基于插值和Newton-Cores公式的GM(1,1)模型的背景值构造新方法与应用

分析了GM(1,1)模型中的背景值,提出用插值和数值积分中的Newton-Cores公式重构模型中的背景值,可以有效地提高模型的预测精度和适用性,并将此方法应用到我国人均发电量预测建模中,理论分析和应用实例表明了文章所提的方法的有效性.     

电子设备寿命试验数据的灰色预测方法

灰色GM(1,1)模型中的背景值构造法是影响模型适应性和精度的关键因素.将所构造的背景值公式引入GM(1,1)模型,并用该模型预测电子设备寿命试验数据,目的是缩短寿命试验时间.计算结果表明,所构造的背景值公式有助于提高GM(1,1)模型的预测精度,为有效缩短电子设备寿命试验时间提供了一种值得探讨的方法.     

非等间距GM(1 ,1) 模型建模研究

基于灰色模型的指数特性和积分定义,提出了一种重构非等间距序列的GM(1,1)模型背景值的方法,用该方法重构的背景值更加精确,可以提高GM(1,1)模型的拟合精度和预测精度,进一步拓广GM(1,1)模型的应用范围.     

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 .     

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。     

GM(1,1)模型的背景值构造方法和应用(Ⅲ)

将作者在重构的背景值公式引入 GM ( 1,1)模型 ,导出了 GM ( 1,1)模型的逻辑斯蒂( Logistic)形式 ,并以此为基础 ,对 GM( 1,1)模型进行了稳定态 ,周期态及混沌态特性研究 .研究结果表明 :重构的背景值公式扩大了 GM( 1,1)模型的适应性 ,能提高其拟合和预测精度 ,使 GM( 1,1)模型在实践中能发挥更大的效果.     

基于背景值和边值修正的GM(1,1)模型优化

针对灰色GM(1,1)预测模型提高精度的问题, 提出了新的背景值优化公式代替传统的背景值优化公式, 再进行边值修正的方法. 该方法采用新的背景值优化公式求出紧邻均值生成序列, 并使用均方误差和最小准则, 针对原始序列和生成序列进行边值的修正. 通过对优化后的模型实证测算, 验证了修正后的模型在提高预测精度上的可行性和有效性.     

基于离散指数函数优化的GM（1，1）模型

证明了离散的齐次指数函数经一次累加生成后为离散的非齐次指数函数, 离散的非齐次指数函数经一次累减生成后为离散的齐次指数函数.结合GM(1,1)模型误差产生的原因分析,用非齐次指数函数来拟合一次累加生成序列,推导出最优的背景值计算式.大量的数据模拟和模型比较表明,优化后的模型提高了背景值的精确性以及灰预测模型的拟合精度和预测精度,并且在发展系数绝对值较大时仍然有很高的精度,突破了小于2的限制.     

反向累加生成的特性及GOM(1,1)模型的优化

针对反向累加序列的生成与建模问题, 分析了反向累加生成的准光滑性和准指数规律, 进而给出反向累加生成序列的灰建模条件. 证明了基于反向累加生成的齐次与非齐次离散指数函数之间的关系, 并经过理论推导得到了GOM(1,1)模型的最优背景值. 结果表明, 优化的背景值与GOM(1,1)模型的时间响应函数具有较好的一致性, 从而可以在理论上有效提高传统模型的精度. 最后通过实例验证了优化模型的实用性与有效性.     

基于级差格式的GM(2,1)模型参数估计优化研究

参数估计的优化是提高灰色模型精度的一个重要途径,级差格式的提出避免了背景值的复杂构造.现有的GM(2,1)模型计算较为复杂,且参数估计基于目标函数是原始序列一次差分序列的拟合误差平方和最小化来确定,同时,参数估计中微分到差分的转换以及背景值构造存在较大误差.针对这些问题,本文基于GM(2,1)模型微分方程的时间响应函数推导了级差格式,给出了最小二乘法的参数估计方法,然后基于原始序列误差平方和最小的目标函数,优化了模型的两个初始条件,同时,推导出GM(1,1)回归模型和GM(1,1,exp)模型是该模型的特殊情况,最后通过实例比较本文优化方法与现有方法估计的GM(2,1)模型拟合精度与预测精度.实例结果显示,本文的优化方法估计的GM(2,1)模型具有较好的效果.     

Combined model based on optimized multi-variable grey model and multiple linear regression

The construction method of background value is improved in the original multi-variable grey model (MGM(1,m)) from its source of construction errors.The MGM(1,m) with optimized background value is used to eliminate the random fluctuations or errors of the observational data of all variables,and the combined prediction model together with the multiple linear regression is established in order to improve the simulation and prediction accuracy of the combined model.Finally,a combined model of the MGM(1,2) with optimized background value and the binary linear regression is constructed by an example.The results show that the model has good effects for simulation and prediction.     

中心逼近式灰色GM(1,1)模型

根据灰色 GM( 1 ,1 )模型的建模机理 ,指出现行建立模型方法的不确切之处 ,给出了处理导数信息号即背景的新方法 ,由此导出中心逼近式灰色 GM( 1 ,1 )模型.     

优化的GM(1,1)幂模型及其应用

针对GM(1,1)幂模型的幂指数和背景值的优化问题, 首先归纳出GM(1,1)幂模型的建模步骤和传统方法的不足, 然后以平均相对误差最小化为目标、参数之间的关系为约束条件, 构建了两个非线性优化模型, 实现对GM(1,1)幂模型的幂指数和背景值插值系数的优化. 结果表明, 优化的GM(1,1)幂模型使得平均相对误差绝对值在理论上达到最小优化, 解决了传统建模方法与模型检验的脱节问题, 其模拟和预测精度都高于传统模型. 最后, 以我国高中升学率的数据为例验证了本文优化方法的优越性和有效性.     

基于背景还原的红外伪装效果评价方法

针对复杂环境背景下目标红外伪装效果评价问题, 提出了一种基于背景还原的红外伪装效果评价方法。首先利用改进的Criminisi算法对目标遮蔽下的背景区域进行修复, 得到背景还原图像, 然后与原图进行相似性度量; 考虑到实际还原背景与理想还原背景之间因图像修复算法局限性而引起的偏差, 使用IL-NIQE模型对背景还原图像的修复质量和还原效果进行评价; 最后将相似性度量值与还原效果度量值进行非线性融合, 完成目标红外伪装效果的综合评价。实验表明, 该评价方法符合人眼视觉特性, 能够对复杂环境背景下目标的红外伪装效果进行较好的客观评价。     

A New Generating Method and Its Application

1 .INTRODUCTIONGreyforecastingisoneoftheimportantelementsinthegreytheory .Ithasbeenusedinmanyfields[1 ,3] ,andalltheseapplicationsarebasedonagreymodel.Intheprocessofmodelbuilding ,usuallytherawse riesismanagedbyaccumulatedgeneratingoperation(AGO) ,thatis,letx(0 ) =(x(0 ) ( 1 ) ,x(0 ) ( 2 ) ,… ,x(0 ) (n) )bearawseries,andx(1 ) =(x(1 ) ( 1 ) ,x(1 ) ( 2 ) ,… ,x(1 ) (n) )isone orderaccumulatedgeneratingseriesofx(0 ) ,wherex(1 ) (k) = Ki=1x(0 ) (i) ,k=1 ,2 ,… ,nIfx(0 ) (k)≥ 0 ,obviously ,…