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.     

再论离散GM(1,1)模型的病态问题研究

针对离散GM(1,1)模型在参数辩识过程是否出现病态问题,利用矩阵条件数进行了研究,研究结果表明:直接用原始数据建模,模型会出现很大的病态问题,问题的严重性很大程度上与原始数据大小有关.解决问题的方法是通过数乘变换,使原始数据都变成为小于1的数,则离散灰色GM(1,1)模型中的病态问题就会得到有效解决.     

灰色模型的病态性问题

指出了灰色模型(GM)的方程组存在着严重的方程病态性问题。进一步分析表明,GM模型产生病态的主要原因是采用累加数减少随机性时使得模型阶数上升和采用最小二乘法求解正规方程组时出现的强病态性。本文分析了一个被广泛引用的算例,结论是GM模型的使用必须十分谨慎。     

离散GM(1,1)模型的特性与优化

GM(1,1)模型在对纯指数序列进行拟合时通常仍然存在偏差,对原始序列和发展系数有太多限制.离散GM(1,1)模型与原模型的很多性质很相似,可以看成是原模型的精确形式,而且对发展系数和原始序列没有非负限制,因此对于离散GM(1,1)模型的特性研究就极为重要.文章对离散模型模拟数据增长率特点、对指数序列的拟合以及数乘变换下的参数特性进行了理论证明.研究表明离散GM(1,1)模型可以完全拟合指数序列.数乘变换不改变原始序列的模拟精度,为解决灰色预测模型的病态性提供了思路.文章提出了分段修正离散GM(1,1)模型并对建模机理进行了证明.应用实例表明了该模型能够显著提高模拟精度.     

基于微粒群算法的GM(2,1,λ,ρ)优化模型

为了提高灰色GM(2,1)模型的预测精度,本文首先对灰色GM(2,1)模型的向前、向后差分进行线性组合出灰色GM(2,1,λ)模型,利用参数λ修正背景值;然后引入参数ρ对原始数列进行数乘变换,进一步将模型拓展为灰色GM(2,1,λ,ρ)模型.由于参数λ,ρ与误差之间为明显的非线性关系,难以解析,本文基于微粒群算法(PSO),给出PSO-GM(2,1,λ,ρ)优化方法.在该方法中,用λ,ρ构成一个二维的微粒群,以绝对的平均相对误差作适应度函数,以其最小为目标,求解最优的λ,ρ值.实例计算表明,该方法收敛速度快,预测精度高于普通模型,而且可满足实际需要.     

数乘变换下灰色幂模型的参数及误差变化规律

通过研究数乘变换对GM(1,1)幂模型的幂指数和参数特征以及其误差的影响程度,揭示了GM(1,1)幂模型的幂指数和其误差在原始特征序列经过数乘变换前后的变化规律。结果表明:GM(1,1)幂模型的幂指数及建模精度与原始特征序列进行数乘变换无关,同时利用数乘变换可以降低建模数据的量级,简化其建模过程的复杂性。     

多变量离散灰色模型及其性质

构建了多变量离散灰色模型,并将该模型与传统GM(n,h)模型对比研究,通过系数变换,该模型可以和GM(n,h)模型相互等价,从而架构了离散灰色模型与传统灰色模型的研究桥梁.在此基础上研究了数乘变换对其参数取值的影响,结果表明模型的模拟和预测值只与因变量的数乘变换有关,而与自变量的变换无关,模型的相对误差与所有变量的数乘变换都无关,这些结果对灰色模型系列性研究有重要意义.     

灰色GM(1,1)派生模型病态性的差异分析

本文主要研究GM(1,1)六种不同派生模型的病态性.首先利用特征分析法和参数估计矩阵B~TB的条件数探讨了辨识参数系数矩阵的病态性情况,根据病态性程度对派生模型进行归类,进而分析了各类模型产生病态性的原因,并对具有病态性的派生模型采用向量变换法进行改进.在此基础上,比较了定义型与派生模型在建模机理、计算繁简程度等方面的差异.研究结果表明:1)派生模型b型、派生模型内涵型属于第一类即不存在病态性的模型;定义型、派生模型x~(1)型、离散型属于第二类即存在一般程度病态性的模型;派生模型x~(0)型、派生模型指数型属于第三类即具有严重病态的模型;2)与各类派生模型相比,定义型在建模机理、计算量的大小等方面有明显优势.最后,通过数值实例验证了分析结果的合理性.     

数乘变换下GM(0,N)模型中的参数特征

在灰色系统理论中 ,生成是一个重要的概念和方法 ,而数乘变换则是灰色建模的基础。讨论了原始数据的数乘变换对GM( 0 ,N )模型的影响问题 ,指出了系统的预测值只与系统主行为原始数据的数乘变换方式有关 ,而与系统行为因子的数乘变换无关。该结果对评价系统的参数变化有重要意义。     

GM(1,1)幂模型的病态性

针对GM(1,1)幂模型参数辨识过程中可能出现的病态性问题, 首先基于矩阵求逆的条件数分析灰色模型病态程度的衡量方法, 然后按照GM(1,1)幂模型的背景值和幂指数的不同取值, 分三种情形讨论了数据矩阵求逆条件数的取值范围, 在此基础上总结影响GM(1,1)幂模型病态性的主要因素, 并通过实例加以验证. 结果表明, 在部分情形下GM(1,1)幂模型的数据矩阵求逆不存在病态性, 但在部分情形下可能出现数据矩阵求逆的病态性, 其中, 背景值和幂指数是影响模型病态性的直接因素.     

灰色增量──微分动态模型与中间变量辨识方法及其应用

本文对灰色GM(1, 1)、GM(2, 1)建模方法作了扩展和改进, 重新构造累加生成模式。利用多级增量序列首先进行回归建模, 引入中间变量并对其辨识和模拟, 使原始时间序列中隐含的有序性、规律性及灰色信息不断白化。灰色增量--微分动态模型具有系统开放性, 模型结构的包容量和信息量十分丰富, 为自然、社会经济等复杂系统建模、控制、预测提供了有效方法, 并消除了灰色GM(1, 1)、GM(2, 1)模型的局限性及不足之处；对全国总人口序列采用柯布--道格拉斯函数模型进行增量序列拟合建模, 在中间变量层次中揭示出周期性变化规律, 拟合效果极显着, 平均误差率1.21%, 最大误差率2.73%, 拟合精度极高。     

一种新型数据变换技术及其在GM(1,1)模型中的应用

针对灰色系统理论中的数据变换技术进行深入研究,从数据变换的机理入手,提出了数据变换的构造准则,在该准则的基础上构造出一种新型数据变换。通过对该新型数据变换若干性质的讨论验证了其满足数据变换的构造准则,并将该变换应用于GM(1,1)模型。通过具体的实例的计算表明,该变换能够提高GM(1,1)模型的预测精度,具有一定的实用性。     

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.     

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 .     

灰色多变量GM(1,N)幂模型及其应用

针对多变量少数据的系统建模问题,提出了灰色多变量GM（1,N）幂模型及其派生模型GM（1,N,x^（1））幂模型,给出了其参数估计算式和近似时间响应式,在此基础上,分两种情况讨论了模型的参数优化方法,并通过数值模拟和应用实例验证了新模型的有效性. 结果表明：传统的GM（1,N）模型是GM（1,N）幂模型的特殊形式,GM（1,N）幂模型能够更好地描述系统特征行为序列与其影响因素序列的非线性关系,从而有效地提高传统灰色多变量系统建模的精度.     

耦合三角函数的灰色GM(1,1,T)模型及其应用

针对小样本序列的周期性波动特征,将三角函数引入灰色预测模型,提出了耦合结构的灰色GM(1,1,T)模型,该模型适用于既存在周期性又具有趋势性的复合型序列.基于最小二乘思想,探讨了模型参数估计的非线性优化问题,利用Levenberg-Marquardt算法进行求解,并给出了初始点选取的经验方法;通过数值实验验证了模型的适用性和参数估计方法的可行性;最后将该模型应用于河南省获嘉县、禹州市、偃师市的农业干旱预测,结果表明2016-2017年河南省土壤含水量呈现出区域性差异,与实际干旱情势比较吻合.