广义累加灰色预测控制模型及其优化算法

基于矩阵理论建立了广义累加灰预测控制模型参数的矩阵形式,由此得到了数乘变换下模型的参数性质; 利用每个生成序列值作为边界条件并使平均相对误差函数最小, 构建了广义累加GM(1,1)时间响应函数的最优模型. 将该优化模型应用于经典的“电视机销售问题”之中, 得到了非常好的预测效果.     

反向累加生成与灰色GOM(1,1)模型的优化

相对传统累加生成, 分析了反向累加生成, 并结合反向累加生成的特点,改进了传统GOM(1,1)模型背景值的计算方法,给出了灰色GOM(1,1)模型参数求解的优化方法. 具体算例的计算表明,这种方法能够提高GOM(1,1)模型的预测精度,验证了该方法的有效性与实用性.     

PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

基于灰色支持向量机的新型预测模型

分析了灰色预测方法和支持向量机各自的优缺点,提出了将二者相结合的一种新的预测模型———灰色支持向量机预测模型.新模型发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,同时避免了灰色预测方法及模型存在的理论缺陷.实验结果表明文章所提出的预测模型有效可靠,为提高预测精度提供了新的途径.     

基于串联灰色神经网络的电力负荷预测方法

为了提高电力负荷预测的精度,分析现有人工神经网络和灰色预测方法各自的优缺点,将二者相结合提出了一种串联灰色神经网络预测方法.新方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,同时避免了灰色预测方法存在的理论误差.最后实际算例证明了方法的有效性.方法适用于中长期负荷预测.     

广义离散灰色预测模型及其应用

基于离散灰色预测模型提出了广义离散灰色预测模型(GDGM(1,1)模型),它包含了常见的齐次与非齐次指数序列模型,一次累加抛物型自回归模型,以及一次累加时变线性模型;证明了对四类特殊序列具有模拟完全重合性;研究了在数乘变化下模型参数与模拟值的变化规律以及相对误差的不变性;给出了模型建模步骤及其方法,通过实例对DGM(1,1)模型,NDGM(1,1)模型,CDGM(1,1)模型,TDGM(1,1)模型,NHGM(1,1,k)模型,GM(1,1)直接建模模型以及本文模型的模拟预测效果进行了比较,结果表明GDGM(1,1)模型能够提高预测模拟精度.     

基于灰色神经网络组合模型的故障预测

针对装备故障预测存在有效样本少、模型预测精度低等问题,集成灰色理论和神经网络方法,提出基于灰色神经网络的故障预测组合模型。基于新信息优先原理和重构背景值方法优化灰色GM（1,1）模型的初始值与背景值,利用Levenberg-Marquardt算法改进反向传播神经网络模型;采用组合预测思想,将多方法融合改进灰色模型和神经网络模型,分别构建基于权重分配、基于误差修正和基于结构优化的3种灰色神经网络组合模型。以某雷达发射机的故障预测为例,验证上述方法在故障预测中的有效性。结果表明,灰色神经网络组合模型的预测精度优于单一预测模型,可用于装备的故障预测和预测性维修。     

基于粒子群优化算法的广义累加灰色模型

探讨定性分析与定量计算相结合的广义累加生成技术,讨论基于粒子群优化算法(particl swarm optimization algorithm, PSOA)的累加矩阵求解方法和间接灰色模型的优化算法。首先分析和总结4类典型序列的累加生成矩阵模式与参数结构,然后根据实际问题选择合适的累加生成矩阵模式,并用模式中的参数与背景值修正向量共同构成待求粒子。借助粒子群优化算法,以间接灰色模型的平均相对误差为适应度函数,以其最小为目标,通过迭代求解累加生成矩阵和背景值修正向量。实例计算表明,该优化模型不仅具有较高的模拟和预测精度,而且能够较好地跟踪波动序列和高增长序列的变化趋势。     

离散灰色模型的拓展及其最优化求解

目的:探讨灰色预测模型中不同的迭代初始值点对模型的影响及其解决方法,探讨非齐次指数增长序列情况下的离散灰色模型;方法:采用理论证明和图形分析相结合的方法,比较迭代初始值分别为始点、中间点和终点三种不同形式对离散灰色模型的影响,构建新的灰色预测模型和参数求解公式;结果:迭代初始值的不同确实对离散灰色模型的模拟和预测产生影响;构建了优化离散灰色模型和无约束参数求解公式,建立了非齐次指数增长序列情况下的离散灰色模型;结论:新建立的优化灰色模型解决了迭代初始值点的不同对模型的影响问题,可以取代GM(1,1)模型和离散灰色模型进行模拟和预测,离散灰色模型得到了拓展,应用于非齐次指数增长序列的情形.     

基于分数阶累加的离散灰色模型

针对灰色预测模型为什么适用于“小样本”建模的问题进行了研究. 以离散灰色模型为例,利用最小二乘问题解的扰动理论证明了灰色一阶累加方法在扰动相等的情况下,原始序列样本量较大,解的扰动界较大; 样本量较小,解的扰动界较小. 为了使离散灰色模型解的扰动界变小,本文提出了分数阶累加离散灰色模型. 实例说明分数阶累加离散灰色模型的实用性.     

耦合三角函数的灰色GM(1,1,T)模型及其应用

针对小样本序列的周期性波动特征,将三角函数引入灰色预测模型,提出了耦合结构的灰色GM(1,1,T)模型,该模型适用于既存在周期性又具有趋势性的复合型序列.基于最小二乘思想,探讨了模型参数估计的非线性优化问题,利用Levenberg-Marquardt算法进行求解,并给出了初始点选取的经验方法;通过数值实验验证了模型的适用性和参数估计方法的可行性;最后将该模型应用于河南省获嘉县、禹州市、偃师市的农业干旱预测,结果表明2016-2017年河南省土壤含水量呈现出区域性差异,与实际干旱情势比较吻合.     

非等间距GM(1,1)模型性质及优化研究

根据矩阵理论推导非等间距GM(1,1)模型参数的矩阵形式,研究了压缩变换和初始点变化下非等间距GM(1,1)模型参数性质及其对模型精度的影响;在相对误差平方和最小的准则下,分别对初始条件和初始点进行优化,给出参数优化公式,发现两种优化方法是等价的;基于新信息优先原理,通过引入加权系数λ,综合考虑新旧信息变化规律,以加权求和的1-AGO序列作为初始条件,提出了全信息初始条件优化的非等间距GM(1,1)模型.最后,通过实例分析表明,本文提出的优化模型在拟合精度和预测精度上均有明显改善,表明优化的初始条件能充分提取新旧数据的有效信息,进一步提升建模效果.     

GM(1,1)模型的背景值构造方法和应用(Ⅰ)

灰色 GM( 1 ,1 )模型对高增长指数序列拟合常常产生滞后误差 ,作者认为 GM( 1 ,1 )模型中背景值构造方法是影响其精度和适应性的关键因素 .从此角度出发 ,对背景值构造方法进行研究 ,重构了一个表达形式简洁、计算简单、适应性极强的背景值计算公式 .新的背景值计算公式的一个显著特点是它使 GM( 1 ,1 )模型具有对建模结果进行优化的能力 ,能获得最佳的拟合和预测精度 .它使 GM( 1 ,1 )模型同时适应于低增长指数序列和高增长指数序列建模 ,它是提高 GM( 1 ,1 )模型精度和适应性的关键技术 .算例结果的精度充分说明了它的有效性 .     

基于广义动态灰关联度窗口的时滞分析模型

基于静态最大关联度准则的经典灰关联时滞分析方法对样本时序的依赖性较强,分析结论的代表性较差、甚至会出现自相矛盾的地方.为此,本文探讨了一种新的全局性动态时滞分析方法.首先,设计了新信息优先加权算子,将其引入广义灰色关联度模型,强调新信息在关联分析中的重要性.其次,针对经典的基于灰关联度的时滞分析方法的不足,提出动态灰关联度窗口的概念,对样本时序中所有潜在时滞取值展开系统化的分析.再者,定义了基于动态灰关联度窗口概念的时滞关联度矩阵以及相应的时滞灰关联度向量,设计出灰栈矩阵这一特殊灰关联数据存储结构,动态对比所有潜在时滞关系,找出代表性时滞值.最后,对宏观经济指标之间的时滞关系展开案例分析,并与经典灰关联时滞分析方法进行对比,结果表明本文设计的时滞分析方法具有更好的说服力.     

GM（1，1，β）灰微分方程的若干性质

针对灰色预测模型的适应范围和优化问题,首先根据灰色GM（1,1）模型参数是灰的、可调的原理,提出了GM（1,1,β）模型的内涵型和参数包形式,分析了模型的若干性质,然后给出了模型的优化算法. 研究结果表明,GM（1,1,β）灰微分方程模型参数α的客观取值范围为（-∞,+∞）,经典GM（1,1）模型参数α的客观取值范围为（-2,+2）;发展系数α的客观取值范围是由背景值系数β 决定的,而与原始数据无关;灰微分方程模型完全适合齐次指数数列. 最后,以我国城镇居民家庭人均可支配收入的数据为例验证了GM（1,1,β）灰微分方程模型的有效性.     

灰色Verhulst预测模型的病态特性

为揭示灰色Verhulst模型的建模精度在原始序列存在微小扰动下的变化规律,采用矩阵谱条件数作为研究工具对该模型系数矩阵谱条件数的取值进行分类讨论. 研究结果表明,当且仅当系统原始数据序列第一项为大于零的常数,其他所有项数据皆为0时,建立灰色Verhulst模型才会呈现严重病态性,而采用已呈现特定规律的数据序列构建灰色Verhulst预测模型毫无实际意义. 研究结论认为,灰色Verhulst模型并不存在严重病态性.     

GSVM优化问题的一种新的光滑函数法

提出求解广义支撑向量机(GSVM)优化问题的一种新的光滑函数法,克服了已有算法收敛速度慢且计算结构复杂的缺陷。首先利用最优化理论的KKT互补条件,将GSVM转化为无约束优化问题,然后给出了基于Newton型迭代的光滑函数的迭代方法。给出了这种光滑函数的有关性质、迭代算法的迭代格式及其收敛性。通过理论分析及数值实验证明了该算法对初始点不敏感,且收敛速度快、数值稳定。从而验证了算法的可行性和有效性。     

非线性优化GM(1,N)模型及其应用研究

GM(1,N)模型在因素一次累加弱化系统指标间波动性和灰性的基础上,建立了各因素线性关系的灰色模型,但其强制性的线性假设以及不够完善的求解方法致使其实际运用较少. 为解决这类问题,文章提出了两个非线性优化的GM(1,N)模型--非线性GM(1,N,x_1~((0)))和GM(1,N,x_1~((1)))模型,即在GM(1,N)白化方程的基础上建立因素间非线性关系,并通过BP网络拟合,最终得出拟合结果和预测值.进一步证明了两种非线性GM(1,N)模型均属于GM(1,N)的派生形式,并提出了运用非线性优化GM(1,N)模型进行指标预测的具体方法. 最后通过一个实例进一步表明该模型的可行性与优化性.     

A New Modified GM (1,1) Model: Grey Optimization Model

1. INTaODUCTIONRecently,the grey prediction based on the GM (1,1) model has been applied to mad new helds such as safetysystem engineering 11,2], forecasting control [3], and so on. But in GM (1,1), it is difficult to determine theoptimal prediction values. In order to solve this problem, many improved models and methods aze developedsuch as residual modified model [4], grey step model [5], and heuristic method [6]. In tall paper, a new modaledGM (1,1) model called grey optindzation mod…