热门频道
首页
博客
研修院
VIP
APP
问答
下载
社区
推荐频道
活动
招聘
专题
打开CSDN APP
Copyright © 1999-2020, CSDN.NET, All Rights Reserved
灰色预测残差修正 matlab
打开APP
人则水州
关注
灰色预测残差修正 matlab,基于残差修正灰色预测模型的长期
本发明属于电力系统负荷预测领域，特别涉及一种长期电力负荷预测技术。
背景技术：
长期电力负荷预测是电网规划的基础，准确的负荷预测对于制定发电厂新建计划，决定装机容量大小，保证电网安全和稳定运行等都有着极为重要的作用。一般来说，长期电力负荷的变化具有逐年增长的趋势，灰色预测模型能够较好地以指数形式拟合长期用电量的情况，因此灰色预测方法是预测长期电力负荷的有效方法；但长期电力负荷的变化也具有一定的随机性和波动性，电量并不是按照绝对的指数规律逐年递增，如果不对灰色预测模型进行修正和改进，则会出现较大的误差。
现如今已有大量的文献对基础灰色预测模型GM(1,1)进行了深入的研究和改进，其中包括对灰色模型迭代初值进行优化、在原始序列中加入缓冲算子，以及对原始序列进行数据变换等。虽然这些方法能够在一定程度上降低模型拟合时的误差、提高预测时的精度，但却无法改变GM(1,1)模型本身的局限性，即利用离散的方法去估计参数，而采用连续时间响应进行预测所造成的跳跃性误差。离散灰色模型DGM(1,1)有效地避免了从离散到连续模型转换所带来的误差，其具有白指数规律重合性、伸缩变换一致性等性质，但也存在模拟值只能为等比序列的问题。
在长期电力负荷预测过程中，灰色预测模型只对电量呈近似指数规律的单调增长序列才有较高的预测精度。但随着负荷变化的波动性增强，灰色模型的拟合和预测效果并不是很好，因而建立新的预测修正模型是十分必要的。
技术实现要素：
针对原有灰色模型抗干扰能力差的问题，本发明提出了一种基于残差修正灰色预测模型的长期电力负荷预测方法，将线性时变参数离散灰色模型TDGM(1,1)应用到长期电力负荷预测中，线性时变参数离散灰色模型TDGM(1,1)除了具有白指数规律重合性、伸缩变换一致性的性质外，还具有线性规律重合性的性质，从而克服了原离散灰色模型DGM(1,1)模拟值增长率恒定的问题。
本发明采用的技术方案为：基于傅里叶级数残差修正TDGM(1,1)模型的长期电力负荷预测方法，包括以下步骤：
S1、获取长期电力负荷观测序列，并将观测序列进行一次累加，得到累加生成序列；
S2、根据累加生成序列建立TDGM(1,1)预测模型，并通过最小二乘法估计TDGM(1,1)预测模型的参数；
S3、对步骤S2得到的TDGM(1,1)预测模型进行修正；
S4、根据修正后的TDGM(1,1)预测模型对长期电力负荷进行预测。
进一步地，步骤S3所述对TDGM(1,1)预测模型进行修正，具体为采用傅里叶级数残差修正方法对TDGM(1,1)预测模型进行改进，包括以下步骤：
A1、根据步骤S2得到的TDGM(1,1)预测模型获取步骤S1所述长期电力负荷观测序列的一次累加表达式和还原的模拟值；
A2、根据步骤S1的观测序列与步骤A1的模拟值获取残差序列，并将该残差序列表达为傅里叶级数的形式；
A3、根据傅里叶级数表达形式的残差去修正步骤S2得到的TDGM(1,1)模型，得到修正后的TDGM(1,1)模型。
进一步地，步骤S2具体为：
S21、根据累加生成序列建立的TDGM(1,1)预测模型为函数表达式形式；
S22、将步骤S21的函数表达式形式的TDGM(1,1)预测模型转化为矩阵-向量形式；
S23、采用最小二乘法对步骤S22所述矩阵-向量形式的参数进行估计；
S24、将步骤S23得到的估计参数带入步骤S21的函数表达式形式的TDGM(1,1)预测模型中，得到TDGM(1,1)预测模型。
进一步地，A3、根据傅里叶级数表达形式的残差去修正步骤S2得到的TDGM(1,1)模型，包括以下步骤：
B1、采用傅里叶级数表示残差序列；
B2、将傅里叶级数表示的残差序列转化为矩阵-向量形式；
B3、用最小二乘法对步骤B2矩阵-向量形式的参数向量进行估计；
B4、根据步骤B3估计的参数向量，得到修正后的残差序列；
B5、根据步骤B4得到的修正后的残差序列，得到修正后的线性离散灰色模型TDGM(1,1)。
更进一步地，步骤B3所述参数向量为傅里叶系数向量。
进一步地，所述修正后的线性离散灰色模型TDGM(1,1)表达式为：
其中，表示修正后的残差序列，k表示第k年，X(0)(1)表示第1年的用电量观测值，表示第k年用电量的模拟值或预测值，表示修正后预测模型第1年用电量的模拟值、表示修正后预测模型第k年用电量的模拟值或预测值。
本发明的有益效果：本发明的方法通过获取前n年电力负荷序列的情况下，利用线性时变参数离散灰色TDGM(1,1)模型去预测第(n+1)年的电力负荷值，再通过傅里叶级数残差修正方法去修正原有的预测模型，最终得到修正后的模拟值和预测值；本发明的方法具备以下优点：
1、将线性时变参数离散灰色模型TDGM(1,1)应用到长期电力负荷预测中，时变参数离散灰色模型TDGM(1,1)除了具有白指数规律重合性、伸缩变换一致性的等性质外，还具有线性规律重合性的性质，克服了原离散灰色模型DGM(1,1)模拟值增长率恒定的问题；
2、利用傅里叶级数残差修正的方法对原有的模型进行改进，使得修正后的模型具有更高的拟合和预测精度，提高了灰色预测模型的适应性和灵活性。
附图说明
图1为本发明方法的流程图。
图2为本发明方法所提出的模型与现有模型的预测效果对比图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
本发明提出了一种基于傅里叶级数残差修正的灰色预测模型，将线性时变参数离散灰色模型TDGM(1,1)应用到长期电力负荷预测中，并利用傅里叶级数残差修正的方法对原有的模型进行改进，具体是先利用傅里叶级数法提取相应的周期信息，优化电量变化的指数率，使得修正后的模型具有更高的拟合和预测精度，提高了灰色预测模型的适应性和灵活性。
如图1所示，本发明的基于傅里叶级数残差修正TDGM(1,1)模型的长期电力负荷预测方法，包括以下步骤：
(1)、获取某一地区长期电力负荷观测序列，并将观测序列进行一次累加；
假设某一地区长期电力负荷序列的观测值X(0)为
X(0)＝{x(0)(1),x(0)(2),...,x(0)(n)} (1)
其中，x(0)(k)为第k年的用电量，1≤k≤n。
将电力负荷序列观测值X(0)进行一次累加，得到累加生成序列X(1)：
X(1)＝{x(1)(1),x(1)(2),...,x(1)(n)} (2)
其中，
(2)、建立TDGM(1,1)预测模型，并通过最小二乘法估计模型的参数；
根据累加生成序列，线性时变参数离散灰色模型TDGM(1,1)可以表示为
X(1)(k+1)＝(β0+β1k)X(1)(k)+β2k+β3,1≤k≤(n-1) (3)
其中，β0、β1、β2、β3表示TDGM(1,1)模型参数。
将式(3)转化成矩阵-向量形式，即
y＝Bβ (4)
其中：
上标中的T表示转置；
应用最小二乘原理对参数β进行估计，得到
(3)、根据TDGM(1,1)预测模型获取序列的一次累加表达式和还原的模拟值；
取将参数代入到公式(3)中可以得到用电量一次累加序列估计值的递推公式
通过累减还原可以得到原序列的模拟值为
本发明利用线性时变参数离散灰色TDGM(1,1)模型去预测第(n+1)年的电力负荷值，能够克服现有技术中离散灰色模型DGM(1,1)模拟值增长率恒定的问题；为了进一步提高预测模型的拟合和预测精度，本发明还对TDGM(1,1)模型进行修正，采用修正后的TDGM(1,1)模型去预测第(n+1)年的电力负荷值；具体包括以下过程：
(4)、根据原始观测序列和模拟值获取残差序列，并将残差序列表达为傅里叶级数形式，进而通过傅里叶级数对残差进行修正。
原始观测序列与模拟值之间的残差序列可以表示为：
Ea＝{e(2),...,e(k),...,e(n)} (8)
其中，
利用傅里叶级数来表示上述残差序列，可得
其中，a0、ai和bi(1≤i≤ka)为傅里叶系数，
将公式(9)整理成矩阵-向量形式，可得
Ea≈PaCa (10)
其中，Ea＝[E(2) E(3) … E(n)]T，为傅里叶系数向量，矩阵Pa可以表示为
根据最小二乘法，得到系数向量为：
(5)、通过傅里叶级数残差修正方法修正TDGM(1,1)模型，并利用修正后的模型进行负荷预测。
将参数估计值代入到公式(13)中，同时令k＝2,3,...,(n+1)，即可求得修正后的残差序列为
则修正后的线性离散灰色模型TDGM(1,1)可以表示为
通过式(14)可以对长期电力负荷进行预测。
下面结合实例作进一步说明。以四川省2001-2011年的用电量为例，将2001-2010年的用电量作为原始数据，2011年的用电量作为预测数据，分别利用基础灰色模型GM(1,1)，离散灰色模型DGM(1,1)，以及本发明提出的基于傅里叶级数残差修正的TDGM(1,1)模型进行建模预测，将模拟值和预测值进行对比，结果如表1所示。
表1三种模型用电量模拟值和预测值对比
结合表1和图2可知，本发明方法所提出的模型无论是在拟合、还是在预测方面都比原有灰色模型精度更高，证明了本发明方法所提出模型的实用性。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
相关资源：残差检验-灰色预测模型_灰色预测模型残差检验-互联网文档类资源...
点击阅读全文
打开CSDN，阅读体验更佳
灰色预测模型_面壁十年忘何图的博客_灰色预测模型的优缺点
残差检验: ;其中 如果残差 ,合理! 如果残差 ,灰色预测不适合本题。 9、级比检验 为了确定数据使用GM(1,1)模型的可行性,需要在最开始进行级比检验 计算 。如果 在区间 内,说明模型可用GM(1,1)。
灰色预测案例分析_Classic_Sans的博客_灰色预测案例
后六个数据需要残差修正。 5.残差修正灰色预测 对后六个数据的残差序列作GM(1,1)模型。 >> E0=[1538.7,2400.9,2819.1,851.53,1707,712.3]; [E1,c1,e1,e2,a,b]=GM11(E0,0) E1 = ...
论文研究-基于动态组合残差修正的预测方法.pdf
论文研究-基于动态组合残差修正的预测方法.pdf, 本文建立了一种基于残差修正的组合预测方法，并基于该方法证明了针对多个单一的预测方法根据其在某个时间段的相对预测误差的大小选择组合选项可以进一步提高预测精度.提出了针对不同时间段可根据各种单项预测模型的相对预测误差的大小动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差，以提高预测精度.最后通过实际空调负荷预测对其进行了验证，结果表明这种动态组合残差修正的预测方法相对于基于多个固定单一预测方法的组合预测方法，可以进一步改善预测效果.
基于灰色傅里叶变换残差修正的电力负荷预测模型
提出基于灰色傅里叶变换残差修正的负荷预测模型，首先运用滑动平均法对原始数列进行改进，减弱异常值的影响；然后运用傅里叶变换对一般灰色预测模型进行改进，通过对残差进行修正，消除样本数据中偶然因素的影响。算例分析表明，与一般灰色预测模型和马尔可夫残差修正模型相比，该模型的预测精度有所提高，证明了该模型的有效性和实用性。
热门推荐 建模方法（十）-灰色预测模型GM（1，1）
灰色生成：将原始数据列中的数据，按照某种要求作数据处理称为灰色生成。对原始数据的生成就是企图从杂乱无章的现象中去发现内在规律。常用的生成方式有累加生成，累减生成，均值生成，级比生成等。 这里举个例子说明累加生成： 公式： 我满可以看看生成前和生成后的区别： 这样将非负序列转换为了递增数列。如果我们想把这个累加生成的数列变回去，使用如下方法： 对于生成的数列，我们可以设想用...
继续访问
模型 趋势预测 数学建模 matlab,数学建模+灰色预测模型+MATLAB
?(1)?{X?(1)(1),X?(1)(2),列X?(1)(n)}，定义残差为 ,X?(1)(j) e(0)(j)?X(1)(j)?X?若取j=i,i+1,…,n,则与X(1)及X(1)对应的残差序列为e(0)?{e(0)(i),e(0)(i?1),为便于计算上式改写为,e(0)(n)}?e(0)(2?), e(0)...
继续访问
灰色理论 光滑度处理 matlab,基于灰色理论的电子设备寿命预测研究
基于灰色理论的电子设备寿命预测研究基于灰色理论的电子设备寿命预测研究李竞，慕晓冬，尹宗润，李毅，郑帅(第二炮兵工程学院，陕西 西安 710025)摘要：利用灰色GM(1,1)模型预测可以有效缩短电子设备寿命试验时间，传统建模方法常常会有较大误差，主要因为序列光滑度的改进及背景值的构造存在问题。本文提出一种方法，采用正弦处理建模序列，对背景值进行近似构造，最终建立相应的新陈代谢模型。实例表明改进后的...
继续访问
灰色预测改进—三角残差拟合_python
?四月的第一篇博客，希望一整个四月都可以开开心心、顺顺利利呀。好运发射给读到这篇博客的每个人。biu,biu,biu~~~ 02/04/2022 16:00 灰色系统理论及其应用系列博文： 一、灰色关联度分析法(GRA)_python 二、灰色预测模型GM(1,1) 三、灰色预测模型GM(1,n) 四、灰色预测算法改进1_背景值Z的改进 文章目录一、修改背景值的参数设定1、算法算法扩展到区间预测实例 参考文献： [1] A trigonometric grey prediction approach.
继续访问
数学建模常用模型01 ：.灰色预测法
基于灰色建模理论的灰色预测法，按照其预测问题的特征，可分为五种基本类型，即数列预测、灾变预测、季节灾变预测、拓扑预测和系统综合预测。这五种类型的预测方法，都是区域开发研究中重要而且常用的预测方法。本节只对数列预测法进行介绍。 灰色预测模型使用范围： ①数据样本点个数少，6-15个 ②数据呈现指数或曲线的形式 ③只适合做中短期预测，不适合长期预测。 数列预测就是对某一指标的发展变化情况所作...
继续访问
残差灰色模型matlab,数学建模+灰色预测模型+MATLAB详解.doc
§12.5 灰色预测我们通常所说的系统是指：由客观世界中相同或相似的事物和因素按一定的秩序相互关联、相互制约而构成的一个整体．例如：工程技术系统、社会系统、经济系统等．如果一个系统中具有充足的信息量，其发展变化的规律明显、定量描述方便、结构与参数具体，则这种系统通常称为白色系统．如果一个系统的内部特征全部是未知的，则称此系统为黑色系统．如果系统内部信息和特征是部分已知的，另一部分是未知的，这种系...
继续访问
残差检验_Eviews中的自相关检验与修正操作（一）：残差图与DW检验
自相关是指在时间序列资料中按时间顺序排列的观测值之间存在相关性或在横截面资料中按空间顺序排列的观测值之间存在相关性，它是不满足经典OLS回归的假定之一。自相关问题往往出现在时间序列数据中，所以也经常称为“序列自相关”。自相关问题往往采用残差图、DW检验、LM检验(也称BG检验)等检验方法，并采用广义差分法进行修正，又由于实际中估计自回归系数p的不同，分为杜宾两步法、科克伦-奥科特迭代法。...
继续访问
灰色预测模型
概念： 白色系统：系统的内部特征是完全已知的，即系统的信息是完全充分的。 黑色系统：一个系统的内部信息对外界来说是一无所知的，只能通过他与外界的联系来加以观测研究。 灰色系统：一部分信息是已知的，另一部分信息是未知的，系统内各因素之间具有不确定关系。其特点是‘少数据建模’，着重研究‘外延明确，内涵不明确’的对象。 灰色预测法：灰色预测法是一种对含有不确定因素的系统进行预测的方法 。它通过鉴
继续访问
卡尔曼滤波通俗易懂的解释
关于卡尔曼滤波，网上的资料很多，但是有很大一部分都是不断堆叠公式，然后用各种晦涩难懂的专业术语进行解释，说实话我刚开始看的时候也是云里雾里，因此写下这篇博客是为了照顾和我一样的萌新，通篇文章我会力求从最基础的部分一步一步深入，并尽可能少地使用公式（或许？），并对每个公式和参数尽可能详尽地解释，另一方面，这篇博文也是为了自己日后方便回顾用的。如有错误请及时指出。 参考的部分资料如下： 如何通俗并尽可能详细地解释卡尔曼滤波？ 如何理解那个把嫦娥送上天的卡尔曼滤波算法Kalman filter? 卡尔曼滤波器的原
继续访问
灰色预测法
灰色预测模型的最基本框架，必须要学习的有关知识点
继续访问
灰色预测模型matlab_灰色预测 GM(1,1)
灰色预测( Grey Model )是一种对含有不确定因素的系统进行预测的方法。灰色预测通过关联分析，对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。灰色预测模型对于不同问题采用不同模型，GM(1,1)模型适用于生成序列具有指数变化规律的情况，且只能描述单调的变化过程。00概述信息不完全的系统称为灰色系统...
继续访问
绝对干货，python实现灰色预测模型，残差检验，关联度检验，后验差检验加残差修正
最新发布 数学建模算法与应用：预测模型（2）灰色预测模型
灰色预测的主要特点是模型使用的不是原始数据序列，而是生成的数据序列。其核心体系是灰色模型（ Grey Model ，简称 GM )，即对原始数据作累加生成（或其它方法生成）得到近似的指数规律再进行建模的方法。优点是不需要很多的数据，一般只需要4个数据就够，能解决历史数据少、序列的完整性及可靠性低的问题；能利用微分方程来充分挖掘系统的本质，精度高；............
继续访问
灰色预测算法改进_改进背景值Z_python
文章目录一、修改背景值的参数设定1、算法2、 案例及代码2.1 数据2.2 代码2.3 效果对比 ????:我的心路历程，妈耶，妥妥的翻车了，论文【1】里改进后效果明显变好了，采用了新的数据集，效果反而变差了，但仁者见仁吧，可能真的在别的数据集上效果就会好呢。后续会阅读别的论文，持续更新新的改进方法。 29/03/2022 10:44 灰色系统理论及其应用系列博文： 一、灰色关联度分析法(GRA)_python 二、灰色预测模型GM(1,1) 三、灰色预测模型GM(1,n) 参考文献： [1] 改
继续访问
一、什么是灰色系统（Grey System）
灰色分析全名为灰色系统理论分析（Grey System Theory），是由中国邓聚龙教授于1982年在国际经济学会议上提出，该理论主要是针对系统模型之不明确性，信息之不完整性之下，进行关于系统的关联分析（Relational Analysis）、模型建构（Constructing A Model）、借由预测（Prediction）及决策（Decision）之方法来探讨及了解系统。
自然界对人类社会来讲不是白色的(全部都知道)，也不是黑色的(一无所知)，而是灰色的(半知半解)。人类的思考、行为也是灰色的，人类其实是生存在一个高度的灰色信息关系空间之中，例如：人体系统、粮食生产系统等。部分信息已知，部分信息未知的系统，称为灰色系统。
控制论中主要以颜色命名，常以颜色之深浅表示研究者对内部信息（information）和对系统本身的了解及认识程度之多寡，黑色，表示信息缺乏；白色，表示信息充足；而介于白色（W）系统与黑色（B）系统之间，其信息部份已知，信息部分未知的这类系统便称之为灰色（G）系统。
二、什么是灰色系统理论
灰色系统理论是研究灰色系统分析、建模、预测、决策和控制的理论。它把一般系统论、信息论及控制论的观点和方法延伸到社会、经济和生态等抽象系统，并结合数学方法，发展出一套解决信息不完全系统（灰色系统）的理论和方法。
灰色系统理论分析具有沟通社会科学及自然科学的作用，可将抽象的系统加以实体化、量化、模型化及做最佳化。
三、灰色系统理论建立的历史背景
1948年，美国数学家申农提出『信息论』，学者维纳（Weiner）发表『控制论』一书。
1951年，巴黎举行了第一届国际会议，确认了控制论是一们新兴的学科。
1968年，奥地利生物学加倍塔朗菲发表了--『一般系统理论－基础、发展和应用』，正式确定了一般系统理论。
四、灰色系统理论的主要内容
信息不完全是灰色系统的特征，因此研究灰色系统的关键是：
（一）、如何处理灰元信息不完全的元素，称之为灰元或灰参数。
（二）、如何使系统结构上、模型上、关联上由灰变白，或使系统的白度增加（又称淡化或白化）。
灰色系统理论就是从这两方面来发展讨论的。通过白化，我们对系统的认识变由知之不多到知之较多，由知之较多再到认识其变化规律，最后从变化规律中提取出所需要的信息。
灰色模型是灰色系统理论的核心，是灰色预测、决策、控制的基础。利用灰色模型及其它理论，可分析事物的可控性、可观性、可达成性，说明哪些因素是可控性的，哪些是不可控性的；哪些是将要发生的，哪些是将要消灭的；哪些是需要扶持的，哪些是要制止的；从而为系统迅速、正确地提供决策。
灰色系统理论的主要内容有：
（一）、GM模型
（二）、灰色预测
（三）、灰关联分析
（四）、灰色统计与聚类
（五）、灰色决策
（六）、灰色控制
五、灰色系统理论的两条基本原
（一）、信息不完全原理
（二）、过程非唯一原理
六、灰色系统的应用范畴
灰色系统的应用范畴大致分为以下几方面：
（一）、灰色预测
1、人口预测；2、初霜预测；3、灾变预测…….等等
（二）、灰色关联度分析
（三）、灰色决策
（四）、灰色预测控制
现实世界中，许多系统即使是有大样本，其分布也不一定是典型的，非典型的随机过程是难以用统计方法处理的。且现实中的许多灰系统，因为没有物理原型，信息难以完全判断，而且数据很少，这就难以用统计方法处理。
七、灰色分析的优点
（一）、不需要大量的样本。
（二）、样本不需要有规律性分布。
（三）、计算工作量小。
（四）、定量分析结果与定性分析结果不会不一致。
（五）、可用于近期、短期，和中长期预测。
（六）、灰色预测精准度高。
八、灰色系统的应用实例。
对体育界优秀选手李福恩过去十年来十项全能成绩的因素分析与成绩预测。
1、用关联分析法探讨各单项与总分之间的相互关系及他们在全能运动训练中应占的地位，对于科学安排、控制训练全部过程及其十项全能成绩能提供量化的参考。
2、以李福恩过去十年的成绩作为依据，应用GM(1，1)建模的方法预测其未来五年各单项与总分之成绩，作为其未来各阶段训练目标之精确定量描述，以供训练过程中的检查评定，期能有助于训练目标的实现。
此项研究的说明如下：
不少运动员，尽管他们也像世界优秀运动员一样多年地从事艰苦的训练，经历了无数次精疲力竭的竞赛，但他们却无法取得与世界优秀运动员相同的成绩。这就是说，在现代运动训练中，教练与运动员不仅仅是使用身体，同时还要使用智能和科学。
在体育界，亦有人应用灰色系统理论对李福恩十项全能成绩作因素分析与成绩之预测，也就是说利用灰色系统理论来找出对增加李福恩十项全能的训练之最有效的项目。运动训练的基本任务是充分地挖掘运动员的竞技能力，最大限度地提高其竞技能力。
男子十项全能运动被人誉为「铁人」项目，其比赛是以10个单项得分的总合决定名次。而总分与各单项之间以及影响总分成绩的各个单项之间是相互促进、相互制约，它们既对立又统一，共处于一个统一体中，如果将十项全能总分的提高过程看成是一个系统的话，那么影响十项全能总分的因素中部分因素是已知的，而部分因素是未知的。例如对影响总分的身体素质、运动能力这些因素是明确的，用灰色控制系统理论的专有名词而言，这些因素是「白数」；然而，各单项在全能运动训练中应占的地位及它们对总分成绩所起的作用尚属未知，我们以灰色系统理论的观点来看，信息部分明确，部份不明确的系统乃灰色系统，因而可把十项全能总分提高的过程看成是一个灰色系统。
为了弄清楚系统中各因素的内在联系及其发展规律，我们常用的定量方法是数理统计如回归分析、方差分析、主成份分析等，尽管这些方法解决了许多实际问题，但也还存在某种局限性，因为它往往要求大量的样本，然而这在运动训练中有时又很难实现，尤其是优秀运动员的研究，往往难以取得足够的样本，而灰色系统理论在1982年由大陆学者邓聚龙教授在国际经济会议上发表提出一种新的分析方法，即系统关联度分析，其根据因素间发展态势的相似或相异程度来衡量因素间的关联度，这种方法对样本的多少几乎没有要求（n不少于3），也不需要典型的分布规律，计算量少，且不至于出现关联度的量化结果与定性分析不一致的情况；再系统模型的建立方面亦有独到之处；对于任一随机量值都看作是在一定范围，一定时区内变化的灰色量，在处理上，透过原始数据的整理运算来寻找规律，这是一种就数找数的现实规律，即便是没有明显规律的数据，也可被生成有规律的数据。
学者应用关联度分析法探讨各单项与总分之间的相互关系及它们在全能运动训练中应占的地位，对于科学安排、控制训练全部过程及尽快提升其十项全能成绩提供量化的参考；以李福恩过去十年的成绩作为依据，应用Gm（1,1）建模的方法预测其未来五年各单项与总分之成绩，做为其未来各阶段训练目标之精确定量描述，以供训练过程中的检查评定，更有益于训练目标的实现。
此项研究是以总分为参考函数X0（k），10个单项为比较函数：设100公尺X1（k）；跳远X2（k）；铅球X3（k）；跳高X4（k）；400公尺X5（k）；110中栏X6（k）；铁饼X7（k）；撑竿跳X8（k）；标枪X9（k）；1500公尺X10（k），依关联度分析之方法先求关联系数，再根据系数值求关联度，然后再作标准值化（无量纲化）。
研究结果：透过关联分析，得知对李福恩十项总分影响的项目中（X1）100公尺是第一位，其次为（X5）400公尺，其余顺序是（X3）铅球；（X6）110中栏；（X2）跳远；（X9）标枪；（X4）跳高；（X7）铁饼；（X10）1500公尺；（X8）撑竿跳高。
关于灰色理论还有很多内容，这里我只是在网上搜集资料后总结了一下，希望能为大家解决问题时多一种考虑问题的方法，也希望大家能对灰色理论产生兴趣。
这里写了四个函数，方便在Matlab里面调用，分别是GM（1，1），残差GM（1，1），新陈代谢GM（1，1），Verhust自己写得难免有所疏忽，需要的朋友自己找本书本来试验一下。。
Gm（1，1）
function [px0,ab,rel]=gm11(x0,number)
%[px0,ab,rel]=gm11(x0,number)
%px0为预测数列，rel为平均相对误差,rel为平均相对误差(为百分比)
%默认的number参数为原数组大小
if nargin==1 %对输入矩阵进行判断，如不是一维列矩阵，进行转置变换
number=max(size(x0));
end
n=max(size(x0)); %取输入数据的样本量
x1=zeros(size(x0));
for k=1:n
for i=1:k
x1(k)=x1(k)+x0(i); %计算累加值，并将值赋予矩阵be
end
end
z=zeros(size(x0));
for k=2:n
z(k)=0.5*(x1(k)+x1(k-1)); %计算数据矩阵B的第一列数据
end
y=x0';
y(1)=[];
b(:,1)=-z';
b(:,2)=1;
b(1,:)=[];
ab=inv(b'*b)*b'*y; %计算参数 矩阵
a=ab(1);
b=ab(2);
px0(1)=x0(1);
%求还原值系列
for k=1:number-1
px0(k+1)=(1-exp(a)) * ( x0(1)-b/a ) * exp(-a*k);
end
temp=px0(1:n);
x0;
temp=(temp-x0)./x0; %相对误差
temp(1)=[]; %删除第一个为零的误差
temp=abs(temp);
rel=sum(temp)/(n-1)*100;
残差Gm（1，1）
function [px0,ab,rel]=ccgm11(x0,number)
%[px0,ab,rel]=gm11(x0,number)
%px0为残差预测数列，ab为求得的系数,rel为平均相对误差(为百分比)
%默认的number参数为原数组大小
if nargin==1
number=max(size(x0));
end
n=max(size(x0)); %数组大小..
[px0,ab,rel]=gm11(x0,number);
wucha=x0-px0(1:n);
i=n;
%求后面的同号的数目.
while(wucha(i)*wucha(i-1)>0 & i>=2)
i=i-1;
end
start=i;
length=n-i+1;
new=wucha(start:n);
if length>=4
pwucha=gm11(new);
px0(start:n)=px0(start:n)+pwucha
clear wucha;
wucha=px0-x0;
wucha=wucha./x0; %相对误差
wucha=abs(wucha);
rel=sum(wucha)/(n-1)*100;
end
verhust
function [px0,ab,rel]=verhust(x1,number)
%[px0,ab,rel]=verhust(x0,number)
%px0为预测数列，rel为平均相对误差,rel为平均相对误差(为百分比)
%默认的number参数为原数组大小
if nargin==1
number=max(size(x1));
end
n=max(size(x1));
x0(1)=x1(1);
for k=2:n
x0(k)=x1(k)-x1(k-1);
z(k)=0.5*(x1(k)+x1(k-1));
end
x0;
z;
B=[-(z(2:n))' (z(2:n).^2)'];
B;
Y=(x0(2:n))';
Y;
ab=inv(B'*B)*B'*Y;
a=ab(1);b=ab(2);
for k=1:number
px0(k)=(a*x1(1))/(b*x1(1)+(a-b*x1(1)).*exp(a*(k-1)));
end
temp=px0(1:n);
x1;
temp=(temp-x1)./x1; %相对误差
temp(1)=[]; %删除第一个为零的误差
temp=abs(temp);
rel=sum(temp)/(n-1)*100;
新陈代谢Gm（1，1）
function [px0,ab,rel]=xcdxgm11(x0,number,step)
%[px0,ab,rel]=xcdxgm11(x0,number,step)
%x0为原系列,number为要预测的数目,step为基本步长
%px0为预测数列，rel为平均相对误差,rel为平均相对误差(为百分比)
%默认的number参数为原数组大小
%模型假设预测的数据和原始数据都要大于等于5
if nargin==1
number=max(size(x0));
step=max(size(x0));
end
if nargin==2
step=max(size(x0));
end
n=max(size(x0));
if n<step | n<5
error('此模型要求至少有五个原始数据,并且原始数据个数要大于新陈代谢的步长.');
end
[px0,ab,rel]=gm11(x0,n);
last=n;
x0;
px0;
while last<number
begin=last-step+1;
temp=px0(begin:last);
temp=gm11(temp,step+1);
last=last+1;
px0(last)=temp(step+1);
end
所谓过程模式，指的是模式特征是一个多维（随时间变化）的随机向量，而不是一个高维的点。因为研究的对象是地震资料，所以模式数字序列可以看做一个灰色过程或随机过程，其特征也应是一个既反映内在结构，又反映变异特性的动态变化过程。该方法以地震资料为对象，用灰色系统（易德生等，1989）、模糊数学（赵振宇等，1992）、分形理论（J.Pang，et al.，1996；王域辉等，1994）等新理论新方法，来描述储层的内在特征，以灰色识别等新技术，来综合识别裂缝发育有利地段，为进一步布置开发井位服务。
灰色过程识别的算法核心技术是：①由地震资料，通过多种数学生成变换，提取出既能反映模式的内在结构，又能反映模式间差异的多维特征矢量（过程特征），从而全面地，多方位地、动态地刻画出模式的数字特征；②针对多维过程特征的多模式、多方案的灰色过程识别算法理论及其软件设计；③多方案识别结果的人机交互综合技术，以最终获得一个可靠的、符合地质实际的评价结果；④形象直观的图示技术，使其计算结果的宏观趋势及变化状态一目了然，方便、确切地实现计算过程与地质评价解释人员的交流交互。
预测评估是以地震剖面及其变换剖面，如岩性剖面、速度剖面、VSP剖面等数据资料为基础，通过各种方法提取特征参数，用不同的方法进行多参数模式识别，评价目的层的横向变化及含油气的可能性，进而推断含油气区段。
5.1.1 预测评估的基本原则
灰色过程模式识别系统是集地质、地震、数学、计算机、人工智能等多学科知识于一体的综合型智能识别体系，但是，碳酸盐岩古潜山储层是高度非均质性的地质体，因此，无论在模式建立、特征提取或识别推断上都遵循以下四条原则：
（1）变异性原则：在特征提取时，采用时窗滑动的方法，对每一个CDP道可以提取出若干个特征向量，用以描述动态过程特征。
（2）随机性原则：可以将一个地震数据序列看成一个随机变量，同样可以作统计处理、求取子样特征参数，如均值、方差、极差等。该原则恰好与灰色理论的基本观点相符合。
（3）相似类比原则：从地质背景出发，选取适当的评估范围，绝不可太长。针对目的层，其上、下界应根据地震剖面及地质分层等成果进行标定和拾取。
（4）延续性原则：相邻CDP位置间必然存在一定程度的延续成分。
据此，一方面，模式井道的选取可以按照就近原则选取离井位置最近的CDP道，也可以选取相邻的几道组合而构成模式；另一方面，模式识别结果也可以相应地作一定长度内的平滑处理，剔除部分随机干扰。
5.1.2 预测评估的步骤
（1）确定目的层，截取目的层的剖面数据，建立评估算法的基本数据体；
（2）确定模式井道，组构评估模式数据体；
（3）特征提取：特征提取是本方法的第一个研究重点，因为特征提取的好坏将直接影响最终的评估效果。由于原始地震道是一个包括沉积、地层、构造、岩性等多种地质信息的综合响应系统，从中提取能够反映模式间特征差异的信息则是关键。
本方法从动态过程的观点出发，提出了Jacklife统计、灰色参数、模糊自相似从属度、模糊分维、几何分维等多种特征向量提取方法及计算方法。
（4）多参数多方法模式识别：模式识别是本方法的另一个研究重点。特征提取之后，要合理地“分类”和比较，根据各CDP位置数据的量化结果评估储层的变化和油（气）存在的可能性，这是关键性的一步。
5.1.3 地震特征参数的提取
所谓特征提取就是通过数学变换将地震时间序列中能反映储集特征及含油（气）可能性的信息提取出来。由于每个地震道时间序列，实际上是一个随时间而变化的动态过程，因此把它看做一个灰色过程是合理的。因而其特征生成结果，也应是一个随时间而变化的过程，即过程特征更为全面、更为合理。
设有一个地震道的时间序列为X：
储层特征研究与预测
它不仅能清楚地反映层位、构造、断层等地下地质信息，而且还包含了岩性、孔隙度、渗透率等油储特性。显而易见，特征参数提取的关键在于：如何从地震时间序列中提取出能反映储层及含油气性的特征参数。
研究前人有关特征参数提取的方法，可以看出，无论是统计参数，或是自回归系数，甚至分维数，都是对每个时间序列（即一个地震道）求取一个特征值，以代表整个序列的总特征，这种以一个参数代表一个地震道的参数提取方法称为点特征提取法。然而，这种特征参数提取方法有很大的局限性，因为每个地震道都可以看成一个随时间变化的动态随机过程，它不仅具备系统的内在结构特征，而且在不同时间段内又随地层的不同而具备不同程度、不同性质的差异。据此，应该视具体情况，选择相应的时窗长度，在该时窗内进行滑动拾取，针对每个时窗逐次提取特征参数，从而构成一个特征向量。这样，才能全面、细致地反映整个序列的总体特征，我们称之为过程特征。
地震数据体的特征提取一般有三大类，即：基于振幅的统计特征；基于功率谱、自相关、自回归的频率特征；以及基于分维、模糊数学、灰色理论的非线性特征参数。这三类参数可达几十个，但是并非所有的特征参数对所要求解决的地质问题都有效，实践证明，必须要针对不同地区、不同储层和解决不同问题，筛选出有明显反映的特征参数。本次研究的目的是直接预测溶蚀、裂缝带的分布，因此选择了反映振幅变化的统计特征、反映频率变化的自相关特征、反映更复杂组合的非线性特征（如灰色参数、模糊分维数）等19个特征参数向量，亦即：
（1）统计特征的提取
a.绝对均值：
储层特征研究与预测
b.最大峰值：
储层特征研究与预测
c.最大谷值：
储层特征研究与预测
最大峰值、最大谷值分别表示地震序列的最大振幅和最小振幅，它们界定了总体的取值范围。
d.正均值：
储层特征研究与预测
其中n′为地震序列中取值大于0的点数。
e.负均值：
储层特征研究与预测
其中 m′为地震序列中取值小于0的点数；x +、x -反映了地震序列正、负振幅的平均位置。
f.二分之一能量时间：
设称为地震波的总能量，则存在一个适当的 t，1＜ t＜ n，使得
储层特征研究与预测
则t称地震波的二分之一能量时间。
g.正负样点比：
设 n +为地震序列中取值为正的点数，n -为地震序列中取值为负的点数，则
储层特征研究与预测
称为正负样点比。
h.标准差：
储层特征研究与预测
用于描述时间序列相对平均值位置的离散程度。δ值越小，表明序列的离散程度越小，序列的取值密度越大，各取值点越靠近其平均位置。
i.周波跳跃系数：
储层特征研究与预测
其中：n1代表两个相邻取值xi和xi+1由正到负的突变次数；n2代表两个相邻取值xi和xi+1由负到正的突变次数；（i=1，2，…，n-1）。
a用以描述时间序列的周期变化频率，a越大，则表明时间序列变化频率越高，因此，该特征在地震时间序列中可以反映地层变化的复杂程度。
以上介绍的9种特征参数都是时间序列的总体特征参数，估计出的是一个特征值，它们从不同角度反映了地震序列的变化特征，反映了储层储集性的细微变化。但是，地震时间序列反映的是一个地层随时间而变化的动态过程。而统计特征参数描述的是时间序列的总体特征，并没有体现时间内的细小变化。为此，胡远来教授提出运用拓宽Jacklife统计思路，采用切除任一时间段而统计估算其余部分的特征参数的方法，来提取整个时间序列的特征向量。
下面以均值为例，阐明该方法的计算过程：
a.给定的时窗长度为1＜l＜n；
b.计算
储层特征研究与预测
c.取i=1，2，…n-1，即让时窗从x1逐步滑动到xn-1，计算出n-1个平均值。这种估算既可满足统计的大样本量要求，又能反映整个数列的动态特征，将更有利于识别类比。
（2）自相关特征的提取
自相关特征即地震反射波的自相关函数的一些特征参数，实践证明，它们对地震反射波的波形微细变化有较敏感的反映，能反映地震记录沿时间方向的重复性状态。设地震波时间序列为 X={x1，x2，…，xn}，则 X 的自相关函数r 为：
储层特征研究与预测
自相关函数r不仅是一个随时间而变化的函数，而且是一个振幅随时间增长而衰减的周期函数，其中周期为A0=r（0）为最大峰值，A1、A2、A3分别为三个过零点时间，则可以取得如下6个自相关特征参数：
a.第二峰值与最大峰值比：S1=A1/A0；
b.第三峰值与最大峰值比：S2=A2/A0；
c.第四峰值与最大峰值比：S3=A3/A0；
d.主瓣宽度：S4=2t1；
e.二瓣宽度：S5=t2-t1；
f.三瓣宽度：S6=t3-t2。
（3）灰色特征的提取
基本思路是：将地震时间序列看做一个本征灰色系统，从而建立起系统的灰色模型，然后从模式识别的目的出发，通过数学变换，组构一个能够最大限度地反映模式之间差异的灰色特征向量。
该方法的目的在于：通过预测模型 GM（1，1）的建立，确定辨识参数-a 和-u。在灰色理论中，称-a 为发展系数，-u/-a 为调节项。两者刻画了模型的系统结构，反映了系统的总体变化趋势，进而，可以用来描述储层特征模式，或含油气与否的地震道序列，继而从模式识别的角度出发，使得总体特征对于不同的模式而言，表现出来的差异应越大越好；对于相同或相似的模式而言，表现出来的差异应越大越好；对-a、-u 进行组合构造，提取灰色特征。
研究发现-a 数值虽小，但较灵敏，序列的微小变化则会引起-a 的剧烈波动；而调节项-u/-a 的变化则比较平缓。
为此，针对-a 和-u 提出灰色特征向量的构造方法如下：
设有地震时间序列 X=（x1，x2，x3，…，xn），确定特征提取的滑动时窗长度 1，1≪n，对于任意一个滑动时窗 i（i=1，2，…，n-l）；
a.求取时窗 i 下的GM（1，1）的辨识参数-ai和-ui；
b.将两者作规一化处理，使之成为［0，1］之间的灰数；
c.构造 ai=f（-ai，-ui），使得 ai∈[0，1]；
则有ai（a1，a2，…，an-1），称ai为灰色特征向量。
（4）模糊特征的提取
模糊特征是指由分维特征拓广引申出来的模糊分维及模糊自相似从属度特征。分维是分形特征的一个定量描述参数，是刻画复杂的、不规则几何图形的一个有力工具。可以提取三种特征参数。
a.关联维数
关联维数
储层特征研究与预测
其中
储层特征研究与预测
是相空间中s、t两点之间的距离dst小于r的概率；r为指定距离的上限；H为一个Heaviside函数，即
储层特征研究与预测
b.模糊分维
模糊分维是分维的一种拓广。几何分维认为一个复杂图形的整体与部分之间存在自相似性，而模糊分维（以下简记 F-分维）则认为自相似不一定存在，只存在模糊自相似，是指许多复杂结构，实际上只是某种程度上的自相似，这种现象可以用一个模糊集来表示，从这种观点出发计算的分维数称 F-分维。
若定义相似程度（隶属度）为ust则C（r）可修正为
储层特征研究与预测
c.模糊自相似从属度
冯德益教授从模糊数学的观点出发，采用模糊分维的定义思路，给出了模糊自相似从属度的概念。若原标度为1，新标度Lj，则称rj=1/Lj为模糊自相似比。倘若在自相似比rj下，第i个图像与原图像的相似度为ui，则整个结构的模糊自相似从属度（以下简称F—自相似从属度）可定义为：
储层特征研究与预测
式中；na为相似性测定的次数；n 为选取的 F-自相似个数。
我们研究分维、F-分维、F-自相似从属度是用于提取地震资料表征的储层特征和含油气特征。由于一个地震序列反映的是若干米厚的地下地质体的数字特征，所反映的地下地质信息十分丰富，其中包括了若干厚薄不一的储层和非储层。一个储层中又可能包含了数个更小的岩层，因此若把若干米厚的地城序列曲线看做复杂图形的集合体，分析其分维、F-分维、F-自相似从属度特征，这就太粗了，不能反映细层的差异。我们认为应取一定厚度的曲线作为整体（这个厚度称为逻辑尺或逻辑时窗 Q），用上述公式计算三个参数，然后滑动时窗，再计算三个参数，如此继续下去，就可以得到三条特征曲线，它能动态地、全面地反映储层的内在规律性，实现储层的分类识别。
另外，因为地震序列从上到下的变化与地下地质的变化特征是密切相关的，因此，在这里应把它看作一个有序的灰色自相似结构来计算。
5.1.4 灰色模式识别
5.1.4.1 灰色关联识别
灰色模式识别是将一个模式X看做一个灰色过程，其数字特征是一个灰数序列：
储层特征研究与预测
那么，标准模式i：
储层特征研究与预测
与待评估模式j：
储层特征研究与预测
之间的相似性度量则用灰关联rij来表征。倘若已知标准模式Xi，i=1，2，…，m，与未知待辨识模式Xj的灰关联度为rij时，则其识别准则如下：
若
储层特征研究与预测
则模式应划归第K类。
灰关联强调的是系统过程的动态发展变化，它是根据模式特征因素间发展变化趋势的相似或相异来衡量模式间的相似程度。这种系统分析方法对样本量大小没有特殊的要求，也不像统计识别那样需要以某种统计分布为前提，因此，适用范围广。
5.1.4.2 灰关联度
灰关联度计算是灰色模式识别的关键之一。关联度是度量待识别模式（向量）曲线（Xj）与标准模式曲线（Xi，i=1，2，…，m）的相似程度的一个定量值，其定义可以有多种，现采用四种。
a.经典关联度
其定义如下：
储层特征研究与预测
式中：
储层特征研究与预测
0≤a≤1称为分辨系数，越小分辨率越高，一般取a=0.5，显然0≤rij≤1；rij越大，表明j模式与i模式的相似程度越高，其几何意义是两条曲线越相似。
b.模糊关联度
为了顺应模式变化，增强系统的适应能力，引入了模糊数学的观点，不难看出：“灰”与“模糊”只是“不确定”的两种形式。
这里选用模糊算子：极大∨和极小∧，便得出模糊关联度，记作fij。
设：
储层特征研究与预测
则有：
储层特征研究与预测
这样一来模糊关联度的灵敏度较之经典灵敏度降低了，也就是说，反映模式间变化的灵敏度降低了，相似性度量有一定的模糊性。
c.组合关联度
经典关联度着重描述模式曲线间的几何形态，即变化趋势越接近，关联度值越大。但针对某些过程（如地震道时间序列），不仅要考虑它的位置变化，而且还应考虑其变化速率、速度差和加速度差。由此，该方法引入了一种新的关联度—组合关联度，记作Zij。
设：
储层特征研究与预测
则有：
储层特征研究与预测
组合关联度是灰模式（曲线）变化过程中的位移差、速度差和加速度差的合成，增强了模式形态外变差的相似性，将更有利于模式对比。
d.距离关联度
在经典关联度的计算中，使用了全局最小、最大作规一化处理，使其结果在0到1之间，在多模式情况下，rij不能满足对称性，因此不可以用于模式的聚类分析。然而，在建模之前，又往往需要模式的聚类分析。那么，为了给建模提供依据，便引入了距离关联度的概念。
储层特征研究与预测
其中：d0是一个适当选取的常量，但要满足
储层特征研究与预测
5.1.4.3 初始化变换
在关联分析中，如果变量列间的量纲不统一，则计算出的关联度难以正确地反映变量列间的过程变化特征，使解失真。因此，往往要对变量列（即原始数据列）先进行初始化变换，消除量纲影响，使各变量处于相同地位，具有等效性。
初始化变换有很多种，本系统采取的是初值化，极大化，极小化，区间化或不变换等五种。
若设变换前的原始数到 X={x（1），x（2），…，x（n）}，变换后的结果数列为 Y={y（1），y（2），…，y（n）}，则五种变换算法公式为：
① 初值化变换
储层特征研究与预测
②极大化变换
储层特征研究与预测
其中
储层特征研究与预测
③极小化变换
储层特征研究与预测
其中
储层特征研究与预测
④区间化变换
储层特征研究与预测
⑤不变换
储层特征研究与预测
显然（1）～（4）种变换都是无量纲化变换方法，否认原始数列的单位是什么，变换后都消除了单位大小的影响，特别是区间化变换，不但消除了量纲，而且使各变量列的数量级都统一在0到1之间。
5.1.4.4 灰色模式识别策略
该系统针对每个地震道提取19个特征向量，从灰色理论的基本观点出发，将每一个特征向量看成该模式的一个灰色序列，从而构成一个多参数序列的灰色模式识别系统，其基本策略是：
（1）以四种关联度构成一个多参数的自动优化识别系统。自动优化指的是：系统通过试算，在确定的优选目标下，选取最适合本问题的方案，来计算推断整个地震剖面的储层裂缝的发育概率；
（2）通过学习训练，求取多参数序列在模式识别中的贡献，由各参数的贡献大小，来适当组构识别的数学模式，用于全剖面各道的外推识别。
（3）由于每一类都可能存在多个已知模式（井旁道），因此，模式的建立可以采取两种策略：或者针对每一类选取一个有代表性的、具有普遍意义的模式井道作为模型，称为单井模式；或者根据每一类中各模式道的微小差异，取其加权平均作为模型，称为组合模式。
5.1.4.5 灰色模式识别结果
（1）灰色过程识别的多方案设计
由于模式的相似性度量是一个多维灰关联系数，根据灰关联理论，我们可以将原始输入序列作不同的初始化变换和采用不同的灰关联定义。因此，在实际计算时，就可以设计多种不同的计算方案，以求从多角度、多对比技术方面获取更有效的结果。
本算法可以选取4种不同的初始化变换、4种不同的灰关联定义，即可以有4×4=16种算法方案。为便于使用掌握，本算法软件，设计出了一个自动优选机制，自动优选出最优的前三种方案作数字模型及外推识别计算。
优选的原则是分辨率高，回判及检测效果好。
（2）多结果的综合技术
对任一测线剖面，都可以获得几个计算结果，如何综合选择，求得最终结果，这是十分重要的。一个好的结果应是：
①回判及检测的正确率应当高；
②横向的连续性应当好，因为地质体尽管是非均质的，各向异性的，但在一个小范围内，在宏观上应该有一定的延续性。
③不只看单测线结果，还应看区域结果，从区域构造，区域地质背景来检验结果。因此，这就需要与评价解释人员进行交流，实施交互选择。
通过反复计算，反复交互，最终才能获得满意结果。决不能把它看成一个单纯的计算问题，它是一个数学与地质紧密结合的，系统的，科学的研究问题。
（3）图示技术
为了使输出结果形象、直观，特别是使结果的交互选择能快速、顺利地实现，该算法设计出了测线时间剖面图及平面预测结果图，可以一目了然地，观察整个测线的结果变化状态、储层走势，模式井位置，及预测分类级别等。
g
