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.     

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.     

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 .     

基于函数cot(x~α)变换的灰色GM(1,1)建模方法

提出了对建立GM(1,1)模型的标准化数据进行幂函数-三角函数cot(xα)(α>0)变换方法, 理论上证明了对原始数据序列进行这种函数变换可以有效地提高建模数据序列的光滑度, 且比"对数函数"法和"幂函数"法更加有效, 拓广了灰色模型的应用范围, 实例验证了所建GM(1,1)模型的精度优于"三角函数cot(x)"法所建模型, 说明了该方法的有效性.     

近非齐次指数序列GM(1,1)模型灰导数的优化

从原始序列为非齐次指数律的GM(1,1)的灰导数出发,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, 并给出了加权系数λ的具体表达式,进而建立了优化灰导数后适用于原始序列为非齐次指数律的GM(1,1)模型,且证明了此模型具有白指数律重合性,给出了求 参数的方法及表达式,并通过实例对比验证了此模型具有更高的精度,并且对于严格的非齐次指数序列能够完全的拟合.     

背景值和初始条件同时优化的GM(1,1)模型

GM(1,1)模型是有偏差的灰指数模型,其精度取决于背景值的构造形式和初始条件的选取。已有的研究文献均是从一个侧面单独改进GM(1,1)模型,单独采用优化背景值方法或优化初始条件方法可以在一定程度上提高模型精度,因为两种改进方法完全独立。这里提出一种同时优化背景值和初始条件的新GM(1,1)模型,通过模拟数据的比较表明,新优化GM(1,1)模型有更高的精度。     

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.     

基于背景值和边值修正的GM(1,1)模型优化

针对灰色GM(1,1)预测模型提高精度的问题, 提出了新的背景值优化公式代替传统的背景值优化公式, 再进行边值修正的方法. 该方法采用新的背景值优化公式求出紧邻均值生成序列, 并使用均方误差和最小准则, 针对原始序列和生成序列进行边值的修正. 通过对优化后的模型实证测算, 验证了修正后的模型在提高预测精度上的可行性和有效性.     

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.     

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．     

无偏灰色GM(1,1)模型的直接建模法

针对灰色GM(1,1)模型的建模方法存在偏差,模型不满足协调性条件,不具有线性变换一致性,且通过累加生成建模时,原始序列第一点信息没有起作用等问题,提出了GM(1,1)的3种无偏灰微分方程形式,给出了无偏GM(1,1)的直接建模法,证明了新方法不仅具有白指数律重合性,而且具有线性变换一致性。实例分析表明,新方法提高了建模的精度,扩大了模型的适用范围,充分利用了原始序列的第一点信息。     

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。     

一种基于数据融合的新型GM(1,1)建模研究

基于灰色理论和自适应数据融合技术的研究,提出一种基于自适应数据融合的新型灰预测GM(1,1)模型,并对整个建模过程进行了理论推导。该方法利用自适应数据融合以及累加再生成操作来提高非平稳时间序列的光滑度,从而减少样本序列的随机性,提高重构背景值的精确性以及灰预测GM(1,1)模型的拟合精度和预测精度。最后通过该方法对液浮陀螺仪零漂进行建模仿真,结果表明该方法辨识精度高,优于一般平均值法和灰预测方法,具有良好的应用价值。     

Optimization of Background Value in GM(1,1) Model

This article has proved that discrete function with homogeneous exponential law will become discrete function with non-homogeneous exponential law if the function with homogeneous exponential law accumulates, while discrete function with homogeneous exponential law is generated by inversely accumulating the discrete function with non-homogeneous exponential law. Based on the error analysis of the model GM(1,1), researchers use the discrete function with non-homogeneous exponential law to fit the accumulated sequence in order to propose a new method for optimizing background value in model GM(1,1). There are plenty of data simulations and models. And it shows that the new model broke through restrictions of using coefficient, and it still improved its matching and prediction precision.