时滞多变量离散灰色模型及其应用

针对多变量灰色模型存在驱动因素机制不明确和缺乏驱动项引入规则的问题.通过引入时滞项控制驱动因素,构造一种新的多变量离散灰色模型,并探讨模型参数求解方法.根据灰色扩维识别方法,探索驱动项选择和时滞参数测算方法,并给出模型建模预测步骤;最后,采用该模型解决我国农村水环境与农村区域发展的滞后效应测算、建模和预测问题,实例结果表明该模型不仅精度较高,而且模型含义更明确.     

多变量离散灰色幂模型构建及其优化研究

针对多变量小样本的非线性系统建模问题,提出了多变量离散灰色幂模型,并探讨其参数求解方法;鉴于驱动因素作用机制对模型精度的重要影响,通过引入驱动控制函数,多阶段识别起主导作用的驱动因素,构造多变量离散灰色幂模型的优化模型,并研究驱动控制函数参数识别方法,给出了模型建模预测步骤;最后,利用构建模型解决我国粮食产量预测问题,表明新模型能够更好地描述系统特征行为序列与驱动因素序列间的非线性关系,从而有效提升建模精度。     

累积时滞非线性ATNDGM(1,N)模型构建及应用

针对多变量时滞非线性系统的预测建模问题,引入时滞驱动项和幂指数,构建了累积时滞非线性多变量离散灰色ATNDGM(1,N)模型,给出了模型参数求解方法.基于累积时滞灰色关联模型确定了驱动因素和时滞期数,并探讨了时滞期与时滞权重的关系;利用粒子群算法确定了模型的最优幂指数;论证了 DGM(1,N)、DGPM(1,N)和ATDGM(1,N)模型均是ATNDGM(1,N)模型的特殊形式,研究了数乘变换对模型参数取值的影响;数值实验验证了模型的可行性.将ATNDGM(1,N)模型应用于河南省农业产值的预测中,结果表明该模型具有较高的拟合和预测精度,能够有效处理具有时滞非线性特征的小样本多变量系统预测问题.     

灰色微分动态多变量预测模型及其应用

针对数据驱动建模方法在表征系统特性时的不足,提出了灰色微分动态多变量预测模型.新模型将系统特性的行为序列与影响序列用于建模,增强了系统动态性和非线性性;同时运用最小二乘原理获得模型参数估计式,利用拉普拉斯变换推导模型的近似时间响应式.在此基础上,将新模型应用于欧洲货币联盟、中东与北非及撒哈拉以南非洲三个典型地区的碳排放量预测,应用实例表明:灰色微分动态多变量预测模型预测效果优于其它三种经典的灰色预测模型,能有效预测三个地区未来五年的碳排放量.与此同时说明新模型能够更好地描述多因素系统动态性问题,从而有效地提升传统灰色多变量模型的建模精度.     

灰色MGM(1,m,N)模型的构建及其在雾霾预测中的应用

针对传统MGM(1,m)模型和GM(1,N)模型均未能反映多个系统行为变量在多个因素变量影响下的模拟预测问题,本文根据两个模型各自特点对传统MGM(1,m)模型和GM(1,N)模型进行拓展,构建了灰色MGM(1,m,N)模型.研究该模型的建模机理及过程,并解决在多个因素变量的影响下多个系统行为变量的模拟预测问题.最后,将三种模型应用于雾霾的模拟预测中,结果表明,MGM(1,m,N)模型预测精度高于传统的MGM(1,m)模型和GM(1,N)模型,这主要是由于该模型能够较好地描述和反映多个系统行为变量受多个因素变量的影响.     

灰色多变量GM(1,Nγ\,r)模型及其粒子群优化算法

针对少信息多变量且输入与输出具有滞后性的控制系统,提出了灰色多变量延迟GM模型, 给出了其参数估计形式和近似时间响应式,得到了它的两个派生模型. 为了确定非线性次数的值以使预测精度最高,又建立了以均方误差为目标的优化问题, 并采用粒子群算法寻优.最后将新模型应用于武汉地区科技投入与产出的预测之中,实践表明该模型具有较高的精度.     

季节波动数据特征提取与分数阶灰色预测建模

季节性波动数据具有长期趋势性、季节波动性与局部随机振荡性等复杂特征,这给其预测模型的合理构建造成了难度.文章首先通过排序函数f(x_ik)挖掘季节波动数据中相关元素的序位关系及其演变规律,实现了季节波动数据的特征提取及驱动项的构造.然后通过构建分数阶多变量灰色预测模型FMGM(1,N),实现了其累加阶数从正整数到全体实数的拓展与优化.最后,将FMGM(1,N)应用于具有季节波动性特征的我国GDP月度数据的拟合与预测,建模结果显示其模拟和预测精度优于当前主流的单变量及多变量灰色预测模型、非线性回归模型、Arima模型及智能建模方法(support vector machine,SVM;long short-term memory,LSTM).本研究成果为研究季节波动性数据提供了一种新的预测建模方法,对丰富和完善预测模型方法体系具有积极意义.     

基于灰色关联分析的神经网络模型

在BP神经网络算法的基础上,针对在多变量复杂系统建模过程中BP网络输入变量无法自动寻优的问题,将其与灰色关联分析方法结合,建立基于灰色关联分析的神经网络优化算法(GM-BPANN).并且使用中国粮食产量预测的数据,与逐步回归方法和灰色GM(1, N )模型方法进行了比较检验.结果表明,新模型通过灰色关联度的计算,可以全面、广泛地对大量的输入变量进行处理,而不必经过专门的主观筛选,从而增强了BP网络的适应能力, 同时能够得到较好的预测精度和稳定性.     

基于驱动变量增长趋势的TGM(1,N)预测模型

为解决多因素输入的灰色预测问题,改善GM(1,N)模型建模效果,本文提出一种新的TGM(1,N)模型构建方法;首先推导得出驱动变量初值化序列的建模性质,在GM(1,N)模型基础上推导得出TGM(1,N)模型的参数估计式以及模型的时间响应式,并根据系统特性建立了调整参数的确定准则,得出调整参数的计算公式;应用新模型研究了我国粮食产量的预测,其结果证明新TGM(1,N)模型不但具有较高的预测精度,并且满足建模的合理性和实用性。     

MGM(1,n)灰色模型及应用

提出多变量灰色模型（ｍｕｌｔｉ－ｖａｒｉａｂｌｅｇｒｅｙｍｏｄｅｌ）—ＭＧＭ（１，ｎ）模型，它是单变量的ＧＭ（１，１）模型在多变量（ｎ元变量）情况下的自然推广。通过对国有建筑施工企业就业人数和城镇集体建筑施工企业就业人数的建模和预测，表明ＭＧＭ（１，ｎ）模型的精度高于分别单独使用的ＧＭ（１，１）模型的精度.     

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.     

动态灰预测模型的缓冲适应性建模方法

提升对数据特征的适应能力是预测建模的关键问题之一.本文融合缓冲算子方法与灰色滚动预测模型构建适应性灰预测模型,即BARGM模型.该方法将原始序列拆分为连续的数据片段,利用缓冲算子和数据片段上的反馈信息调整变权系数.并用GM(1,1)的衍生模型对调整后的片段数据进行逐步建模和外推;缓冲适应性模型相对传统建模方法具有两个特点,即改变灰模型响应式形式的单一性、具有较强的智能化拓展能力:案例研究采用我国能源相关的温室气体排放数据进行建模测试与对比,建模结果显示拟合精度和预测精度均有明显提升,印证了缓冲适应性建模方法的有效性.     

灰色多变量GM(1,N)幂模型及其应用

针对多变量少数据的系统建模问题,提出了灰色多变量GM（1,N）幂模型及其派生模型GM（1,N,x^（1））幂模型,给出了其参数估计算式和近似时间响应式,在此基础上,分两种情况讨论了模型的参数优化方法,并通过数值模拟和应用实例验证了新模型的有效性. 结果表明：传统的GM（1,N）模型是GM（1,N）幂模型的特殊形式,GM（1,N）幂模型能够更好地描述系统特征行为序列与其影响因素序列的非线性关系,从而有效地提高传统灰色多变量系统建模的精度.     

一种新型的灰色RBF神经网络建模方法及其应用

针对神经网络建模预测时,其建模精度往往受到数据随机性的影响,以及灰色累加生成操作(AGO)具有减小数据随机性,使数据变得有规则的特点,提出了一种新型的建模预测模型———灰色径向基(RBF)神经网络模型。此模型能够减小数据中的随机性,加快网络的建模收敛速度,使神经网络的建模精度得以提高。将此灰色RBF神经网络应用到动调陀螺仪漂移数据建模中,并将其建模验证结果和单纯使用RBF网络的建模结果进行比较,结果证明此方法是可行而有效的。     

基于级比数据处理的多段灰色建模方法及在我国GDP建模中的应用

提出了一种基于级比数据处理的多段灰色建模方法,详细阐述了其建模机理和建模步骤.该模型拓宽了GM(1,1)的应用范围,有效地提高了一般GM(1,1)模型的精度.文末给出了一个利用多段灰色建模方法的例子.     

广义离散灰色预测模型及其应用

基于离散灰色预测模型提出了广义离散灰色预测模型(GDGM(1,1)模型),它包含了常见的齐次与非齐次指数序列模型,一次累加抛物型自回归模型,以及一次累加时变线性模型;证明了对四类特殊序列具有模拟完全重合性;研究了在数乘变化下模型参数与模拟值的变化规律以及相对误差的不变性;给出了模型建模步骤及其方法,通过实例对DGM(1,1)模型,NDGM(1,1)模型,CDGM(1,1)模型,TDGM(1,1)模型,NHGM(1,1,k)模型,GM(1,1)直接建模模型以及本文模型的模拟预测效果进行了比较,结果表明GDGM(1,1)模型能够提高预测模拟精度.     

精英遗传改进的非线性灰色神经网络算子与军费开支多目标组合预测应用

军费开支属于复杂经济系统下具有宏观经济特征的一类非线性时间序列。在多目标组合下的军费开支预测问题研究背景下,提出了一种基于精英遗传算法(elite genetic algorithm,EGA)改进的非线性灰色神经网络计量组合预测模型,给出了总体建模思路与非线性灰色神经网络算子分系统和EGA分系统设计方法,解决了多准则目标优化的NP完全问题,并对模型的预测效果进行比较分析。采集美国27年间(1990-2016年)军费开支时间序列进行实证检验,分析结论认为非线性灰色神经网络算子能够有效提高模型精度,EGA算法在收敛速度与精度上优于标准遗传算法,采用所建立的预测模型进行军费开支预测精度更高,效果更好。     

Grey Markov chain and its application in drift prediction model of FOGs

1.INTRODUCTION Sincetheinterferometricfiberopticalgyroscope(FOG)wasfirstproposedbyAmericanUtahUniver sityin1976,ithasbeenattractingalotofscientific andtechnicalinterestsinsteadofthespinningwheel mechanicalgyroforitcanprovideuniqueadvantages.Withtheextensionofresearch,peoplehavebecome acquaintedwithnoisesandbiasdrifts,whichinduce non negligibleerrorsintheoutputofFOGs.The hugeeffortsontechnique,whichweredevotedtothe developmentoflow noiseandlow driftFOGsmainly basedonmaterials,machining…