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.     

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 .     

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.     

灰色系统GM(1,1)模型适用范围拓广

研究了灰色系统ＧＭ（１,１）模型在建模过程中由于原始数列乘以不等于零的常数对模型值及预测值的影响,得出ＧＭ（１,１）模型完全适用于负数据序列建模的结论．     

无偏GM(1,1)模型的混沌特性分析

考虑到现实系统的非线性作用,在无偏GM(1,1)模型的灰色作用量中引入非线性作用项,从而推导出它的Logistic表达式,在此基础上对它的稳定态、周期态及混沌特性进行探讨.结果表明,无偏GM(1,1)模型的混沌区间要小于原GM(1,1)模型,从混沌理论的角度得到了它的适用范围扩大及其适应性增强的原因.     

灰色模型GM(1,1)优化探讨

研究了在建立灰色模型 GM( 1 ,1 )时 ,原始数列中每个数同减一个常数 2 β对模型中参数 a,u的影响 ,并在线性最佳拟合意义下 ,找到了使 GM( 1 ,1 )模型最优时的常数β .     

离散GM(1,1)模型与灰色预测模型建模机理

GM(1,1)模型中,从离散形式到白化形式的转变,以及GM(1,1)模型预测稳定性问题,一直困扰着灰色系统理论的研究者.本文以此为研究出发点,从由离散到离散的角度解决这一理论问题,建立了离散灰色预测模型(称DGM(1,1)模型),并对其与原GM(1,1)模型的关系做了深入研究,找出了原模型预测不稳定的原因,利用麦克劳林公式展开对这些原因做全面解释,最后用纯指数序列验证DGM(1,1)模型预测的无偏性,研究结果表明,可以将本文建立的DGM(1,1)模型作为灰色预测模型的精确形式,而原模型作为近似形式加以使用.     

一种逐步优化灰导数白化值的GM(1,1)建模方法

在 GM(1 ,1 )以差商作为灰导数白化值的基础上 ,进一步提出了一种逐步优化灰导数白化值的方法 ,突破了发展系数的绝对值较大时不能用 GM(1 ,1 )建模的禁区 ,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.     

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.     

近似非齐次指数序列的DGM(1,1)直接建模法

优化了模型DGM(1,1)的建模初始条件,讨论并证明了该模型与原始数据在升、降、凹、凸等几何形状方面的吻合性;最后通过算例验证了该模型的有效性及实用性;DGM(1,1)直接建模法对丰富与完善灰色预测模型的理论体系,具有积极的意义.     

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。     

A New Modified GM (1,1) Model: Grey Optimization Model

1. INTaODUCTIONRecently,the grey prediction based on the GM (1,1) model has been applied to mad new helds such as safetysystem engineering 11,2], forecasting control [3], and so on. But in GM (1,1), it is difficult to determine theoptimal prediction values. In order to solve this problem, many improved models and methods aze developedsuch as residual modified model [4], grey step model [5], and heuristic method [6]. In tall paper, a new modaledGM (1,1) model called grey optindzation mod…     

非等间距GM(1 ,1) 模型建模研究

基于灰色模型的指数特性和积分定义,提出了一种重构非等间距序列的GM(1,1)模型背景值的方法,用该方法重构的背景值更加精确,可以提高GM(1,1)模型的拟合精度和预测精度,进一步拓广GM(1,1)模型的应用范围.     

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.     

GM (1, 1) 模型应用

用灰色系统理论的ＧＭ（１,１）模型,对我国１９９６～２０００年在学研究生数进行了预测。