改进背景值的非等间距GM(1,1)模型

背景值是影响非等间距GM(1,1)模型精度的重要因素之一。在积分重构理论的基础上,对背景值进行研究,针对一次累加序列的非齐次指数形式这一特点,通过非齐次指数函数拟合方法对背景值的构造进行改进,提出了一种改进背景值的非等间距GM(1,1)模型,应用实例表明了该方法的有效性。     

非等间距GM(1,1)模型背景值的改进及其最优化

背景值构造方法是影响非等间距GM(1,1)模型精度和适应性的关键因素之一,文章分析了非等间距GM(1,1)模型中的背景值,提出了用Newton插值和数值积分中的Newton-Cores公式与Gauss-Legendre公式分别重构模型中的背景值。该背景值不仅适合于非等间距建模,也适合于等间距建模,该模型进一步拓广了GM(1,1)的适应范围,数据模拟结果充分说明了新模型的有效性和优越性。     

非等间距GM(1,1)模型背景值构造方法及应用

背景值是影响灰色系统理论建模精度的重要因素之一。为提高灰色模型的预测精度,对非等间距GM(1,1)模型中的背景值构造进行了研究,提出了用x(1)(t)在区间[ki,ki 1]上的中点实际值作为背景值。该背景值计算简洁,适应性强,提高了非等间距GM(1,1)模型精度,拓广了非等间距GM(1,1)模型的适用范围。并应用改进的非等间距GM(1,1)对钛合金疲劳强度随温度变化的关系进行建模,取得了满意的效果,数据拟合精度高达98.8%。建模结果表明了该文提出的方法的有效性。     

灰色GM（1，1）优化模型

在分析了GM（1,1）模型的建模机理的基础上,指出了传统建模方法存在的问题,同时给出了基于GM（1,1）的逐步优化模型的方法,该方法提高了模型的精度和适应性。     

改进背景值的GM（1,1）优化模型

灰色GM（1,1）模型建模时,背景值和初值的选取对建模的精度有着十分重要的影响。本文在进一步分析GM（1,1）建模机理的基础上,利用指数拟合及高斯求积公式提出了一种新的求取背景值的方法。经检验该方法对高指数增长和低指数增长都有较好的拟合精度和预测准确度。     

残差非等间距GM(1,1)模型及应用

为了提高灰色系统的预测精度,人们从理论与实践中不断探索新的建模方法,从模型自身特性出发改进灰色模型。通过对传统的GM(1,1)模型进行差分运算,推导出非等间距GM(1,1)模型,扩展了模型的应用范围;从背景值的几何意义出发,指出背景值的积分构造形式比均值生成的形式更加合理,并给出了积分背景值的数学表达式;在一次拟合结果的基础上,为了进一步提高模型的精度,对一次拟合的结果进行了残差分析,并建立了灰色残差模型,通过把灰色残差模型得到的数据依次补偿到一次拟合结果上,得到了残差修正的灰色GM(1,1)模型。通过对热处理实验中渗碳浓度的数据处理结果显示,残差GM(1,1)模型较好的描叙了渗碳浓度和深度的关系。该模型对工程数据的处理具有一定的参考价值和指导意义,为灰色模型的应用提供了一个有效的方法。     

一种初值修正的非等间距GM（1，1）模型及其等价模型

通过为白化微分方程是{dx(1)(t)/dt+ax(1)(t)=u x(1)(k1)=x(0)(k1)的非等间距GM(1,1)模型选取修正初值x(0)(k1)+β,建立了白化微分方程为{dx(1/dt+ax(1)(t)=u x(1)(k1)=x(0)(k1)=x(0)(k1)+β的一种新的初值修正非等间距GM(1,1)...     

GM（1，1）模型分析股价趋势

用GM（1,1）等维新陈代谢模型来分析股价短期趋势,并根据GM（1,1）等维新陈代谢模型显示的趋势变化,指出了买入股票的最佳时机。     

新息与等维新息非等间距GM(1,1)模型及其应用

为了提高灰色理论中模型的预测精度,通过分析积分重构GM(1,1)模型,将积分获取背景值的方法应用到新息和等维新息模型中,并且将模型的适用范围从等间距进一步扩展到非等间距。通过实例比较了新息和等维新息模型,结果表明:新息模型将预测的新信息补充到原始序列,能很好的反映系统的发展;而等维新息模型随着系统的发展,不仅添加新信息,而且除去老信息,这样的处理方式比仅仅添加新信息的方式具有更好的预测效果;这些结论丰富了灰色系统的模型,为灰色理论的运用提供了一个有效的方法。     

非等间距GM(1,1)模型及其在试验数据处理和试验在线监测中的应用

在分析试验数据处理的现状后,提出了试验数据处理及试验数据在线监测的非等间距的灰色GM(1.1)模型与方法,这种方法弥补了现有数据处理及其在线监测方法的不足。实例表明,该方法简单实用,是一种新的方法,值得推广使用。     

一个基于背景值和初始条件优化的GM(1,1)模型

背景值和初始条件对GM(1,1)模型的拟合和预测有着极大的影响,通过优化模型的背景值,赋予边值条件为修正形式x (1) (n)+β,利用原始序列新预测值的误差在最小二乘意义下最小准则,从而得到了一个新改进的GM(1,1)优化模型.最后,通过计算实例验证了该优化模型具有极高的预测和模拟精度.     

灰色模型GM(1,1)背景值的一种改进方法

分析了灰色GM(1,1)模型的理论缺陷,提出了对背景值的一种改进方法,建立了GM(1,1,λ)模型,数据模拟结果表明,GM(1,1,λ)模型的模拟精度高于GM(1,1)模型,既适合低增长指数序列建模,也适合高增长指数序列建模.     

灰色GM（1,1）模型的改进及其在CPI预测中的应用

针对传统GM(1,1)模型的改进方法复杂、使用范围有限、预测精度不高等问题,本文对传统GM(1,1)模型的背景值进行理论分析并改进,用二次插值的方法重新构造背景值。在此基础上对原始数据通过滑动平均法进行初值预处理,给出改进的模型,最后运用其进行短期预测,仿真结果证明了此改进模型的有效性和可行性,为提高预测精度提供新的途径。     

基于小样本的非等距加速应力试验寿命预测方法

对非等距灰色GM(1,1)模型作进一步的改进,给出了一种新的非等距GM(1,1)模型.该模型与传统的非等距模型生成方式不同,在数据生成处理时,不是直接利用原始数据进行建模预测,而是通过对原始数据取对数变换,作降幅平滑处理,然后再对背景值加权处理.背景值加权的权重不是传统的绝对距离,而是相对距离,可以有效地避免改变原始数据列的性质.实例表明,对于非等距加速应力试验寿命预测,改进后的模型与Arrhenius模型及传统的非等距GM(1,1)模型相比,具有更好的建模精度和较强的适应性.     

灰色预测模型背景值改进方法比较分析

背景值的构造是影响GM(1,1)模型拟合和预测精度的关键因素之一。已有的研究文献对背景值构造提出了多种方法,但均是和传统的GM(1,1)模型比较,相互之间没有比较分析,文中选取常用的区间面积和、背景值最佳生成系数、积分三种重构背景值方法进行比较分析,结果表明对于呈近似指数增长的序列和高增长序列,区间面积和重构背景值方法的拟合和预测精度更高,对于低增长序列,背景值最佳生成系数重构背景值方法在预测精度上较好。     

基于离散指数函数优化GM(1,1)模型的重新优化

分析了已存两种基于离散指数函数优化的GM(1,1)模型存在的问题,结合两者的优化思想对已存的背景值构造形式添加动态修正项,建立了适合于近似指数序列建模的重新优化模型,实例应用结果显示重新优化的模型大幅度提高了已存优化模型的精度.     

基于优化方法的GM(1,1,λ)模型

对GM(1,1)模型背景值进行分析,给出了GM(1,1,λ)模型,利用MATLAB优化函数进行单值λ优化和多值λ优化得到λ的最佳取值,最终求解出该模型.     

GM(1,1)的MATLAB实现及其应用

灰色GM（1,1）预测模型是灰色理论中的重要组成部分,也是主要的预测方法之一．因此,GM（1,1）模型的应用范围很广泛．本文简要介绍了GM（1,1）模型的原理及其预测步骤,用MATLAB软件实现了GM（1,1）预测算法并给出了源代码．在此基础上,用统计年鉴上的住宿和餐饮业收入增加值数据进行了仿真,从而验证了该算法的有效性和程序的正确性。