摘要 | 第4-6页 |
Abstract | 第6-7页 |
1 绪论 | 第11-18页 |
1.1 研究背景及意义 | 第11页 |
1.2 国内外研究进展 | 第11-15页 |
1.2.1 数据变换技术 | 第12-13页 |
1.2.2 模型参数估计方法的改进 | 第13页 |
1.2.3 初始条件改进 | 第13-14页 |
1.2.4 基于背景值优化 | 第14页 |
1.2.5 灰色GM(1,1)模型的拓展 | 第14-15页 |
1.3 研究目标 | 第15页 |
1.4 研究内容 | 第15-18页 |
2 灰色预测模型初始条件求解的优化解法 | 第18-26页 |
2.1 以x~((1))(1)为初始条件的GM(1,1)建模 | 第18-19页 |
2.2 以x~((1))(n)为初始条件的GM(1,1)模型 | 第19页 |
2.3 以x~((1))(1)和x~((1))(n)加权组合为初始条件的GM(1,1)模型 | 第19-20页 |
2.4 以累加序列任意两点加权生成作为初始条件的GM(1,1)模型 | 第20-21页 |
2.5 直接求最优C值的GM(1,1)模型 | 第21页 |
2.6 算例分析 | 第21-25页 |
2.6.1 模拟算例一 | 第21-23页 |
2.6.2 实测算例二 | 第23-25页 |
2.7 本章小结 | 第25-26页 |
3 非线性最小一乘灰色预测模型研究 | 第26-33页 |
3.1 最小二乘法参数估计 | 第26页 |
3.2 最小一乘非线性灰参数估计 | 第26-28页 |
3.3 算例分析 | 第28-32页 |
3.3.1 模拟算例 | 第28-30页 |
3.3.2 工程实例 | 第30-32页 |
3.4 本章小结 | 第32-33页 |
4 粒子群算法优化灰色非线性模型 | 第33-47页 |
4.1 GM(1,1)缺陷分析和PGM(1,1)建模机理 | 第33-36页 |
4.1.1 GM(1,1)缺陷分析 | 第33-34页 |
4.1.2 PGM(1,1)模型的建立 | 第34-36页 |
4.2 基于粒子群算法的PSO-GM(1,1,N,p,ζ) | 第36-41页 |
4.2.1 粒子群算法 | 第36-37页 |
4.2.2 粒子群算法参数分析 | 第37页 |
4.2.3 粒子群算法特点及流程 | 第37-38页 |
4.2.4 灰色非线性模型 | 第38-40页 |
4.2.5 粒子群和灰色非线性模型相结合的PSO-GM建模机理 | 第40-41页 |
4.3 优化模型的精度检验 | 第41-42页 |
4.4 算例分析 | 第42-45页 |
4.5 本章小结 | 第45-47页 |
5 基于双变权缓冲GM(1,1)模型的构建 | 第47-55页 |
5.1 双变权缓冲GM(1,1)建模机理 | 第47-49页 |
5.1.1 变权缓冲算子数据预处理 | 第47-48页 |
5.1.2 双变权弱化缓冲GM(1,1)模型的建模过程 | 第48-49页 |
5.2 基于双变权缓冲GM(1,1)模型的北斗卫星钟差短期预报 | 第49-51页 |
5.2.1 北斗卫星星座概况及卫星钟差预报研究 | 第49-50页 |
5.2.2 钟差序列预处理 | 第50-51页 |
5.3 算例分析 | 第51-54页 |
5.4 本章小结 | 第54-55页 |
6 遗传算法优化多变量灰色预测模型 | 第55-65页 |
6.1 传统MGM(1,n)模型的建立 | 第55-57页 |
6.1.1 MGM(1,n)模型变量之间的灰色关联分析 | 第55-56页 |
6.1.2 MGM(1,n)模型的建模过程 | 第56-57页 |
6.2 传统MGM(1,n)模型背景值误差分析 | 第57-58页 |
6.3 遗传算法优化MGM(1,n)模型 | 第58-60页 |
6.3.1 遗传算法基本原理 | 第58-59页 |
6.3.2 遗传算法优化多变量MGM(1,n)模型建模过程 | 第59-60页 |
6.4 算例分析 | 第60-63页 |
6.4.1 基坑围护桩监测案例 | 第60-61页 |
6.4.2 滑坡监测案例 | 第61-63页 |
6.5 本章小结 | 第63-65页 |
7 总结与展望 | 第65-67页 |
7.1 总结 | 第65页 |
7.2 展望 | 第65-67页 |
参考文献 | 第67-71页 |
致谢 | 第71-73页 |
攻读硕士学位期间发表的论文与主要学术活动 | 第73页 |