非等间距新息GM(1,1)的逐步优化模型及其应用

应用灰色系统建模方法及新信息原理,在GM(1,1)建模思想的基础上提出了一种基于直接建模的逐步优化的新息非等间距GM(1,1)模型,该模型采用原始数据的第n个分量作为灰色微分方程的初始条件,通过优化背景值与差商调节系数来估计模型参数.该模型不仅适合于等间距建模,也适合于非等间距建模,且突破了发展系数的绝对值较大时,不能用GM(1,1)模型的禁区,提高了建模的精度.实例表明所建模型的实用性与可靠性.     

广义累加灰色预测控制模型的性质及优化

对广义累加灰色预测控制模型进行了深入研究,发现该模型实际上是GM（1,1）模型、阶段模型、跳跃模型、非等间隔模型等的统一形式;然后研究了初始点的变化对模型参数及预测值的影响,利用矩阵分析推导了它们之间的数量关系;提出了利用广义累加生成矩阵中元素的优化、初始点的优化、初始条件选取的优化对广义累加灰色预测控制模型进行组合优化的方法. 最后利用经典的“电视机销售问题”进行了实例分析,验证了组合优化方法的有效性.     

非等间距近似非齐次指数序列的灰色建模方法及其优化

传统的GM(1,1)模型在拟合非齐次指数序列时往往存在较大偏差, 针对现实中大量存在的非等间距近似非齐次指数序列, 本文首先根据非等间距灰色模型建模机理, 提出一个非等间距非齐次灰色模型, 推导出模型参数的最小二乘估计及时间响应函数表达式; 其次, 关于模型初始条件, 建立无约束优化模型; 最后, 实证分析表明, 该改进模型在拟合精度和实用性上均有明显改善, 从而拓宽了灰色模型适用范围.     

基于振荡序列的GM(1,1)模型

针对GM(1,1)模型对非负光滑单调序列的预测精度较高,而对振荡序列的预测效果不理想的情况.提出了先通过加速平移变换将振荡序列变为单调增加序列,然后再对加速平移变换后的序列进行加权均值生成变换,再以加权均值生成变换得到的序列建立GM(1,1)模型进行预测.通过具体算例的计算表明,这种方法能够提高GM(1,1)模型的预测精度,可应用于对振荡序列建立GM(1,1)模型,从而扩大了GM(1,1)模型的应用范围.     

初始条件自适应优化的ANGM(1,1)模型及其应用

少数据、贫信息的非等间距序列预测建模是灰色系统理论的重要内容之一，也是现实工程应用中经常遇到的难题.本文基于自适应优化的初始条件，构建了ANGM（1，1）优化模型.首先，在对已有初始条件优化的非等间距GM（1，1）模型缺陷分析基础上，设计出新型的初始条件自适应优化方法.该方法依据1-AGO序列各时点分量的实际值构建权重分配方程，既保证每个时点信息的充分利用，又自适应调整新旧信息的权重大小.然后，根据建模序列的特征，给出时间参数求解的两个准则及其推导公式，进而构建优化模型.最后，分别利用单调和波动两种特征的实际案例数据，构建4种初始条件优化模型，结果显示本文模型预测效果最好，表明本文模型的适用性和稳定性.     

无偏GM(1,1)幂模型初始条件的优化

针对无偏GM(1,1)幂模型初始条件的优化问题,分别考虑模型结构参数已知和未知的情形下的优化方法。在结构参数已知的情形下,构建优化模型使得原始序列的一阶累加生成序列与其模拟值的误差平方和在理论上达到最小,并给出了最优初始条件的解析解;在结构参数未知的情形下,将最优初始条件视为待定变量,建立基于预测误差最小化准则的非线性优化模型,并通过Matlab求解优化的初始条件和结构参数。结果表明,提出的优化方法能够显著地提高无偏GM(1,1)幂模型的预测精度。     

初始值优化的离散灰色预测模型

针对经典GM(1,1)模型的不足,研究了离散GM(1,1)模型选取不同初始迭代点的模拟数据增长率特点.应用最优化技术求解初始迭代点,证明了改进的离散GM(1,1)模型能够完全模拟指数序列.提出了两类分段修正离散GM(1,1)模型,对建模机理进行了证明,并对改进模型进行了推广.结果表明,优化初始迭代点的分段修正离散GM(1,1)模型能够完全拟合分段等比序列.     

GM(1,1)模型初始条件和初始点的优化

在对GM(1,1)模型的初始条件进行优化时,由于优化的目标函数为误差平方和最小,而模型的检验标准为平均相对误差最小,两个准则的不一致性导致优化效果不理想.本文以相对误差平方和最小为目标优化GM(1,1)模型,分别对初始条件和初始点进行优化,给出优化的计算公式,并证明在原始序列相对误差平方和最小的准则下,初始条件优化和初始点优化是统一的.实例表明运用优化公式与数值最优解计算得到的模型平均相对误差非常接近,且运用优化公式比数值解求解更方便.     

背景值和初始条件同时优化的GM(1,1)模型

GM(1,1)模型是有偏差的灰指数模型,其精度取决于背景值的构造形式和初始条件的选取。已有的研究文献均是从一个侧面单独改进GM(1,1)模型,单独采用优化背景值方法或优化初始条件方法可以在一定程度上提高模型精度,因为两种改进方法完全独立。这里提出一种同时优化背景值和初始条件的新GM(1,1)模型,通过模拟数据的比较表明,新优化GM(1,1)模型有更高的精度。     

近非齐次指数序列GM(1,1)模型灰导数的优化

从原始序列为非齐次指数律的GM(1,1)的灰导数出发,利用向前差商和向后差商的加权平均值作为GM(1,1)的灰导数白化值, 并给出了加权系数λ的具体表达式,进而建立了优化灰导数后适用于原始序列为非齐次指数律的GM(1,1)模型,且证明了此模型具有白指数律重合性,给出了求 参数的方法及表达式,并通过实例对比验证了此模型具有更高的精度,并且对于严格的非齐次指数序列能够完全的拟合.     

灰色模型GM（1，1）的一种新优化方法

根据灰色系统理论的新息优先原理,提出了将X(1)的第n个分量作为灰色微分模型的初始条件与优化背景值相结合的方法,对GM(1,1)模型进行了改进,改进后的模型既适用于低增长指数序列建模,也适用于高增长指数序列建模,尤其是对高增长指数序列,改进的GM(1,1)模型的模拟精度与预测精度都有提高,即使在发展系数|a|大于2时,新模型的拟合精度仍然很高.     

估计GM(1,1)模型参数的一种新方法

考虑到最小二乘法则的不足及背景值参数和边值的影响,提出基于最小一乘准则估计GM(1,1)模型参数,得到新的预测公式,引入粒子群算法直接求解最小一乘问题即可得到模型参数,简化了以往改进模型的二次求解过程.数值计算结果表明,基于粒子群算法及最小一乘准则估计灰色模型参数,对于平稳或非平稳序列,都具有较高的拟合与预测精度.     

基于信息融合和改进UGM(1,1)模型的故障预测

针对故障预测中存在数据采样时间间隔不均匀、采样难度大、数据量小等问题,借鉴信息融合技术和灰色预测理论,提出了一种基于信息融合和改进不等时距灰色模型(improved unequal interval grey model, IUGM)的预测方法。首先,运用一元二次非线性回归思想建立不等时距灰色预测模型,并通过初始值改进、残差修正和新陈代谢相结合的方式对模型进行改进;然后基于加权思想提出隶属度加权法,以确定特定个体和同类产品的隶属度权值;最后基于加权思想和IUGM(1,1)模型建立特定个体的故障预测模型。实例仿真验证了所提方法的有效性。     

融合自忆性原理的优化GM(1,1)幂模型构建及应用

针对因发展变化受众多因素影响而具有饱和增长趋势或单峰特性的原始波动序列,为了提高预测精度,以灰色GM(1,1)幂模型为基础,构建了自忆性原理与优化GM(1,1)幂模型的耦合预测模型,用动力系统自忆性原理来克服传统灰色模型对初值比较敏感的弱点。结果表明,新构建模型能够充分利用系统的多个历史时次资料,模拟和预测精度都高于传统优化GM(1,1)幂模型,进一步拓展了灰色模型的应用范围。最后,以我国高中升学率的数据为例验证了所构建模型的优越性和有效性。     

多变量非等间距GM(1,m)模型及其应用

对于多变量非等间距数据序列,建立了一类GM(1,m)预测模型。基于灰色模型的指数特性和积分定义,提出了构造多变量非等间距序列的GM(1,m)模型背景值的方法。该方法可以提高GM(1,m)模型的拟合精度和预测精度,拓广了灰色模型的应用范围。应用该方法,建立了中国农村青少年生长水平的灰色预测模型,结果理想可靠,有较好的实际意义。