的结果进行组合预测;最后利用Lagrange算法计算桩的极限承载力。计算实例表明,使用该组合预测方法所得的预测结果比单纯使用灰色GM(1,1)模型或神经网络模型所得结果的总体误差要小,因而该方法是可行的、有效的。     

舰船方位变化规律的灰预测方法研究

对方位序列进行预测对于潜艇作战具有重要的实际意义。应用灰色系统理论，以GM（1，1）模型，残差修正的GM（1，1），等维灰数递补残差修正GM（1，1）模型对目标序列进行预测，可有效克服目标方位序列的非线性和非稳定性，在信息较少的情况下达到精度较高的回归和预测效果。通过实例计算表明，上述计算可快速提供精度较高的较长时间间隔的目标方位，为潜艇作战提供有利信息。     

利用改进的GM（1,1,λ）模型预测舰艇批量生产成本

在分析GM（1,1,λ）模型的建模机理的基础上,指出传统建模方法存在的不足,基于GM（1,1,λ）模型的还原数据模型与原始序列的第一点无关,提出一种可以完全利用全部已知信息的建模方法。同时给出基于遗传算法的GM（1,1,λ）优化模型,优化模型提高了灰色预测的精度。探讨了应用灰色理论建立舰艇批量生产成本预测模型的可行性,并给出了应用实例。     

基于灰色系统理论的集装箱海铁联运量预测

介绍灰色系统理论，提出基于灰色系统理论的多变量灰色系统数列预测模型——PGM（1，N）模型，推导出用PGM（1，N）模型进行灰色数列预测的基本公式。以大连港为例，预测未来5a大连港集装箱吞吐量、集装箱海铁联运运量，分析表明此方法对铁路集装箱海铁联运量预测的有效性和实用性，且适合编程。     

GM（1,1）与回归预测组合模型在结构剩余寿命预测中的应用

利用灰色灾变预测原理解决预测中的历史数据跳变问题，并利用回归方法对跳变点之间的情况加以预测。从而实现GM（1，1）预测和回归预测的有机结合。应用该方法对结构寿命进行预测分析，结果表明：该法可克服GM（1，1）模型和回归预测各自的缺陷，使预测结果更为精确。     

港口集装箱吞吐量的灰色神经网络预测模型研究

为了降低港口集装箱吞吐量的预测误差,提高预测精度,文章通过分析传统的灰色预测模型和 BP 神经网络预测模型的优缺点,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和 BP 神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明：灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

非线性GM（1，1，α）模型在港口货物吞吐量预测中的应用

针对港口货物吞吐量预测的影响因素不确定及统计数据缺乏的问题，引入灰色预测理论，在传统的线性GM（1，1）模型的基础上。运用非线性GM（1，1，α）模型对港口货物吞吐量数据进行模拟和预测，并以2003-2007年汕头港货物吞吐量数据为实证，检测该模型的实用性和准确性。     

灰色马尔科夫组合模型对结构剩余寿命预测的研究

灰色马尔科夫组合模型是将灰色GM（1,1）模型与马尔科夫链有机地结合起来,利用各自优点并充分考虑大型结构整体变化趋势和局部波动的情况。通过对某桥梁结构的损伤系数进行预测分析并与GM（1,1）预测结果进行对比,该方法解决了GM（1,1）模型对波动性较大数据拟合较差,预测精度较低的缺陷。     

导弹电子设备故障间隔时间预测方法研究

为提高装备维修保障能力,针对导弹电子设备的特点,应用灰色GM（1,1）预测与马尔可夫预测的组合预测模型对导弹电子设备故障间隔时间进行预测,并应用此模型通过实例对预测精度进行了检验。结果表明该方法可对导弹装备的视情维修提供参考,具有较高的使用价值。     

Application of the Grey topological method to predict the effects of ship pitching

Ship motion, with six degrees of freedom, is a complex stochastic process. Sea wind and waves are the primary influencing factors. Prediction of ship motion is significant for ship navigation. To eliminate errors, a path prediction model incorporating ship pitching was developed using the Gray topological method, after analyzing ship pitching motions. With the help of simple introduction to Gray system theory, we selected a group of threshold values. Based on an analysis of ship pitch angle sequences over 40 second intervals, a Grey metabolism GM（1,1） model was established according to the time-series which every threshold corresponded to. Forecasting future ship motion with the GM （1,1） model allowed drawing of the forecast curve with effective forecasting points. The precision of the test results show that the model is accurate, and the forecast results are reliable.     

水下机器人传感器故障诊断的灰色预测模型

将灰色预测GM(1,1)原理引入到水下机器人传感器的故障诊断中,对传感器样本数据序列建立灰色动态预测型。通过对该模型输出信号与实际输出之间误差的分析,实时检测传感器的故障。针对Outland 1000无人水下机器人中的方向传感器,应用该方法对该传感器的三种典型故障模式进行了故障检测实验,结果表明所提故障检测方法准确可靠。     

海滨吹填区软土地基固结沉降的预测研究

运用灰色理论建立地基沉降的非等时距的等维新息预测模型。采用胶州湾底海岸吹填区的地面沉降监测数据对预测模型进行检验,并与普通GM(1,1)模型的模拟结果进行比较,该模型的预测精度和计算精度均高于普通GM(1,1)模型,预测数据与实测数据的误差较小。本研究成果对类似的吹填区软土地基沉降监测具有一定参考价值。     

灰色预测的拓扑选择在运量预测中的运用

运用灰色系统理论及GM模型拓朴选择,建立了相应的GM(1,1)模型,运用于运量预测,并以港口吞吐量与货物周转量的预测为例进行校验。结果表明,新息GM(1,1)模型,新陈代谢GM(1,1)模型与原始模型(全数据GM(1,1)模型)三者比较,新陈代谢GM(1,1)模型的精度最高,值得推荐在运量预测中采用。     

柴油机磨粒参数的灰色关联分析及预测

该文根据紫油机时间序列磨粒形状参数，应用灰色系统理论进行关联分析，并用GM（O，N）模型进行磨损趋势预测，在实际应用中证明这一方法是有效的。     

舰船装备使用维修费的GM估算研究

灰色理论对舰船装备使用维修费用的分析与估算有其特定优势,依据灰色系统理论与方法,建立灰色理论模型,分析和估算舰船装备使用维修费用,弄清舰船装备使用保障阶段费用发生规律,从而使装备全寿命费用的估算更加真实合理化。     

最优组合预测方法在内河港口吞吐量预测中的应用

港口吞吐量的预测是港口规划过程中最为基础也最为关键的一步,只有对港口吞吐量做出准确、稳定的预测,才能做出科学合理的港口发展规划。由于内河港吞吐量历史数据有限,文中采用GM(1,1)和Verhulst模型的最优组合模型对港口吞吐量进行预测。该组合模型充分利用GM(1,1)模型“少数据,短期预测准确”的优点,又针对GM(1,1)预测量的无限增大趋势,引入了Verhulst模型进行组合修正,进而提高预测值的准确、稳健性。     

灰色系统模型在内河港口吞吐量预测中的应用

根据淮南港吞吐量实际调查资料,选择灰色系统理论对其进行吞吐预测研究,结果表明,对不同的预测时期应采用不同的灰色系统预测模型。对于短期预测,采用GM(1,1)模型与Verhulst模型的组合模型;对于长期预测,采用Verhulst模型并用GM(1,1)模型对其残差进行修正。实例验证以上两种模型是可行性的。     

Prediction analysis on propulsion shafting load based on grey system theory北大核心CSCD

[Objective]The propulsion shafting system is an important part of a ship, and the bearing load directly affects its operating state and service life. In this paper, bearing load under hull deformation is studied using grey system theory. [Method] First, according to the empirical formula of the relative displacement of each bearing caused by the deformation of the hull of a 57 000 DWT oil tanker, the relative displacement of each bearing is calculated and input into a finite element model, and the load value of each bearing is output. On this basis, grey relationship analysis of grey system theory is introduced to study the influence degree of stern bearing displacement on the load of each bearing, and the relative change of the load of each bearing caused by the displacement of the stern bearings is analyzed. A GM (1,1) prediction model is then established for the bearing load considering the bearing displacement conditions, and the hull deformation-fitting and prediction of each bearing load are made. [Results]The results show that grey relationship analysis can effectively reflect the influence of hull deformation on bearing load. The GM (1,1) prediction model has high accuracy and prediction errors less than 6.0%, and the model test indexes can represent the accuracy of the prediction. [Conclusion]Grey system theory is effective and practical in research on propulsion shaft load. It can accurately predict bearing load under bearing displacement, giving it certain reference value for research on bearing load under actual sailing conditions. © The Author(s) 2022.     

Construction of GM(2,1)Model for Oscillating Pitch Angle Series

GM(1, 1) is generally used in Grey System Theory which constructs an Ordinary Differential Equation for given se-ries. It is effective for monotone series, and its simulating effect is good and error is small. However, If the series dosen' t havea property of monotone, the simulating effect of GM(1,1) is not fine, and its error gets bigger. In this paper, we use GM(2,1) to handle the oxcillation series, which uses the Method of Minimum Squares in determining the uncertain parameters.The