改进的离散灰色预测模型

GM（1，1）模型假定序列近似服从指数规律，对于很多非线性序列的模拟出现较大偏差。本文证明了GM（1，1）模型与离散GM（1，1）模型的模拟数据的增长率都是定值，若样本数据具有相等的增长率，则应用离散GM（1，1）模型得到的模拟数据与原始序列相同。本文对离散灰色预测模型进行了改进与拓展，应用最优化方法研究了初始迭代点问题。提出了优化模型的求解算法并应用实例对算法的有效性进行了验证。研究结果表明本文建立的离散灰色拓展预测模型很大程度上提高了模型的模拟精度，能够很好地解决非线性非负序列模拟问题。     

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.     

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.     

新信息离散GM(1,1)模型及其特性研究

研究了新信息离散GM(1,1)模型(NDGM)的参数特性及其对等比序列的拟合性质.提出了分段修正新信息离散GM(1,1)模型(SNDGM)并对其建模机理进行研究.证明了序列初始值不影响发展系数值,以此为依据对SNDGM模型进行拓展,解决了原始数据序列为分段等比数据情况下的拟合精度问题.结果表明NDGM模型能够完全拟合等比序列,SNDGM模型能够完全拟合分段等比序列.     

灰偏好信息群决策的相对熵集结方法

研究灰区间偏好判断信息下的群体决策集结方法问题。将决策专家的灰区间判断信息转化为等价的三元组灰偏好信息, 并将其看作为一个概率分布, 通过研究群体灰偏好概率分布与个体灰偏好概率分布之间一致性的关系, 分别建立不同情形下专家群体决策的最优相对熵集结模型, 分别给出了各优化模型的最优解, 并提出相应的决策算法。气象局综合业务能力评价的实例分析表明, 相对熵集结方法可以有效避免灰区间决策信息在集结过程中的失真与扭曲。