GM(1,1)模型的背景值构造方法和应用(Ⅲ)

将作者在重构的背景值公式引入 GM ( 1,1)模型 ,导出了 GM ( 1,1)模型的逻辑斯蒂( Logistic)形式 ,并以此为基础 ,对 GM( 1,1)模型进行了稳定态 ,周期态及混沌态特性研究 .研究结果表明 :重构的背景值公式扩大了 GM( 1,1)模型的适应性 ,能提高其拟合和预测精度 ,使 GM( 1,1)模型在实践中能发挥更大的效果.     

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。     

GM(1,1)模型的背景值构造方法和应用(Ⅱ)

通过重构一个表达形式简单的背景值计算公式,使得GM（1,1）模型能通用于等间距序列和非等间距序列,从而达到了扩大GM（1,1）模型应用范围的目的,同时仍保持了GM（1,1）建模简单易行的显著优点．实例说明,重构的背景值计算公式用于非等间距序列有很高的拟合和预测精度．     

基于插值和Newton-Cores公式的GM(1,1)模型的背景值构造新方法与应用

分析了GM(1,1)模型中的背景值,提出用插值和数值积分中的Newton-Cores公式重构模型中的背景值,可以有效地提高模型的预测精度和适用性,并将此方法应用到我国人均发电量预测建模中,理论分析和应用实例表明了文章所提的方法的有效性.     

电子设备寿命试验数据的灰色预测方法

灰色GM(1,1)模型中的背景值构造法是影响模型适应性和精度的关键因素.将所构造的背景值公式引入GM(1,1)模型,并用该模型预测电子设备寿命试验数据,目的是缩短寿命试验时间.计算结果表明,所构造的背景值公式有助于提高GM(1,1)模型的预测精度,为有效缩短电子设备寿命试验时间提供了一种值得探讨的方法.     

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.     

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.     

基于级差格式的GM(2,1)模型参数估计优化研究

参数估计的优化是提高灰色模型精度的一个重要途径,级差格式的提出避免了背景值的复杂构造.现有的GM(2,1)模型计算较为复杂,且参数估计基于目标函数是原始序列一次差分序列的拟合误差平方和最小化来确定,同时,参数估计中微分到差分的转换以及背景值构造存在较大误差.针对这些问题,本文基于GM(2,1)模型微分方程的时间响应函数推导了级差格式,给出了最小二乘法的参数估计方法,然后基于原始序列误差平方和最小的目标函数,优化了模型的两个初始条件,同时,推导出GM(1,1)回归模型和GM(1,1,exp)模型是该模型的特殊情况,最后通过实例比较本文优化方法与现有方法估计的GM(2,1)模型拟合精度与预测精度.实例结果显示,本文的优化方法估计的GM(2,1)模型具有较好的效果.     

一种内涵式参数辨识的GM(1,1)新模型

针对普通GM(1,1)模型应用于非平缓变化序列预测时误差较大甚至失效的缺陷,提出了一种内涵式参数辨识的GM(1,1)新模型。推导了模型边值、背景值权重系数、发展系数以及灰作用量与预测值之间的非线性内涵表达式,并采用粒子群算法(particle swarm optimization, PSO)对内涵式参数进行辨识,建立了PSOGM(1,1)预测新模型。典型算例表明,PSOGM(1,1)模型收敛速度快,较普通GM(1,1)模型具有更高的预测精度,可应用于平缓变化及非平缓变化序列预测。     

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 .     

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.     

一种逐步优化灰导数背景值的GM(1,1)建模方法

证明了离散齐次指数函数经一次累加生成后为离散非齐次指数.进而在GM(1,1)以均值生成作为灰导数背影值的基础上,进一步提出了一种逐步优化灰导数背景值的方法,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.     

GM（1，1，β）灰微分方程的若干性质

针对灰色预测模型的适应范围和优化问题,首先根据灰色GM（1,1）模型参数是灰的、可调的原理,提出了GM（1,1,β）模型的内涵型和参数包形式,分析了模型的若干性质,然后给出了模型的优化算法. 研究结果表明,GM（1,1,β）灰微分方程模型参数α的客观取值范围为（-∞,+∞）,经典GM（1,1）模型参数α的客观取值范围为（-2,+2）;发展系数α的客观取值范围是由背景值系数β 决定的,而与原始数据无关;灰微分方程模型完全适合齐次指数数列. 最后,以我国城镇居民家庭人均可支配收入的数据为例验证了GM（1,1,β）灰微分方程模型的有效性.     

多变量非等间距GM(1,m)模型及其应用

对于多变量非等间距数据序列,建立了一类GM(1,m)预测模型。基于灰色模型的指数特性和积分定义,提出了构造多变量非等间距序列的GM(1,m)模型背景值的方法。该方法可以提高GM(1,m)模型的拟合精度和预测精度,拓广了灰色模型的应用范围。应用该方法,建立了中国农村青少年生长水平的灰色预测模型,结果理想可靠,有较好的实际意义。     

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。