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.     

优化的GM(1,1)幂模型及其应用

针对GM(1,1)幂模型的幂指数和背景值的优化问题, 首先归纳出GM(1,1)幂模型的建模步骤和传统方法的不足, 然后以平均相对误差最小化为目标、参数之间的关系为约束条件, 构建了两个非线性优化模型, 实现对GM(1,1)幂模型的幂指数和背景值插值系数的优化. 结果表明, 优化的GM(1,1)幂模型使得平均相对误差绝对值在理论上达到最小优化, 解决了传统建模方法与模型检验的脱节问题, 其模拟和预测精度都高于传统模型. 最后, 以我国高中升学率的数据为例验证了本文优化方法的优越性和有效性.     

基于GM(1,1)幂模型的振荡序列建模方法

针对小样本振荡序列的预测问题,提出了基于单变量一阶灰色幂模型（简称GM(1,1)幂模型）的振荡序列建模方法。基于GM(1,1)幂模型中参数之间的关系,构建了一个非线性优化模型来寻求模型参数的最佳值,以此实现对振荡序列的高精度预测。结果表明,建模方法能够较好地体现数据的波动特征,且易于在计算机上实现,进一步拓宽了灰色模型的应用范围。最后以实例验证了所建模方法实用性和有效性。     

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.     

弱化缓冲算子对GM(1,1)模型的预测效应及适用性

在GM（1,1）模型预测中,缓冲算子能有效处理含有冲击扰动因素的原始数据,改善模型的预测效果. 本文在系统分析缓冲算子对GM（1,1）预测作用过程的基础上,提出了GM（1,1）模型的预测效应以及缓冲算子适用性的评价准则. 选用典型的6种弱化缓冲算子对河南粮食产量数据分长序列、宽间距序列和短序列三种情况进行了模拟计算分析. 确立了不同算子对GM（1,1）模型预测产生的效应及其适用范围,并选用具有类似特征的其他数据序列验证了研究结果的有效性.     

GM(1,1)模型的改进及其适用范围

基于GM(1,1)模型的建模机理,本文同时改进了模型的背景值构造方法和预测值的计算公式,提出了新的改进模型.理论分析表明改进模型有意义的适用范围扩大为发展系数a∈(-4,2).打破了传统模型有意义的范围(-2,2);数据模拟实验的结果表明新的改进模型完全适用于对高增长序列建模,而且不管是短期还是长期预测都具有相当高的预测精度.这就显著扩大了GM(1,1)模型的适用范围.     

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。     

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.     

单增序列灰色GM(1,1)模型解之间的误差分析

针对单调增长原始数据序列, 文章在理论上讨论白化型与内涵型GM(1,1)(grey forecasting model)模型解之间的相对误差. 在推导出两个模型解之间的相对误差上界表达式的基础上, 作者研究了相对误差上界函数的性质, 讨论了相对误差一致上界关于原始数据序列长度n的单调性. 结果表明当发展系数位于[-1/(n+1),0]内时, 白化型与内涵型GM(1,1)模型解之间的相对误差上界是0.9%,可以合理使用白化模型代替内涵模型; 而发展系数在区间[-2/(n+1),0]内时, 这两个模型解之间的相对误差可能达到8.64%, 此时白化模型代替内涵模型须较谨慎地使用.     

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 .     

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.     

基于GM(1,1)模型的机动目标跟踪方法研究

传统卡尔曼滤波器依赖目标运动状态的数学模型,当目标运动数学模型不精确或不能够用线性状态空间模型描述时,跟踪滤波会发散。针对这一问题,提出了一种基于GM(1,1)(Grey model)模型的跟踪卡尔曼滤波方法。在卡尔曼滤波过程中,迭代所需的预测值不再依赖所建立的目标运动状态方程,而是用前几个时刻的估计值建立灰色微分方程来预测下一时刻的值,其预测精度高,滤波性能提高,特别在目标机动的时间内跟踪滤波效果要好于传统方法。仿真结果表明,是一种可行的机动目标跟踪方法。     

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)模型的适用范围

以模拟、实验为基础,研究了GM（1,1）模型的适用范围．按照发展系数阈值,明确界定了GM（1,1）模型的有效区、使用区、不宜区和禁区．     

基于遗传算法优化的GM(1,1)模型及效果检验

对变化较平稳的数据和变化幅度较大的非平稳数据两种序列建立的 GM(1 ,1 )模型 ,分别用加速遗传算法 (AGA)和最小二乘法 (LSM)对模型参数求解 .结果表明 ,对变化较平稳数据序列 ,两种参数求解法建立的预测模型的拟合优度和预测精度相差无几 ;对变化幅度较大的非平稳数据序列 ,基于 AGA的 GM(1 ,1 )模型的拟合优度和预测精度远高于基于 LSM的 GM(1 ,1 )模型的拟合优度和预测精度 .     

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.     

关于灰色系统GM(1;1)模型的一些理论问题

ＧＭ（１,１）＝ＩＡＧＯＧＭＡＧＯ：ｘ｜→ｘ（ｔ）是单序列ｘ的灰色系统的动态模型。本文研究映射ＩＡＧＯＧＭＡＧＯ：ｘ｜→ｘ（ｔ）的协调性,以及拟合函数ｘ（ｔ）的单调性、凹凸性和渐近性质。进而修改、完善了ＧＭ（１,１）模型。使得取消了原始序列ｘ为非负的限制,映射ｘ｜→ｘ（ｔ）具有协调性且提高了拟合精度,拓广了运用范围。