非常好的灰色模型，让你更好的了解灰色模型，有matlab源代码

在灰色理论中，背景值系数是影响多变量灰色预测模型性能的一个重要参数。然而，实际操作中为了简化建模过程，既有的多变量灰色预测模型通常将背景值系数取为0.5。

灰色预测模型的代码，很全面，里面包含了GM（1.1）的原初模型函数，新信息模型函数，新陈代谢函数，主函数。代码里面有很多解释

完整的灰色预测源程序，程序可以直接用 syms a b; c=[a,b]'; A=[13.9,10.6,31.5,142.5]; B=cumsum(A); n=length(A); for i=1:(n-1) C(i)=(B(i)+B(i+1))/2; end D=A; D(1)=[]; D=D'; E=[-C;ones(1,n-1)]; c=inv(E*E')*E*D; c=c'; a=c(1); b=c(2); F=[]; F(1)=A(1); >> for i=2:(n+10) F(i)=(A(1)-b/a)/exp(a*(i-1))+b/a; end G=[]; G(1)=A(1); >> for i=2:(n+10) G(i)=F(i)-F(i-1); end

灰色预测模型代码matlab 结构T1加权MRI图像的分类。 该存储库包含用于复制[1]中使用的分类过程的代码。 事先要求 该存储库中的代码取决于下面列出的专有和免费软件以及数据。 Matlab R2015a SPM8（） VBM8（） libsvm-3.22（） LONI概率脑图集（LPBA）（） 用法 MRI图像的分类需要四个主要步骤，如下所述。 预处理（CoregSegment.m）此步骤从原始T1加权图像中生成调制后的灰质的空间归一化图。 CoregSegmentVBM8( ' /path/to/t1_image.nii ' ); 请查阅帮助文本以了解更多参数。 特征提取（extractstructuralfeatures.m）此步骤将从文件夹的单元格数组和相应的基名中提取许多特征集，例如： folders = {'./S1' './S2' './S3'}; basenames = {'T1.nii' 'T1.nii' 'T1.nii'}; voxelGM = extractstructuralfeatures(folders,basenames); 请注意，必须在系统上安装L

文档包括常见32种建模方法以及支持向量机和作业计划、灰色预测模型、第七、八届华中地区大学生数学建模邀请赛赛题等。 第一至五章为：线性规划、整数规划、非线性规划、动态规划、图与网络； 第六至十章分别为：排队论、对策论、层次分析法、插值与拟合、数据的统计描述和分析； 第十一至十五章分别为：方差分析、回归分析、微分方程建模、稳定状态模型、常微分方程的解法。

本文参考了2篇论文，并给出了具体matlab实现。并附有论文。 本文采用最后的预测效果前50数据预测后面10个数据。效果如文件夹中result.jpg所示。 本文仅仅提供入门级别的实现方法。 可以通过csdn交流

我搜集的一些关于灰色预测的相关技术文档，包括： 《邓聚龙》 《GM_1_1_模型在道路交通事故预测中的应用》 《gm11.m》 《graymodel.m》 《incident_degree.m》 《灰色差分预测模型及应用》 《灰色理论与方法——提要·题解·程序·应用》 《灰色预测》 《灰色预测模型的进一步改进》 《基于GM_1_1_模型和灰色关联度的组合预测新方法》 《深圳市HIV_艾滋病流行趋势灰色预测[1]》 《应用GM_1_1_模型推算城乡需水量》

灰色预测matlab代码

针对传统的GM（1，1）模型预测精度不高，并且其求解优化与多项式拟合各有片面性的缺点，给出了基于求解优化和多项式拟合优化相结合的改进灰色等维动态预测方法。结合美国近两百年人口的相关统计数据，利用传统的GM（1，1）模型及其优化后的模型进行误差比较。结果表明改进后的灰色模型预测精度更高，说明改进后的灰色预测模型的可行性与可靠性更好。