灰色离散Verhulst模型

针对传统灰色Verhulst模型适应性不强的情况,借鉴离散化思想,通过对原始数据序列进行倒数生成,建立了灰色离散Verhulst模型。灰色离散Verhulst模型充分考虑了数据序列的准指数规律,实现了从连续形式向离散形式的转变,消除了传统灰色Verhulst模型由微分方程直接跳到差分方程所产生的误差。同时给出了两种初始条件下的灰色离散Verhulst模型的预测公式,有效地解决了传统灰色Verhulst模型预测稳定性差的问题。实例分析表明,灰色离散Verhulst模型能够显著提高模拟和预测效果。     

无偏灰色Verhulst模型及其应用

针对灰色Verhulst模型自身所固有的偏差, 提出了无偏灰色Verhulst模型.利用递推解法,给出两种初始条件下无偏灰色Verhulst模型的递推预测公式. 结果表明,无偏灰色Verhulst模型对传统灰色Verhulst模型预测公式所表达的S型曲线进行模拟和预测具有完全重合性,完全消除了灰色Verhulst模型自身固有的偏差,也避免了以往建模方法由差分方程向微分方程的跳跃导致的误差.实例分析表明,无偏灰色Verhulst模型使得传统模型的模拟与预测精度得到了显著改善.     

基于级比优化的广义GM(1,1)预测模型

从GM(1,1)模型差分方程的角度推导出差分GM(1,1)模型及其还原时间响应函数,并与经典GM(1,1)模型(微分GM(1,1)模型)及其还原时间响应函数进行类比分析,得出两者具有同构性,其唯一差别为级比的结论.再由两者的同构性提出了一个广义GM(1,1)预测模型,新模型具有一般性,能有效概括差分方程与微分方程模型,极大提取了原始序列的灰信息;另一方面,与差分GM(1,1)模型及微分GM(1,1)模型的级比固定性不同,广义GM(1,1)模型的级比具有可优化性,通过非线性最小二乘优化方法可得出最优级比,进而从级比的角度优化了GM(1,1)模型,拓展了灰色系统理论.最后通过一个实例充分反映了新模型的上述优点.     

无偏灰色预测模型递推解法及其优化

针对传统灰建模由差分方程向微分方程跳跃而导致误差的问题,提出了无偏灰色预测模型的 递推解法,给出了不同初始条件下无偏灰色模型递推预测公式.在此基础上,进一步研究了在两 种准则下初始条件的优化问题,结果表明,同一准则下两种优化模型的模拟预测值相等,且都能 获得较高的模拟、预测精度.最后以实例验证了该方法的有效性与实用性.     

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.     

沉降预测中的灰色模型理论与Asaoka法

在沉降预测的各种方法中 ,Asaoka法是其中主要方法之一 ,而灰色模型理论也开始得到应用 .本文对两种方法的一阶微分方程作了比较 ,证明在一定条件下 ,灰色模型理论和 Asaoka法两者的一阶微分方程是严格一致的 ,这对灰色模型理论在地基沉降预测中的推广应用具有重要意义.     

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.     

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.     

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.     

基于组件连接的QSIM-CC建模系统

针对复杂物理系统难以直接构造QSIM定性模型的问题,给出一个基于组件连接的QSIM建模方案─QSIM-CC系统。该系统通过对具体物理系统进行结构分析,建立组件连接模型,进而转化为用于QSIM仿真的定性微分方程(QDE)。组件连接模型的引入,在物理实体和定性微分方程之间建立起一个桥梁,通过形式化的描述,使得QSIM模型的建立更加直观和形象。最后通过一个液压系统的例子,用QSIM-CC构建单体水槽定性仿真模型,并给出其仿真结果。     

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.     

常微分方程与代数方程求根

讨论了常微分方程与代数方程求根之间的联系。建立了常微分方程的解与代数方程根的一种联系关系，通过这种联系借助于常微分方程的求解，给出以大范围的初值求出代数方程全部实根的一种方法。还讨论了这种方法的几种具体数值求根算法，并对其中的一些有意义的现象进行了分析。     

基于微分方程数值解的灰色预测建模

灰色预测建模方法较多,预测精度主要取决于模型参数的估计,本文给出一种新的思想,将已知的观测值看作是微分方程在不同结点(时间)处的近似解,利用微分方程数值解法推算公式,使用最小二乘法原理,让其局部截断误差的平方和最小来估计未知参数,进而建立灰色预测模型。实例表明,本方法预测精度高。     

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。     

Solving the State Equation of a System by Walsh Function

In this paper, We deal with the solution of the state equation of a system by the Walsh function, that is, we shall find the solution of a matrix differential equation by the Walsh function, and introduce a solution of the higher-order matrix differential equation. First, after a certain transform, we turn the higher-order matrix differential equation into a state equation. Then we find the solution of the state equation by the Walsh function. Finally after a certain transform, we obtain a solution of the higher-order matrix differential equation.     

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.     

一类微分方程模型的计算与应用

本文讨论了一类一阶非线性微分模型的求解，提出了模型参数的直接拟合方法和算式，并从理论上阐述了方法的可行性条件。与灰色理论中的离散化方法相比，具有不存在方法误差的优点。给出了应用微分模型评价企业活力的应用实例。