GM（1,1,α）模型背景值的变化对相对误差的影响

为了研究灰色GM（1,1,α）模型中背景值的变化对模型相对误差的影响,分析了GM（1,1,α）模型的建模机理与过程,提出了该模型的二级参数包;通过模型的二级参数包重点讨论了背景值的变化与模型的发展系数、 灰色作用量之间的关系;从理论上得出了背景值与模型的发展系数、灰色作用量之间的具体表达式;进而得到了背景值与相对误 差之间的具体表达式,并研究了它们之间的变化关系,从而达到通过调整背景值的大小来减小模型相对误差的目的;最后通过实例对这一结论进行了验证.     

微分方程数值解法在GM(1,1)建模中的应用

提出了建立GM(1,1)模型的新方法,认为应用微分方程数值解法估计GM(1,1)预测模型中的待辨参数a,b,建立灰微分方程的时间响应表达式,可以达到与[1]同样的拟合精度.对部分数列拟合精度有所改善,其滚动模型的拟合精度改善明显.表1,参6.     

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.     

GM（1,1）模型群及其应用

本用指数平滑改进ＧＭ（１，１）模型中矩阵Ｂ的构造，提出了ＧＭ（１，１）模型群，并给出最优及准优ＧＭ（１，１）模型的判别准则。最后，把本方法应用于农业总产值的预测。     

带有阶跃函数的GM（1,1）模型参数估计的新方法

本文给出了一种估计带有阶跃函数的ＧＭ（１，１）模型参数的新方法。该方法不仅计算简单，而且扩大了ＧＭ（１，１）模型的应用范围。实例表明，运用该方法得到的模型具有较高的拟合精度。     

建立GM（1,N）预测模型的新方法

讨论了建立ＧＭ（１，Ｎ）预测模型的不同方法，提出了建立ＧＭ（１，Ｎ）预测模型的新方法。认为应用数值积分方法建立灰微分方程的时间响应表达式，可以改善某些数列的预测模型的拟合精度。     

灰色系统中GM（1,1）模型的混沌特性研究

灰色系统理论中的ＧＭ（１，１）模型有广泛的应用背景，本文讨论了ＧＭ（１，１）模型的混沌特性，并研究了ＧＭ（１，１）模型混沌特性与其所表征的系统的混沌特性间的关系，合理解释了ＧＭ（１，１）模型的禁区现象。     

基于粮食安全和GM（1，1）模型的耕地保有量研究——以甘肃省天水市为例

耕地保有量预测是土地利用总体规划的重要内容。以甘肃天水市为例,根据1996—2005年土地利用变更数据及人口、粮食统计数据,综合利用基于粮食安全出发的粮食需求法和GM（1,1）模型的数学方法两种方法来确定耕地保有量,并将所得结果相互验证、对比分析,以提高预测可信度。结果表明：天水市2010年和2020年的耕地保有量为508781hm2和463588hm2。图2,表4,参11。     

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.     

关于灰色系统GM(1;1)模型的一些理论问题

ＧＭ（１,１）＝ＩＡＧＯＧＭＡＧＯ：ｘ｜→ｘ（ｔ）是单序列ｘ的灰色系统的动态模型。本文研究映射ＩＡＧＯＧＭＡＧＯ：ｘ｜→ｘ（ｔ）的协调性,以及拟合函数ｘ（ｔ）的单调性、凹凸性和渐近性质。进而修改、完善了ＧＭ（１,１）模型。使得取消了原始序列ｘ为非负的限制,映射ｘ｜→ｘ（ｔ）具有协调性且提高了拟合精度,拓广了运用范围。     

基于离散指数函数优化的GM（1，1）模型

证明了离散的齐次指数函数经一次累加生成后为离散的非齐次指数函数, 离散的非齐次指数函数经一次累减生成后为离散的齐次指数函数.结合GM(1,1)模型误差产生的原因分析,用非齐次指数函数来拟合一次累加生成序列,推导出最优的背景值计算式.大量的数据模拟和模型比较表明,优化后的模型提高了背景值的精确性以及灰预测模型的拟合精度和预测精度,并且在发展系数绝对值较大时仍然有很高的精度,突破了小于2的限制.     

带有时滞的GM（1,2）模型及应用

本文在ＧＭ（１，２）模型中引入滞后项，给出时滞的确定方法，举例说明带有时滞的ＧＭ（１，２）模型能更好反映两变量间的动态关系。     

GM(1;1)模型的动态特性分析

ＧＭ（１，１）模型是灰色系统理论中灰色模型的基础。本文分析了包括收敛、发散、稳定、混沌等在内的ＧＭ（１，１）模型的各种动态行为特性，从而为研究其适用的预测对象的特点奠定了理论基础。     

反向累加生成及灰色GOM（1，1）模型

相对传统累加生成提出反向累加生成的定义,给出灰色GOM（1,1）模型,为灰色模型提供新的生成方法。     

基于遗传算法估计灰色模型中的参数

研究表明，GM（1，1）模型中的背景值参数λ和边值对模型的预测精度均有影响，进而分别以平均相对误差达到最小或最大相对误差达到最小为极小化准则，提出了基于遗传算法求解最佳背景值参数λ和最佳边值修正项ε的方法，并且可以确保在相应的模型检验准则下预测的误差达到最小．数值结果表明，采用遗传算法确定最佳的λ、ε可大大地提高模型的预测精度．     

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。     

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 .     

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.