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.     

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.     

GM(1,1)幂模型求解方法及其解的性质

根据灰色系统信息覆盖的基本原理,给出了GM(1,1)幂模型中参数α的估计方法.讨论了α的不同取值对模型解的影响,对其白化微分方程解的定理进行了补充,并给出了白化微分方程解的优化方法.结果表明,所提出的建模方法更能适应于一类具有饱和状态或发展变化受众多因素影响的波动原始序列,在0<α<1且a>0和α>1且a<0两种情形下,GM(1,1)幂模型与灰色Verhulst模型具有相同的极限性质,但模拟预测精度高于灰色Verhulst模型.     

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.     

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。     

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。     

基于遗传算法的GM(1,1,λ)模型

用差分格式将灰色模型 GM(1,1)模型推广为 GM(1,1,λ)模型 ,λ=0 .5即为 GM(1,1)模型 ;由于参数λ与误差之间存在明显的非线形特性 ,而且某些目标函数不可微 ,使得传统的优化方法无能为力 ,文中应用遗传算法求解最优的 λ值 ,然后进行预测 .由 λ的取值知 ,GM(1,1,λ)模型的预测精度一定比 GM(1,1)高 ,数值计算的结果也证实了这一点 .     

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.     

含时间幂次项的灰色GM(1,1,tα)模型及其应用

针对GM(1, 1)模型应用的局限性, 根据实际应用的需要, 利用灰色建模思想构建了含时间幂次项的灰色GM(1,1,t^α) 模型, 对该模型的建模过程、参数估计、时间响应式进行了研究, 并讨论了α几种特殊取值下的该模型的性质、适用范围、时间响应式, 并利用GM(1,1,t²) 对某沿海高速的软土地基沉降进行了拟合与预测, 获得了较高的拟合与预测精度, 通过实际应用检验了所构建的模型的有效性.     

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.     

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。     

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.     

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.     

灰色Verhulst模型的背景值的改进及应用

基于灰色Verhulst模型的建模机理，分析了该模型的模型误差产生的原因，针对该原因构造了改进的背景值公式，使得模型的精度得到了有效的提高，扩大了模型的适用范围.实例证明，优化模型具有较高的理论意义和实际应用价值.     

分数阶反向累加Verhulst模型

本文提出采用反向累加的方式对原始数据进行处理,并在整数阶的基础上将其推广到分数阶领域,以分数阶反向累加生成算子和分数阶反向累减生成算子为基础,建立分数阶反向累加Verhulst模型,并应用实例与分数阶反向累加GM(1,1)模型作对比,检验模型模拟误差.相关结果显示,相较于传统Verhulst模型与分数阶反向累加GM(1,1)模型,分数阶反向累加Verhulst模型的数据拟合精度较高.