反向累加生成与灰色GOM(1,1)模型的优化

相对传统累加生成, 分析了反向累加生成, 并结合反向累加生成的特点,改进了传统GOM(1,1)模型背景值的计算方法,给出了灰色GOM(1,1)模型参数求解的优化方法. 具体算例的计算表明,这种方法能够提高GOM(1,1)模型的预测精度,验证了该方法的有效性与实用性.     

两阶段灰色模型及其应用

针对GM(1,1)模型对波动序列进行模拟、预测时通常存在较大误差的问题,提出用时间系数对等间距时序进行修正,给出了计算时间系数的方法;根据时间系数的特点利用反向累加生成的GOM(1,1)模型,建立GM(1,1)模型与GOM(1,1)模型相结合的两阶段灰色模型,进一步拓展了灰色模型的适用范围.结果表明,提出的两阶段灰色模型能够适应于有较大波动的原始数据序列的分析和建模,且具有一定的实用性与可靠性.     

分数阶反向累加NHGM(1,1,k)模型及其应用研究

灰色预测模型的模拟序列是齐次指数序列,而实际应用中大量存在着近似非齐次指数序列,为了解决这个问题,在已有研究的基础上,提出了一阶反向累加NHGM(1,1,k)模型和分数阶反向累加NHGM(1,1,k)模型.分析了两种模型的扰动界,并对一阶反向累加NHGM(1,1,k)模型和分数阶反向累加NHGM(1,1,k)模型的计算公式进行了推导,给出了两类模型适用于小样本建模的原因.由于充分利用了系统的新信息,分数阶反向累加NHGM(1,1,k)模型的预测精度更高,实例分析发现其解的稳定性更好.最后,将分数阶反向累加NHGM(1,1,k)模型运用在具有多个研制阶段的某型号武器装备可靠度的预测上,取得了较高的预测精度.     

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.     

递减序列的灰色建模方法

灰色模型的建模思想是通过灰色生成或序列算子的作用弱化系统的随机性,利用离散的生成序列建立连续或离散的动态微分方程,其中GM(1,1)模型是其核心模型。针对递减序列的建模问题,本文给出了两种模型模拟方法,一种是基于简单均值生成的GOM(1,1)模型,一种是基于反向始点零化的GM(1,1)模型,后一种模型还利用平移量考虑了模型模拟精度,并证明了模型的模拟序列没有放大还原误差。两种模型建模方法的共同点是实现了递减序列的同向模拟,消除了GM(1,1)模型拟合递减序列时,由于其累加生成是递增序列而出现异向拟合的不合理建模误差,最后算例也说明了该建模方法的可操作性和有效性。     

广义离散灰色预测模型及其应用

基于离散灰色预测模型提出了广义离散灰色预测模型(GDGM(1,1)模型),它包含了常见的齐次与非齐次指数序列模型,一次累加抛物型自回归模型,以及一次累加时变线性模型;证明了对四类特殊序列具有模拟完全重合性;研究了在数乘变化下模型参数与模拟值的变化规律以及相对误差的不变性;给出了模型建模步骤及其方法,通过实例对DGM(1,1)模型,NDGM(1,1)模型,CDGM(1,1)模型,TDGM(1,1)模型,NHGM(1,1,k)模型,GM(1,1)直接建模模型以及本文模型的模拟预测效果进行了比较,结果表明GDGM(1,1)模型能够提高预测模拟精度.     

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.     

基于反正切函数权值累加生成的DGM(1,1)_(atan)模型及其应用

传统DGM(1,1)模型的累加生成算子没有考虑数据振荡对数据序列发展趋势的影响,模型预测结果往往呈现齐次指数增长的趋势.该局限性使得DGM(1,1)模型不适用于本身存在随机振动特征的序列分析与预测.针对这一问题,本文提出基于原始数据均值像序列的随机波动特征分析方法,设计出均值像反正切函数变权形式的累加生成算子;在此基础上建立了基于均值像反正切函数变权累加的DGM(1,1)atan模型,该模型综合考虑了数据的整体增长趋势与局部波动特征;最后,将模型应用于海域水质监测的数据分析与预测,预测结果验证了模型的有效性及实用性.     

灰色系统建模中应注意的一个问题

根据灰色GM(1,1)模型(grey-model)的建模机理和条件,数据具有准光滑性是建模的重要条件,经常通过累加生成使数据具有准指数规律。但对数据本身具有准指数规律,进一步累加生成可能会破坏其指数规律。为此在建立灰色模型中,应先对数据进行准指数规律的判断;如果数据本身具有准指数规律,应该按照直接数据灰色模型的建模方法。这样有利于克服建模中的盲目性,并且对具有准指数规律的数据序列用直接数据灰色GM(1,1)模型的建模方法能够获得较高的精度,验证了它的有效性。     

灰模型对单调递减序列的适应性与参数估计

对单调递减序列建立GM(1,1)模型,利用数学归纳法证明了GM(1,1)模型的时间响应式和预测式分别与实际的一次累加序列和原始序列的增减趋势吻合,说明了GM(1,1)模型适应于直接对单调递减序列建模,澄清了人们认为GM(1,1)模型只适应单调递增序列的曲解,拓宽了GM(1,1)模型的适用范围,并提出了避免繁琐矩阵计算的参数近似估计方法.最后通过实例证实了此方法的有效性和可行性.     

初始值优化的离散灰色预测模型

针对经典GM(1,1)模型的不足,研究了离散GM(1,1)模型选取不同初始迭代点的模拟数据增长率特点.应用最优化技术求解初始迭代点,证明了改进的离散GM(1,1)模型能够完全模拟指数序列.提出了两类分段修正离散GM(1,1)模型,对建模机理进行了证明,并对改进模型进行了推广.结果表明,优化初始迭代点的分段修正离散GM(1,1)模型能够完全拟合分段等比序列.     

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 .     

A New Generating Method and Its Application

1 .INTRODUCTIONGreyforecastingisoneoftheimportantelementsinthegreytheory .Ithasbeenusedinmanyfields[1 ,3] ,andalltheseapplicationsarebasedonagreymodel.Intheprocessofmodelbuilding ,usuallytherawse riesismanagedbyaccumulatedgeneratingoperation(AGO) ,thatis,letx(0 ) =(x(0 ) ( 1 ) ,x(0 ) ( 2 ) ,… ,x(0 ) (n) )bearawseries,andx(1 ) =(x(1 ) ( 1 ) ,x(1 ) ( 2 ) ,… ,x(1 ) (n) )isone orderaccumulatedgeneratingseriesofx(0 ) ,wherex(1 ) (k) = Ki=1x(0 ) (i) ,k=1 ,2 ,… ,nIfx(0 ) (k)≥ 0 ,obviously ,…     

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。     

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.     

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。     

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。     

基于GM(1,1)幂模型的振荡序列建模方法

针对小样本振荡序列的预测问题,提出了基于单变量一阶灰色幂模型（简称GM(1,1)幂模型）的振荡序列建模方法。基于GM(1,1)幂模型中参数之间的关系,构建了一个非线性优化模型来寻求模型参数的最佳值,以此实现对振荡序列的高精度预测。结果表明,建模方法能够较好地体现数据的波动特征,且易于在计算机上实现,进一步拓宽了灰色模型的应用范围。最后以实例验证了所建模方法实用性和有效性。     

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.