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。     

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。     

非等间距多变量模型在数乘变换下的特性

讨论了原始序列在数乘变换下非等间距MGM(1,m)模型的特性问题。利用矩阵相关的运算性质,推导出非等间距MGM(1,m)模型在数乘变换后参数向量、模拟预测值及相对误差的计算公式,并比较了在数乘变换前后的变化情况。研究结果表明:对各原始序列作相同倍数的数乘变换,不会改变模型的模拟预测效果,还能缩小数据的量级,使计算过程更简洁。该结果还适用于等间距模型,使结果应用更广。     

非等间距GM（1，1）模型背景值的改进及其应用

根据模型的指数特性以及积分特点,以数据曲线在每个区间[k_(i-1),k_i]与坐标轴所围成的梯形面积作为模型背景值z~(1)(k_i)与z~(1)(k_(i-1))的差值,并对其进行修正,从而达到对传统非等间距GM(1,1)模型进行优化的目的.最后采用实例进行验证,并将结果同其他文献的拟合精度进行对比,从而验证算法的有效性与可行性.     

MGM(1,n)模型在粉喷桩路基沉降预测中的应用

提出了一种预测公路复合地基工后沉降的新方法。首先,通过路基监测项目的灰色关联分析,优选影响路基沉降的相关预测变量,如道肩水平位移、孔隙水压力消散值及桩身应变等,在此基础上建立灰色多变量MGM(1,n)模型并给出相应的沉降预测方程。而后考虑监测数据序列的非等时间间隔影响,改进、完善此模型,使之能够对粉喷桩复合路基的沉降量进行准确预测。文中并给出应用实例,表明应用该法进行沉降预测,可以更全面地利用工程监测数据,更有效地预测路基工后沉降量。     

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。     

灰色GRM（1，1）模型的改进

将 X（1）的第n个分量作为初始条件与优化背景值相结合对灰色GRM （1,1）模型进行了改进。应用实例表明,改进的灰色GRM （1,1）模型在一定程度上消除了传统灰色模型在背景值获取和初始值选取时造成的误差,提高了预测精度。     

非等间距GM(1,1)模型的模糊优化

采用模糊聚类分析方法，在原始的非等间距序列中插入若干数据，在新序列上建立非等间距GM(1，1)模型。实例表明，经模糊优化处理的非等间距GM(1，1)模型有更高的模拟和预测精度及良好的适用性。     

灰色模型GM(1, 1)优化

分析了GM(1, 1)模型产生模拟误差的原因，经大量的数据模拟和GM(1, 1)模型比较，发现背景值的优化使GM(1, 1)模型在短期、中期及长期预测中扩大了适用范围，并且模拟及预测精度显著提高。     

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。     

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。     

基于MGM(1,n)模型的异形拱桥拱肋空间线形灰色预测

结合灰色预测模型和异形拱桥拱肋空间线形控制的特点,利用灰色系统理论建立了针对异形拱桥拱肋空间线形灰色预测的MGM(1,2)模型,该模型考虑了轴线偏差和拱肋旋转因素.在给出MGM(1,n)模型的概念、求解方法的基础上,以Matlab为软件平台编制了相应的程序.以工程实例为背景的实验结果表明,异形拱桥拱肋空间线形MGM(1,2)模型的预测结果与实际测量结果具有很好的一致性,说明文中提出的异形拱桥拱肋空间线形MGM(1,2)模型是科学合理的.     

GOM(1,1)模型背景值构造的重新改进

GOM(1,1)模型同GM(1,1)模型一样存在背景值构造的不足.分析已有以累加序列为齐次指数序列推导出的背景值构造形式存在的问题,以背景值几何思想建立两种加权背景值构造,分别为齐次指数序列下的定权背景值构造和近似齐次指数序列下的变权背景值构造.实例应用结果显示加权背景值构造下的GOM(1,1)模型不仅可以完全拟合齐次指数序列,近似齐次指数序列下建模的预测精度也提高了.     

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)...     

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.     

GM(1,1)模型背景值构造的不同方法与应用

GM(1,1)模型的误差主要来源于背景值和初始值,因此提出3种不同的背景值构造方法分别为:把背景值的固定权改为变权构造背景值的方法、将数据序列抽象为指数函数构造背景值的方法、将数据序列抽象为非齐次指数函数构造背景值的方法,并以X(n)为初始值和新陈代谢方法来建立GM(1,1)模型.通过工程实例检验这3种不同背景值构造方法建立的GM(1,1)模型的预测精度.计算结果表明,将数据序列抽象为非齐次指数函数构造背景值建立的模型预测精度较高,可为类似工程提供参考.     

基于复合辛普森公式的GM(1,1)模型背景值的优化

背景值是导致GM(1,1)模型产生系统误差的主要原因之一,为提高模型的模拟效果和预测精度,根据灰色系统理论建模机理以及数据累加生成具有非齐次灰指数规律,构建灰色系统模型。基于GM(1,1)模型背景值的几何意义,结合复合辛普森求积公式和动态序列模型,提出一种新的GM(1,1)模型背景值优化方法。实例表明,基于复合辛普森公式的背景值优化算法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性。     

基于有理插值公式GM（1，1）模型的背景值构造新方法与应用

本文通过分析GM（1,1）模型中的背景值,提出了用有理插值和数值积分中的梯形公式及外推法重构背景值,进而有效地提高模型的预测精度和适用性,最后将此方法应用到我国人均能源消耗量预测建模中,理论分析和应用实例表明了文章所提方法的有效性。     

优化背景值的GM(1,1)

为了提高模型的拟合精度,提出了一种新的改进GM(1,1)模型.从优化GM(1,1)模型背景值的定义出发,推导出利用原始数据生成的背景值公式,将其与经过优化的初始条件结合,构造出改进的GM(1,1)模型.此模型将在很大程度上消除由于背景值的选取所产生的误差.对该模型进行数据模拟,通过与原模型中数据的比较、分析,验证出新的优化模型具有更好的模拟精度,说明该模型的有效性,可以将其应用于对其它数据的拟合预测.