灰色预测的建模步骤 a、建模机理b、把原始数据加工成生成数；c、对残差（模型计算值与实际值之差）修订后，建立差分微分方程模型；d、基于关联度收敛的分析；e、gm模型所得数据须经过逆生成还原后才能用。f、采用“五步建模（系统定性分析、因素分析、初步量化、动态量化、优化）”法，建立一种差分微分方程模型gm(1，1）预测模型。令 x(0)=(x⑴，x⑵，…，x(n))作一次累加生成，k x(k)=∑x(m)消除数据的随机性和波动性 m=1 有 x=(x⑴，x⑵，…，x(n))=(x⑴，x⑴+x⑵，…，x(n-1)+x(n))x可建立白化方程：dx/dt+ax=u 即gm(1，1).该方程的解为：x(k+1)=(x⑴-u/a)exp()+u/a其中：α称为发展灰数；μ称为内生控制灰数 1、残差模型：若用原始经济时间序列建立的GM（1，1）模型检验不合格或精度不理想时，要对建立的GM（1，1）模型进行残差修正或提高模型的预测精度。修正的方法是建立GM（1，1）的残差模型。2、GM（n，h）模型：GM（n，h）模型是微分方程模型，可用于对描述对e799bee5baa6e79fa5e98193e58685e5aeb931333361303032象作长期、连续、动态的反映。从原则上讲，某一灰色系统无论内部机制如何，只要能将该系统原始表征量表示为时间序列x(0)(t)，并有 x(0)(t)>；0，即可用GM模型对系统。
灰色系统方法 金矿的形成和分布可视为多种控矿地质因素综合作用、相互关联、发展变化的灰色系统。应用综合物探信息，建立综合关联度预测模型，在招掖蚀变岩型金矿的4个已知金矿上做了预测检验，并预测了5 个金矿床。所得结果表明，关联度异常的展布与金矿床的位置相对应，其幅值与金矿床规模位置相关联，灰色关联分析法在矿床预测上有广泛应用前景。（一）方法原理在金矿预测中，控矿地质因素、找矿标志信息与金矿形成和分布关系的密切程度，可用它们与已知金矿床上相应信息关联度的大小来定量评价。以已知大型金矿床上某种控矿地质因素和找矿标志信息为参考数列，数列长度为n，记为x0：x0＝［x0（1），x0（2），x0（3），…，x0（n）］，以研究区同种信息为比较数列，数列长度为m，记为xi（i＝1，2，…，m）xi［x1（1），x2（2），x3（3），…，xm（m）］可以用下述关系式表示各比较数列与参考数列的关联性：地球物理勘探概论式中：ζi（k）称为xi对x0在k点的关联系数；ρ是分辨系数，一般在0与1之间选取。在实际应用时，采用求平均值的方法做信息的集中处理，其表达式为地球物理勘探概论式中：Ri是比较数列xi对参考数列x0的关联度。关联度越大，表示两个数列的关联性越。
dps灰色关联分析方法和灰色预测方法的应用，灰色关联分析，从其思想方法上来看，属于几何处理的范畴，其实质是对反映各因素变化特征的数据序列所进行的几何比较。。
如何用excel实现灰色预测步骤 1、先打开表格软件，编辑一张表，如百下图，可以将数据按两列书写，也可按两行书写，这里将两组数据按两列填入表格。2、选中表中数据区，不包括第一行x、y内容，然后切换到插入页，点击图表选项，根据所选数据，进行曲线绘制。3、此时会弹出曲线类型度设置框，这里找到散点图，位置如下图，先不用编辑具体格式，直接点击下方确定知，初步绘制图形。4、这样即可生成点图，通过比较点的具体坐标可发现，表中第一列数据作为横道坐标，第二列则为纵坐标，所以需按此顺序输入数据。5、点击图中某一点后，右击鼠标，即可找到趋势回线选项。6、然后同样点击新添加的直线后，右击，找到该趋势线属性项，如图，找到后点击，进行格式设置。7、下拉在偏上位答置可进行趋势线类型设置，不止是使用直线，这里勾选对数；最下方，还有显示公式项，勾选该项。
灰色关联度分析法和因子分析法，分析的结果总体上基本一致，但也有部分数据差别较大，可能的问题在哪里？ 不同的方法差别很大是非常正常的，不大就不正常了 灰色关联分析是根据因素之间发展趋势的相似或相异程度，即“灰色关联度”作为衡量因素间关联程度的一种方法。。
灰色预测的建模步骤
matlab灰色预测 没怎么看明白，直接上个示例吧：clcclear all本程序主要用来计算根据灰色理论建立的模型的预测值。应用的数学模型是 GM(1，1)。原始数据的处理方法是一次累加法。y=[1662.87 2163.4 1965.35 2472.48 2900.66 3034.93 2755.5 3207 3462]；已知数据n=length(y)；yy=ones(n，1)；yy(1)=y(1)；for i=2：nyy(i)=yy(i-1)+y(i)；endB=ones(n-1，2)；for i=1：(n-1)B(i，1)=-(yy(i)+yy(i+1))/2；B(i，2)=1；endBT=B'；for j=1：n-1YN(j)=y(j+1)；endYN=YN'；A=inv(BT*B)*BT*YN；a=A(1)；u=A(2)；t=u/a；t_test=4；需要预测个数i=1：t_test+n；yys(i+1)=(y(1)-t).*exp(-a.*i)+t；yys(1)=y(1)；for j=n+t_test：-1：2ys(j)=yys(j)-yys(j-1)；endx=1：n；xs=2：n+t_test；yn=ys(2：n+t_test)；plot(x，y，'^r'，xs，yn，'*-b')；det=0；for i=2：ndet=det+abs(yn(i)-y(i))；enddet=det/(n-1)；disp(['百分绝对误差为：'，num2str(det)，'%'])；disp(['预测值为：'，num2str(ys(n+1：n+t_test))])；输出结果：百分绝对误差为：228.3113%预测值为：3710.152 3978.2142 4265.6442 4573.8413
最小二乘法、回归分析法、灰色预测法、决策论、神经网络等5个算法的使用范围及优缺点是什么？ 最小二乘法：通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二。
灰色预测法的关联度 GM（1，1）模型的建立GM（n，h）模型
