基于元胞自动机的组织内H1N1传播仿真研究

实体组织内H1N1传播的防控对于整个社会的H1N1防控有重要的作用,研究一个组织内H1N1的传播防控对于防控类似的疾病传播有重要的参考价值。文中根据组织内人群之间的关联特性,构造互传播群,基于元胞自动机的基本原理,设定了元胞自动机的演化规则,实现了组织内H1N1传播的元胞自动机仿真。通过实验收集了H1N1仿真传播的数据,描述了H1N1传播的数据特性。研究结果表明,H1N1的传播强度和组织内的人员活动以及及时施措关系密切。

Abstract：

The prevention and control on H1N1 spread within an organization is important for the whole society.And the study on the prevention and control on H1N1 spread acted an important role on the reference about the prevention and control on the similar disease.The inter-transmission-group was structured,according to the relationship within an organization.The cellular automata evolution rules was set based on the basic cellular automata principle,and then,the cellular automata simulation was implemented within an organization.The data on the H1N1 spread simulation was collected through experiments,and then the characteristics data on H1N1 spread was described.The H1N1 spread intensity is related with personnel activities within an organization,and timely measures with it.     

基于遗传算法的改进的GM(1,1)模型IGM(1,1)直接建模

CM（1,1）模型一般以模型还原值与实际值平均相对误差检验模型的模拟精度。本文以模型还原值与实际值平均相对误差最小化为目标函数将CM（1,1）模型转化成一个不用进行灰微分方程参数辨识的优化模型，称之为改进的GM（1,1）模型，简称IGM（1,1）。IGM（1,1）避开了灰微分方程参数辨识时传统的优化无法求解，本文针对IGM（1,1）模型的直接建模。由于IGM（1,1）目标函数非连续，不可导，用传统的优化无法求解，本文针对IGM（1,1）模型的模拟特性设计了求解该优化模型的遗传算法并进行了算例验证，秋解结果表明了IGM（1,1）模型IGM（1,1）模型。     

基于函数γ+δi的加权WGM(1,1)模型及其在技术创新中的应用

针对以前文献加权WGM(1,1)模型人工赋权,由于序列(0)(n)后的权重未知,从而导致无法还原x(0)(n)以后的预测值的问题,本文提出了线性函数γ+δi赋权.本文首先证明了WGM(1,1)模型的基本形式;第二,基于WGM(1,1)模型的基本形式,用最小二乘法估计其参数γ,δ,a,b,构建了线性加权WGM(1,1)模型;第三,为对比分析,又构建了加权改进WIGM(1,1)模型;第四,通过技术创新实例对所构模型进行实证.其结果表明,WGM(1,1)模型能减少序列平均相对百分比误差(MAPE).若经过WGM(1,1)模型拟合后,仍有较大的MAPE值,这时还可以用WIGM(1,1)模型再拟合,以进一步减少MAPE值;最后,从理论与实证上,论述了WGM(1,1)和WIGM(1,1)模型的有效性及最佳使用条件.     

基于GM(1,1)模型的机动目标跟踪方法研究

传统卡尔曼滤波器依赖目标运动状态的数学模型,当目标运动数学模型不精确或不能够用线性状态空间模型描述时,跟踪滤波会发散。针对这一问题,提出了一种基于GM(1,1)(Grey model)模型的跟踪卡尔曼滤波方法。在卡尔曼滤波过程中,迭代所需的预测值不再依赖所建立的目标运动状态方程,而是用前几个时刻的估计值建立灰色微分方程来预测下一时刻的值,其预测精度高,滤波性能提高,特别在目标机动的时间内跟踪滤波效果要好于传统方法。仿真结果表明,是一种可行的机动目标跟踪方法。     

优化灰导数后的新GM（1,1）模型

从GM(1,1)的灰导数生成出发,从理论上逻辑论证了利用向前差商和向后差商的加权平均值作为GM（1,1）的灰导数白化值的合理性,给出了加权系数λ的具体表达式,从而建立了新的GM(1,1)模型,证明了此模型具有白指数律重合性,提出了求参数的新方法,并通过对比验证了此模型具有更高的精度.     

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.     

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.     

GM(1,1)模型的适用范围

以模拟、实验为基础，研究了GM（1，1）模型的适用范围．按照发展系数阈值，明确界定了GM（1，1）模型的有效区、使用区、不宜区和禁区．     

DGM(1,1)模型的特性及其在技术创新领域中的应用

本文首先提出了以前文献对DCM(1,1)与GM(1,1)模型关系的证明错误,否定了以前文献的一些观点.第二,证明了DGOM(1,1)模型的MAPE值与边值x~((1))(m)(1≤m≤n)无关.第三,发现DGOM(1,1)模型的MAPE值变劣现象并分析其原因.第四,用最小一乘法,构建了边值优化的DGOMII(1,1)模型,其效果优于DGOM(1,1)模型.最后,将DGM(1,1)及DGOMII(1,1)模型应用于技术创新领域中.     

灰色自记忆模型及应用

导出了GM（1，1）模型微分方程的自记忆计算格式，建立了一种新的对历史多个时刻观测数据具有记忆功能的灰色自记忆模型，模型克服了GM（1，1）模型“对初值比较敏感”，预见期短和序列数据非负的局限，并有效提高了模型的计算精度。大量数值计算结果充分表明了该模型具有精度高，稳定性好的优点。     

Improved AHP Method and Its Application in the Evaluation of Agricultural Mechanization

1 IntroductionThe Analytic Hierarchy Process (AHP) has been wide1y used in many fields of evaluationbecause of its science, concise and feature. But the traditional AHP often uses 1--9 scale,which wil1 possibly lead to incorrect result of eva1uating or wrong testing result incoincidence indicator[1J. In order to get rid of this trouble, some different scales such asexponential scales, conic scale, 9/9 ~ 9/1 scale, 10/10 -- 18/2 scale etc, have been putforward by many experts['J. So, this …     

基于简化活性污泥数学模型的污水处理仿真研究

现有的活性污泥数学模型结构复杂、参数众多，直接用于污水处理的系统仿真有一定的困难。针对这一问题，对活性污泥1号模型ASMI面向应用进行合理的简化，得到适合描述活性污泥推流式工艺碳去除过程的模型ASP-CR．该模型的组分、反应过程和参数的数量都大大减少，并对溶解氧组分进行了特殊处理一用现场的测量值代替预测值。基于试模型建立了污水处理仿真系统，解决了数据转换和参数校正的问题．通过对海城污水处理厂处理过程的实时模拟，验证了系统的正确性和实用性。     

Modeling mechanism and extension of GM （1, 1）

Firstly,the research progress of grey model GM(1,1) is summarized,which is divided into three development stages: assimilation,alienation and melting stages.Then,the matrix analysis theory is used to study the modeling mechanism of GM(1,1),which decomposes the modeling data matrix into raw data transformation matrix,accumulated generating operation matrix and background value selection matrix.The changes of these three matrices are the essential reasons affecting the modeling and the accuracy of GM(1,1).Finally,the paper proposes a generalization grey model GGM(1,1),which is a extended form of GM(1,1) and also a unified form of model GM(1,1),model GM(1,1,α),stage grey model,hopping grey model,generalized accumulated model,strengthening operator model,weakening operator model and unequal interval model.And the theory and practical significance of the extended model is analyzed.     

灰色预测公式的理论缺陷及改进

分析 GM(1 ,1 )预测模型存在的理论缺陷 ,指出在形成预测公式时规定 ^ X( 1 ) (1 )为已知条件是不合理的 ,应当根据实际情况选用其他数据 .本文对原公式进行修正和拓广 ,提出了新的预测公式 ,为提高预测精度提供了新的途径 .     

GM(1, 1r)灰色模型及其在农村人均居住面积中的应用

ＧＭ（１，１￣ｒ）灰色模型及其在农村人均居住面积中的应用张海松，曹小燕，褚金福（浙江省杭州农业学校３１００２３）（浙江省建筑设计院）（浙江省萧山市红垦农场）ＴｈｅＧｒｅｙＭｏｄｅｌＧＭ（１，１￣ｒ）ａｎｄＡｐｐｌｉｃａｔｉｏｎｏｆＰｅｒＣａｐｉｔａＬ...     

MGM(1,n)灰色模型及应用

提出多变量灰色模型（ｍｕｌｔｉ－ｖａｒｉａｂｌｅｇｒｅｙｍｏｄｅｌ）—ＭＧＭ（１，ｎ）模型，它是单变量的ＧＭ（１，１）模型在多变量（ｎ元变量）情况下的自然推广。通过对国有建筑施工企业就业人数和城镇集体建筑施工企业就业人数的建模和预测，表明ＭＧＭ（１，ｎ）模型的精度高于分别单独使用的ＧＭ（１，１）模型的精度.     

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.     

GM(1,1)幂模型求解方法及其解的性质

根据灰色系统信息覆盖的基本原理,给出了GM(1,1)幂模型中参数α的估计方法.讨论了α的不同取值对模型解的影响,对其白化微分方程解的定理进行了补充,并给出了白化微分方程解的优化方法.结果表明,所提出的建模方法更能适应于一类具有饱和状态或发展变化受众多因素影响的波动原始序列,在0<α<1且a>0和α>1且a<0两种情形下,GM(1,1)幂模型与灰色Verhulst模型具有相同的极限性质,但模拟预测精度高于灰色Verhulst模型.     

关于灰色系统GM(1;1)模型的一些理论问题

ＧＭ（１,１）＝ＩＡＧＯＧＭＡＧＯ：ｘ｜→ｘ（ｔ）是单序列ｘ的灰色系统的动态模型。本文研究映射ＩＡＧＯＧＭＡＧＯ：ｘ｜→ｘ（ｔ）的协调性,以及拟合函数ｘ（ｔ）的单调性、凹凸性和渐近性质。进而修改、完善了ＧＭ（１,１）模型。使得取消了原始序列ｘ为非负的限制,映射ｘ｜→ｘ（ｔ）具有协调性且提高了拟合精度,拓广了运用范围。     

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.