GM(1,1)幂模型的派生模型

为了进一步完善灰色幂模型体系, 分析了经典GM(1,1)模型和GM(1,1)幂模型之间的变换关系, 在GM(1,1)幂模型的定义型和白化型的基础上, 推导了GM(1,1,x⁽²⁾)幂模型、GM(1,1,x⁽¹⁾)幂模型、GM(1,1,b)幂模型、GM(1,1,exp)幂模型和GM(1,1,C)幂模型五种派生型GM(1,1)幂模型, 构建了GM(1,1)幂模型群. 结果表明, GM(1,1)幂模型与GM(1,1)模型的时间响应函数在本质上是一致的, 不同的GM(1,1)幂模型派生模型在结构、内涵、解析式、功能方面存在一定的区别, 体现了灰色系统解非唯一性原理. 在实际应用中, 可以依据一定的准则, 在默认解群中找出一个最合适的白化解.     

离散GM(1,1)模型的特性与优化

GM(1,1)模型在对纯指数序列进行拟合时通常仍然存在偏差,对原始序列和发展系数有太多限制.离散GM(1,1)模型与原模型的很多性质很相似,可以看成是原模型的精确形式,而且对发展系数和原始序列没有非负限制,因此对于离散GM(1,1)模型的特性研究就极为重要.文章对离散模型模拟数据增长率特点、对指数序列的拟合以及数乘变换下的参数特性进行了理论证明.研究表明离散GM(1,1)模型可以完全拟合指数序列.数乘变换不改变原始序列的模拟精度,为解决灰色预测模型的病态性提供了思路.文章提出了分段修正离散GM(1,1)模型并对建模机理进行了证明.应用实例表明了该模型能够显著提高模拟精度.     

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.     

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.     

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.     

数乘变换下灰色幂模型的参数及误差变化规律

通过研究数乘变换对GM(1,1)幂模型的幂指数和参数特征以及其误差的影响程度,揭示了GM(1,1)幂模型的幂指数和其误差在原始特征序列经过数乘变换前后的变化规律。结果表明:GM(1,1)幂模型的幂指数及建模精度与原始特征序列进行数乘变换无关,同时利用数乘变换可以降低建模数据的量级,简化其建模过程的复杂性。     

灰色GMP(1,1,N)模型及其在冰凌灾害风险预测中的应用

在加权最小二乘框架下构建了含时间多项式项的灰色GMP(1,1,N)模型,该模型既适用于小样本单调序列又适用于波动序列,论证了均方误差最小准则、均方相对误差最小准则与平均绝对百分误差最小准则下的GM(1,1)、NGM(1,1,k)和GM(1,1,t~α)模型均是GMP(1,1,N)模型的特殊形式,将GMP(1,1,N)模型应用于黄河宁蒙河段冰凌灾害风险预测,结果表明2015-2016年的风险预测结果符合实际情况,模型能够识别风险波动变化规律.为不同准则下灰色预测新模型的构建提供了新思路,具有重要的理论意义和工程应用前景.     

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.     

估计GM(1,1)模型中参数的线性规划方法

估计GM(1,1)模型中的参数通常采用最小二乘准则,而在模型精度检验时又常采用平均相对误差。在平均相对误差达到最小准则或最大相对误差达到最小准则时,分别给出了估计GM(1,1)模型中参数的线性规划方法,并通过实例给出了不同极小化准则下数值结果的对比。数值结果表明,采用平均相对误差达到最小准则和最大相对误差达到最小准则比通常采用的最小二乘准则更合理,效果更好。     

基于级比优化的广义GM(1,1)预测模型

从GM(1,1)模型差分方程的角度推导出差分GM(1,1)模型及其还原时间响应函数,并与经典GM(1,1)模型(微分GM(1,1)模型)及其还原时间响应函数进行类比分析,得出两者具有同构性,其唯一差别为级比的结论.再由两者的同构性提出了一个广义GM(1,1)预测模型,新模型具有一般性,能有效概括差分方程与微分方程模型,极大提取了原始序列的灰信息;另一方面,与差分GM(1,1)模型及微分GM(1,1)模型的级比固定性不同,广义GM(1,1)模型的级比具有可优化性,通过非线性最小二乘优化方法可得出最优级比,进而从级比的角度优化了GM(1,1)模型,拓展了灰色系统理论.最后通过一个实例充分反映了新模型的上述优点.     

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 .     

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)模型参数估计的新方法及假设检验

ＧＭ（１，１）模型参数估计的新方法及假设检验唐五湘（北京机械工业学院工商管理分院，１０００８５）ＡＮｅＷＭｅｔｈｏｄｏｆＥｓｔｉｍａｔｉｏｎｏｆｔｈｅＧＭ（１，１）ＭｏｄｅｌＰａｒａｍｅｔｅｒｓａｎｄＨｙｐｏｔｈｅｓｉｓＴｅｓｔｉｎｇＴａｎｇＷｕｘｉ...     

基于残差递推的自适应GM(1,1)模型

传统GM(1,1)模型存在不能预测波形序列的问题。在GM(1,1)模型和残差GM(1,1)模式的基础上引入了新陈代谢数组,经重新推导后得到递推GM(1,1)模型和残差递推GM(1,1)模型,将前者模型的解与后者取对数后的模型的解反相相加后,得到自适应GM(1,1)模型的解。以实例数据对上述4种方法进行仿真和比较,结果表明,自适应GM(1,1)模型较其他方法有更好的预测效果,从根本上解决了GM(1,1)模型对波形序列的预测问题。     

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 .     

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...     

基于级比序列的离散GM(1,1)模型

针对离散GM(1,1)模型的模拟序列未能反映出原始数据序列的级比动态变化这一问题,通过对原始数据序列的级比序列进行建模,建立基于级比序列的级比离散GM(1,1)预测模型。该模型较好地保留了原始序列级比的动态性,结合原始序列与级比序列的关系,获得原始序列的模拟值。数值计算结果表明,基于级比序列的离散GM(1,1)预测模型,无论在相对误差还是平均相对误差的变动幅度方面,都优于离散GM(1,1)模型。     

近似非齐次指数数据的灰色建模方法与模型

传统GM(1,1)建模是用齐次的指数序列来拟合原始数据,对近似非齐次指数序列进行建模时会有较大的偏差,而现实中存在大量的近似非齐次指数的数据序列.根据传统灰色GM(1,1)建模机制,提出了一个用非齐次指数序列来拟合原始数据的灰色模型,给出了模型参数的最小二乘解,并给出了模型时间响应函数的表达式. 最后,通过实验验证了新模型的拟合和预测精度实验结果显示,新模型比传统GM(1,1)模型具有更好的拟合和预测精度.     

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.