基于GM(1,1)水泥产量预测模型

运用灰色系统理论中的GM(1,1)灰色预测模型,以全国近7年来的水泥产量为例,对其未来几年的生产状况进行科学预测,为今后的生产提供科学依据.     

工程中的PGM(1,1)模型应用

采用PGM(1,1)模型替代GM(1,1)模型完成工程数据的拟合应用,通过实例数据较差比较证明PGM(1,1)模型具有更良好的短数据序列模拟性能.     

GM(1,1)改进模型及其应用

根据 GM( 1 ,1 )灰色模型的指数特性 ,通过在区间上求积分给出了关于背景值的一个比较确切的计算公式 ,讨论了由此建立的 GM( 1 ,1 )改进模型的适用范围和预测精度 .结果表明改进模型比原 GM( 1 ,1 )模型适用性要强、模拟和预测精度要高 ,不仅适用于低增长序列、也适用于高增长序列 ,不仅适用于短期预测 ,同样也适用于中、长期预测     

灰色GM(1,1)模型研究综述

GM(1,1)是灰色预测理论的核心模型和基础模型.从累加生成方法、初值优化、背景值优化、参数估计方法、模型性质和模型拓展的视角,梳理了GM(1,1)模型的研究进展.明确了有待进一步研究的问题,对GM(1,1)模型的未来研究方向提出了建议.     

U(3,Z_p),U(4,Z_p)及U(5,Z_p)的共轭类

通过计算相关矩阵的秩,求出了U(3,Z_p),U(4,Z_p)及U(5,Z_p)的共轭类.     

SU(1,1)对称量子系统时间最优控制

基于李群分解,讨论了控制不受限情况下SU(1,1)对称量子控制系统的时间最优控制问题.针对系统控制哈密顿项为椭圆型和抛物型这两种情形,分别给出了实现任意演化矩阵所需要的最短时间.针对系统控制哈密顿项为双曲型情形,给出了实现任意演化矩阵所需要最短时间的一个上界.     

基于分数阶GM(1,1)的图像去噪

针对传统整数阶GM(1,1)模型无法调节阶次来改善图像去噪性能,采用分数阶GM(1,1)模型来弥补其不足.分数阶GM(1,1)模型可以精确调节累加数之间数量级来达到更好的去噪效果.先通过在经典图像中添加椒盐噪声的去噪对比实验,得出分数阶GM(1,1)模型较GM(1,1)模型有更好的视觉效果,更高的峰值信噪比和结构相似度...     

GM(1,1)模型的改进及应用

随着经济的飞速发展,对经济的预测已经是必要的手段,本文选择灰色预测模型来预测经济的发展.然而,传统的GM(1,1)模型存在一些不足,往往在数据之间变化很大时得不到理想的结果,预测精度不高.首先对GM(1,1)模型做了简单的介绍,然后通过改进初始值的光滑度和背景值的取值优化模型,最后运用改进的GM(1,1)模型预测兰州市未来几年的经济发展,从预测结果看到在2020年兰州市的全民生产总值将达到6000亿.     

优化白化方程的GM(1,1)模型

通过对GM(1,1)模型的原始形式的分析,得到与之等价的差分方程,然后把差分方程连续化得到微分方程,并定义为GM(1,1)模型的白化方程,最后通过实例验证了新模型的有效性.     

SINGULAR (n-1,1) CONJUGATE BOUNDARY VALUE PROBLEMS

In this paper, we study the existence of nonnegative solutions of singular (n - 1,1) conjugate boundary value problemwith boundary value conditions u(k)(0) = 0(0≤k≤n - 2) and u(I) = 0. Where a(t) may have finitely many singularities. Our results essentially generalized paper [1] and other related literature (for example [4]).     

灰色系统 GM(1,1) 模型的讨论

本文讨论灰色系统 GM(1,1)模型在建模过程中由于原始数列的变化对模型值及预测精度的有效性问题.指出,在通常的 GM(1,1)建模方法中,原始数列的第一个数据对模型值及预测精度不产生任何影响.为利用该数据提供的信息,可在原始数列的第一个数据前再增加一个任意数作为新的原始数列建模;另外,原始数列中每一个数据增加同一个常数后,对模型值和预测精度可产生影响.因此,在 GM(1,1)建模过程中,需选择合适的常数,以提高预测精度.     

GM(1,1)模型参数的神经网络算法

GM(1,1)模型的实质是小样本、贫信息下的预测模型,其目的是得到误差尽可能小的预测值.在分析GM(1,1)模型建模机理的基础上,提出了GM(1,1)模型中参数a,b的一种新算法——神经网络算法.把神经网络中的BP算法应用于GM(1,1)模型的建模过程,实例表明可使预测精度得到提高.     

GM(1,1)模型预测精度仿真分析

基于GM(1,1)模型的灰色预测具有独特优点.从GM(1,1)建模数据的选择入手,应用数值仿真方法,针对具有不同发展系数和偏离度的大量模拟序列研究了建模维数与预测精度之间的关系.研究结果给出了不同情况下的最佳建模维数和预测精度期望值,为GM(1,1)建模提供了有益的指导信息.     

组合GM(1,1)幂模型及其应用

GM(1,1)幂模型是灰色Verhulst模型的推广.由于初始条件选取影响GM(1,1)幂模型的精度,将平均相对误差函数分别看成是幂指数、发展系数、灰作用量的函数,利用蚁群算法进行参数辨识,从而建立多个单项GM(1,1)幂模型.利用这些单项模型建立了线性组合GM(1,1)幂模型,组合权系数利用最大相对误差最小化原则采用粒子群算法确定.实例表明,组合GM(1,1)幂模型的建模精度高于传统GM(1,1)幂模型,同时也说明方法是有效的和可行的,具有重要的理论意义.     

离散DGM(1,1,t~α)模型

针对具有部分指数特征且含时间幂次项的数据序列,分别建立了以x~0(1)和x~1(n)为初始条件的离散DGM(1,1,t~α)模型,并给出了α取1,2时的模型公式及其推导过程;根据数据序列的最小二乘曲线并不一定就是由初始值迭代拟合生成的曲线,对DGM(1,1,t~α)模型的迭代基值进行了优化,并给出了基值修正项的估计式;最后,通过一个实例验证了所建模型的合理性与实用性.     

利用GM(1,1)模型预测曲线波形

针对给出的函数y=f(x),x∈[a,b],将其值域进行n等分,设yi为其中任一分点,对应x=xi(i=1,2,…,m),用GM(1,1)模型对序列{x1,x2,…,xm}进行预测,得到曲线y=f(x)在下一段时间与直线y=yi的交点位置.当GM(1,1)模型的误差较大时,可利用带有残差修正的GM(1,1)模型进行残差修正,以提高GM(1,1)模型预测值的精确度.     

Berezin transforms on the 2×2 matrix space related to theU(2)×U(2)-action

In this paper we establish the spectral decomposition of the Berezin transforms on the space Mat(2,) of complex 2×2 matrices related to the two-sided action ofU(2)×U(2). The eigenspaces are described explicitly by means of the matrix elements of a certain representation ofGL(2,) and each eigenvalue is expressed as a finite sum involving the MeijerG-functions evaluated at 1 and the Hahn polynomials.     

U(4,Z)的自同构群(英文)

In this paper,the automorphism group of G is determined,where G is a 4 × 4 upper unitriangular matrix group over Z.Let K be the subgroup of AutG consisting of all elements of AutG which act trivially on G/G,G /ζG and ζG,then （i） InnG ■ K ■ AutG;（ii） AutG/K≌=G₁×D₈×Z₂,where G₁=(a,b,c|a⁴=b²=c²=1,a^b=a^-1,[a,c]= [b,c]=1 ;（iii） K/Inn G≌=Z×Z×Z.