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.     

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.     

估计GM(1,1)模型中参数的一族算法

在灰色微分方程中采用了差商代替导数的一系列方法,并结合估计参数的一系列极小化准则,系统地研究了将不同差商或不同差商的线性组合与不同的极小化准则相结合,就可得到估计GM(1,1)模型中参数的一族算法,指出了许多文献给出的算法都属于这一族算法.一般地,由于不同的时间序列满足不同的差商格式或满足不同的差商格式的线性组合,所以应根据不同实际问题的需要,从这一族算法中选择满意的算法.数值结果表明,采用对模型进行精度检验的标准应与估计GM(1,1)模型中参数a、u的极小化准则相一致,这样估计出的参数效果较好.     

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.     

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 .     

GM(1, 1r)灰色模型及其在农村人均居住面积中的应用

ＧＭ（１，１￣ｒ）灰色模型及其在农村人均居住面积中的应用张海松，曹小燕，褚金福（浙江省杭州农业学校３１００２３）（浙江省建筑设计院）（浙江省萧山市红垦农场）ＴｈｅＧｒｅｙＭｏｄｅｌＧＭ（１，１￣ｒ）ａｎｄＡｐｐｌｉｃａｔｉｏｎｏｆＰｅｒＣａｐｉｔａＬ...     

特征自适应型GM(1,1)模型及对中国交通污染排放量的预测建模

兼顾精度与拟合趋势相似性是预测建模需要深入研究的重要问题.为提高模型对数据特征的适应能力,本文分析了GM(1,1)模型中灰微分方程和白化方程的一致性关系以及响应式还原方法问题,提出构建一种特征自适应型灰预测模型,即CAGM(1,1)模型.该模型采用含可变参数的背景值公式构建灰微分方程,并通过转化模型形式推导了参数估计过程,进而构建以背景值序列为基础的时间响应式;为提高模型预测能力,本文结合灰色关联度构建响应式还原过程中待定变量的适应度函数,采用粒子群算法取得其最优值.最后,案例研究了我国机动车污染排放预测问题,分别构建GM(1,1)和CAGM(1,1)模型对氮氧化合物排放量进行建模,通过比较二者拟合和预测结果验证新模型的改进效果,为管理实践提供有效工具.     

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.     

非等间隔GM(1,1)幂模型及应用

GM(1,1)幂模型是灰色Verhulst模型的推广.在灰色Verhulst模型和等间隔GM(1,1)幂模型基础上提出了非等间隔GM(1,1)幂模型,并对模型进行求解.同时讨论了GM(1,1)幂模型曲线形状和幂指数以及发展系数之间的关系,研究了非等间隔GM(1,1)幂模型的参数空间.将平均相对误差看成幂指数的函数,根据序列形状判断幂指数的范围,利用粒子群算法求解幂指数,克服了灰色Verhulst模型的缺陷.最后实例表明:GM(1,1)幂模型建模精度高于灰色Verhulst模型,该方法具有重要的理论意义.     

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 .     

非等间距新息GM(1,1)的逐步优化模型及其应用

应用灰色系统建模方法及新信息原理,在GM(1,1)建模思想的基础上提出了一种基于直接建模的逐步优化的新息非等间距GM(1,1)模型,该模型采用原始数据的第n个分量作为灰色微分方程的初始条件,通过优化背景值与差商调节系数来估计模型参数.该模型不仅适合于等间距建模,也适合于非等间距建模,且突破了发展系数的绝对值较大时,不能用GM(1,1)模型的禁区,提高了建模的精度.实例表明所建模型的实用性与可靠性.     

非等间距GM(1 ,1) 模型建模研究

基于灰色模型的指数特性和积分定义,提出了一种重构非等间距序列的GM(1,1)模型背景值的方法,用该方法重构的背景值更加精确,可以提高GM(1,1)模型的拟合精度和预测精度,进一步拓广GM(1,1)模型的应用范围.     

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.     

一类离散灰色模型及其预测效果研究

GM(1,1)模型是灰色系统理论中最重要的内容之一,针对该模型在预测时出现的预测精度问题进行讨论,进而建立了新的离散灰色模型:始点固定离散灰色模型(SDGM)和终点固定离散灰色模型(EDGM),运用大量的数据模拟和预测,将新建立的2个模型和GM(1,1)模型的进行效果比较,发现新建立的2个模型均比GM(1,1)模型有更高的模拟精度和预测精度.     

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.     

关于灰色模型的累加生成效果

基于 GM (1 ,1 )灰色模型的理论背景 ,以级差格式探讨了 GM (1 ,1 )模型精度 ,研究结果表明 ,灰色模型的累加生成能“增强”规律性 ,可改善结果的随机性 ,具有良好的抗噪性 .     

灰色模型GM(1,1)优化探讨

研究了在建立灰色模型 GM( 1 ,1 )时 ,原始数列中每个数同减一个常数 2 β对模型中参数 a,u的影响 ,并在线性最佳拟合意义下 ,找到了使 GM( 1 ,1 )模型最优时的常数β .     

优化的GM(1,1)模型及其在农村劳动力转移预测中的应用

GM(1,1)预测模型一直是灰色系统理论研究者关注的热点。在已有灰色理论的基础上,利用“最小二乘法”确定GM(1,1)白化函数的时间响应函数中的常数C,摈弃了传统GM(1,1)把原始序列中X(0)(1)作为初始条件的做法,从而构建了GM(1,1)的优化模型。最后,以河南省农村劳动力转移预测为例,进行两类预测模型的模拟精度比较,并进行了预测。表1,参7。     

GM（1，1）置零建模法及其应用

本文从ＧＭ（１，１）建模特点出发，提出了一种置零建模的新方法（简记为ＧＭ０（１，１）法）．     

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.