优化灰导数白化值的GM(1,1)建模法

提出了以向前差商和向后差商的优化加权平均值作为灰导数白化值建立 GM( 1 ,1 )的方法 ,证明了该建模法具有线性变换一致性 .计算实例表明该建模法具有较高的建模精度.     

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.     

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.     

一种逐步优化灰导数背景值的GM(1,1)建模方法

证明了离散齐次指数函数经一次累加生成后为离散非齐次指数.进而在GM(1,1)以均值生成作为灰导数背影值的基础上,进一步提出了一种逐步优化灰导数背景值的方法,提高了建模精度,特别对于绝对灰度为0(或很小)的具有齐次灰指数律的数据,应用该方法可以得到十分理想的预测模型.     

GM(1,1)逐步优化直接建模方法的推广

在 GM( 1 ,1 )直接建模方法、GM( 1 ,1 )逐步优化直接建模方法基础上 ,提出了一种适用于任意时距灰指数单序列的逐步优化直接建模方法 .证明了 GM( 1 ,1 )逐步优化直接建模方法的收敛速度是线性的 .证明了新方法具有升 (降 )凹 (凸 )一致性、线性变换一致性 .计算实例表明 ,它具有渐近白指数律重合性 .     

特征自适应型GM(1,1)模型及对中国交通污染排放量的预测建模

兼顾精度与拟合趋势相似性是预测建模需要深入研究的重要问题.为提高模型对数据特征的适应能力,本文分析了GM(1,1)模型中灰微分方程和白化方程的一致性关系以及响应式还原方法问题,提出构建一种特征自适应型灰预测模型,即CAGM(1,1)模型.该模型采用含可变参数的背景值公式构建灰微分方程,并通过转化模型形式推导了参数估计过程,进而构建以背景值序列为基础的时间响应式;为提高模型预测能力,本文结合灰色关联度构建响应式还原过程中待定变量的适应度函数,采用粒子群算法取得其最优值.最后,案例研究了我国机动车污染排放预测问题,分别构建GM(1,1)和CAGM(1,1)模型对氮氧化合物排放量进行建模,通过比较二者拟合和预测结果验证新模型的改进效果,为管理实践提供有效工具.     

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.     

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.     

含时变时滞函数的GM(1,1|τ_i)模型及其应用

针对带有时滞效应的小样本数据序列的预测建模问题,现有模型通常假设时滞期为固定值,忽略了时滞值动态变化对模型效果的影响.为了克服这一局限性,本文考虑系统时滞的动态变化效应,将GM(1,1|τ,r)模型的静态时滞参数推广为时变时滞函数,设计出非整数时滞取值区间对应的时变时滞参数表达式.提出以灰关联理论为基础的时变时滞函数的参数优化方法,推导出GM(1,1|τ_i)模型参数估计值以及预测序列的时间响应式.该方法不仅提高了模型对所分析序列的拟合度,还可充分利用时滞参数函数的数学性质,进一步研究时滞因素对系统发展趋势的影响.最后,将GM(1,1|τ_i)模型应用于福建省全省沿海港口货物吞吐量预测,并将建模预测结果与经典的GM(1,1)模型和GM(1,1,τ)模型进行比较.结果表明当原始序列具有时滞效应时,GM(1,1|τ_i)模型具有更高的建模精度,能够反映出更为复杂的系统时滞变化情况,扩展了含时滞参数灰色预测模型的适用范围.     

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.     

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.     

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.     

GM(1,1)的一种逐步优化直接建模方法

在 GM( 1,1)直接建模方法基础上进一步提出了一种逐步优化方法 ,证明了这一方法不仅保持了原方法的升 (降 )凹 (凸 )一致性、线性变换一致性 ,而且具有渐近白指数律吻合性 ,弥补了原方法不具有白指数律吻合性的缺陷 .应用该方法对我国城市内分泌、营养和代谢免疫疾病致死人数占死亡总数的百分比建立了高精度的预测模型.     

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 .     

Optimized Grey Derivative of GM (1, 1)

From the production of GM (1,1) grey derivative, this article arguments logically the rationality of using weighted average of forward difference quotient and backward difference quotient as GM(1,1) grey derivative whitenization value in the theories. It gives the concrete expression type of weighted coefficient and builds up a new GM(1,1) model. It proves that the new model has the white exponential coincidence law in theory and puts forward a new method to solve parameters of the new model. Simulation and prediction of practice examples show that this model and method are useful and effective.     

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.