稳健的电力系统状态估计器对于监控应用至关重要。 根据我们的经验，我们发现使用投影统计的鲁棒广义最大似然（GM）估计是文献中最好的方法之一。 它对多个交互和一致的不良数据、不良杠杆点、不良零注入以及某些类型的网络攻击具有鲁棒性。 此外，其计算效率高，适合在线应用。 除了 GM 估计器的良好击穿点外，它在高斯或其他厚尾非高斯测量噪声下具有很高的统计效率。 使用 SCADA 测量的 GM 估计器的原始版本是由 Mili 和他的同事在 1996 年提出的 [1]。 通过在 [R2] 中使用 Givens 旋转增强了其数值稳定性。 在 [R3] 中，GM 估计器被扩展为同时估计变压器抽头位置和系统状态。 错误的零注射也得到了解决。 在 [R4] 中，提出了 GM 估计器来处理动态状态估计中的创新和观察异常值以及测量损失。 在这里，我们想与所有研究人员分享 GM 估计器的 Matlab 代码。 我们还

GM/T 0069-2019 《开放的身份鉴别框架》 本标准规定了依赖方（网络应用或服务）使用身份服务提供方提供的鉴别功能、对终端用户进行身份鉴别的协议框架，定义了协议参与实体的要求、鉴别协议流程、用户信息的访问要求，以及协议消息的加密和签名要求等。 本标准适用于终端用户访问网络应用的场景，用户身份鉴别服务的开发、测试、评估和采购。

go.m为主程序。 本算法是基于Mfcc和Gmm的说话人识别，test文件夹中的语音数据来自于实验室的陈蕴谷、梁建娟、胡业刚、熊可、颜小运的真实语音。 部分程序采用的是台湾张智星先生编写的sar和dcpr工具箱，在此表示感谢。

论文研究-基于遗传算法的改进的GM(1,1)模型IGM(1,1)直接建模.pdf,  CM（1,1）模型一般以模型还原值与实际值平均相对误差检验模型的模拟精度。本文以模型还原值与实际值平均相对误差最小化为目标函数将CM（1,1）模型转化成一个不用进行灰微分方程参数辨识的优化模型，称之为改进的GM（1,1）模型，简称IGM（1,1）。IGM（1,1）避开了灰微分方程参数辨识时传统的优化无法求解，本文针对IGM（1,1）模型的直接建模。由于IGM（1,1）目标函数非连续，不可导，用传统的优化无法求解，本文针对IGM（1,1）模型的模拟特性设计了求解该优化模型的遗传算法并进行了算例验证，秋解结果表明了IGM（1,1）模型IGM（1,1）模型。

利用Python语言编写的灰色预测模型GM（1,1），可以直接使用，代码上有填充好的数据,直接在上面修改就好,需要修改的地方都标注出来了,简单方便。

node开发gm模块所需工具。

三菱GM减速机样本pdf,三菱GM减速机样本

精度检验等级参照表 指标精度 等级 相对误差 关联度 均方差比值 小误差概率 一级 0.01 0.90 0.35 0.95 二级 0.05 0.80 0.50 0.80 三级 0.10 0.70 0.65 0.70 四级 0.20 0.60 0.80 0.60

随着实验系统规模的不断扩大，系统运行成本高、周期长等问题逐渐显现，这就造成了实验数据获取困难、可供分析的实验数据量偏小等问题。因此，有必要通过合理的模型和方法分析原始数据的特点，对实验数据进行建模预测，获得足够的数据来对系统进行下一步的分析。针对此问题，以灰色理论为基础，在非等间距GM（1，1）灰色预测模型的基础上，首先加入残差校正模型来提高预测精度，同时对于原始数据具有周期性的情形，建立周期补偿序列，最终建立起了带周期校正的灰色残差数据预测模型。最终的实验结果表明，该模型在用于对周期性数据的预测时，准确率相对于不带周期校正的预测模型有所提高。

一个好的借鉴，关于GM（1，1）模型的，这种新陈代谢的模型是对原始的GM（1，1）模型的改进，在解决相关问题时可能更好的提供借鉴！！！！