优化灰导数白化值的无偏灰色GM(1,1)模型

通过优化灰导数白化值 ,建立了无偏的 GM(1,1)模型 ,给出了估计模型参数的方法 ,证明了无偏GM(1,1)模型具有白指数律重合性 ,提出了新的预测公式 .实例分析表明 ,新方法提高了模型的精度 ,扩大了模型的适用范围 .     

基于离散指数函数优化GM(1,1)模型的再优化

分析了基于离散指数函数优化的GM(1,1)模型虽然大幅度提高建模的精度,但在构造新背景值过程中仍存在误差的原因,并针对此原因提出了进一步优化此背景值的方法,从而再次提高了建模的精度.经过严格理论验证该模型具有白化指数重合性,所以既适合用于低增长指数序列建模,也适合用于高增长指数序列建模.同时通过大量的数据模拟,并与原GM(1,1)模型及其基于离散指数函数优化的模型对比,发现本文优化的GM(1,1)新模型有非常高的模拟精度和预测精度.     

基于灰导数和预测系数的GM（1,1）优化模型

针对GM（1,1）模型的适用范围是近指数情况,提出了将优化灰导数与利用原始序列模拟的相对误差平方和最小估计预测系数c相结合的方法,从而得到一种简化计算的新GM（1,1）优化模型,该模型的预测公式x（0）（k）=ce-ak在形式上比较简洁,并且经严格指数序列从理论上验证了参数a具有白化指数律重合性,预测系数c具有白化系数重合性.     

两种近似计算GM(1,1)参数的有效方法

给出了两种计算灰色模型参数的新方法,并证明通过这些方法所求的预测公式均具有白化指数律重合性,伸缩变换预测公式具有形式不变性,具有齐次性(或称具有伸缩变换一致性).并通过实例展示了方法的简易性和有效性.     

基于小生境遗传算法的非等间隔灰色直接模型

建立了具有白指数律重合性的非等间隔灰色直接模型 ,给出了模型参数优化的小生境遗传算法 .应用这种方法 ,对某住宅楼的地基沉降进行了非等间隔预测 ,取得了很好的效果 .     

灰色模型的最优化及其参数的直接求法

基于灰色模型的内涵表达式和白化方程响应式均为等比级数的观点,提出了一种不用求ago值、均值,不涉及灰色微分方程,白化微分方程概念,直接求灰色模型参数a,c的方法,通过此方法建立的新模型不仅从理论上可保证是在满足给定评价标准为模拟绝对误差平方和最小(或模拟相对误差平方和最小)、给定精度条件下的最优化模型,从而结束了灰色模型只有更优,没有最优的历史.并从理论上证明了新模型具有白化指数律重合性、白化系数律重合性,伸缩变换一致性.最后通过实例编程验证该方法具有可操作性,且预测精度高,效果好.     

基于分数阶累加的灰色GM(1,1|sin)模型及其应用

本文研究了灰色模型对振荡序列的预测问题.在已有GM(1,1|sin)模型的基础上,利用分数阶算子对原始序列进行累加生成的方法,获得了分数阶累加GM(1,1|sin)模型的表达式;以平均相对误差最小化为目标,利用粒子群算法求解非线性优化问题,获得了模型的最优参数.最后以城市交通流的模拟预测为例,结果表明本文提出的模型比GM(1,1|sin)模型具有更高的模拟精度,推广了GM(1,1|sin)预测模型的结果.     

一类准指数序列的模型优化

在传统GM(1,1)模型基础上,结合最小二乘法原理提出:对本身已具有准指数规律的原始序列直接进行建模,并在此基础上对新模型背景值进行适当优化.克服传统GM(1,1)模型建模过程中的盲目性,并提高了拟合与预测精度.     

用Simpson公式构造背景值的GM(1,1)建模新方法

提出了用Simpson数值积分公式构造背景值的GM(1,1)建模新方法,并通过算法分析和一些实例说明了该方法对很多时间序列应用方便,且其模型的拟合精度也比一些文献中的建模方法有明显改进.认为所提出的方法是建立GM(1,1)预测模型时值得考虑的一个新方法,这不仅将对GM(1,1)建模方法的理论研究提供必要的算法依据,而且...     

基于信息再利用的灰色系统GM(1.1)模型建模方法及应用

目的:寻找新的灰色系统GM(1.1)模型建模方法,建立拟合精度与预测精度较高的GM(1.1)模型.方法:在邓聚龙教授建模方法的基础上,用基于信息再利用的方法,建立新的灰色系统GM(1.1)模型.结果:用基于信息再利用的灰色系统GM(1.1)模型建模方法建立的GM(1.1)模型,其拟合精度与预测精度不但优于传统方法建立的GM(1.1)模型,而且优于其他改进方法建立的GM(1.1)模型.结论:基于信息再利用的灰色系统GM(1.1)模型建模方法不但建模过程简单适用,而且其建立的GM(1.1)模型拟合精度与预测精度优于其他改进方法建立的GM(1.1)模型,因而具有广泛的应用价值.     

加权累加生成的GM(1,1)模型及其应用

根据灰色系统理论中的新信息优先原理知新信息对认知的作用大于老信息的作用,而传统的累加生成没有体现原始数据中新信息的重要性.针对这一问题提出了加权累加生成的概念,并对加权累加生成在单调性、灰指数规律、凸性等方面的性质进行了研究,得到加权累加生成序列具有单调递增性,具有较强的指数规律,并具有下凸性,然后建立了基于加权累加生成的GM(1,1)模型.通过具体算例的计算表明,加权累加生成的GM(1,1)模型的模拟和预测精度比传统的GM(1,1)模型模拟和预测精度高,从而说明了该法的有效性.     

基于粒子群算法的变权累加生成的GM(1,1)模型

根据灰色系统的新信息优先原理可知新信息对认知的作用大于旧信息的作用,而传统的累加生成没有体现原始数据中新信息的重要性.针对这一问题引入了变权累加生成的方法,并对变权累加生成在单调性、灰指数规律、凸性等方面的性质进行了研究,得到变权累加生成序列具有单调递增性,具有较强的指数规律,并具有下凸性,这些性质是高精度建模的保证,然后建立了基于变权累加生成的GM(1,1)模型,并运用粒子群算法确定了变权累加生成的权重.通过具体的算例计算表明,变权累加生成的GM(1,1)模型能够提高模型的模拟和预测精度.     

同时优化背景值和灰导数的新非等间距GM(1,1)模型

结合GM(1,1)的建模过程,提出了以原始序列的一次累加生成序列为背景值的非等间距序列GM(1,1)模型的最原始形式;并基于灰模型的非齐次指数特性和求导的定义,从灰导数在离散点的生成出发,同时优化最原始的非等间距灰微分方程的灰导数和背景值,并建立新非等间距灰模型;新模型不仅提高了灰模型的拟合精度和预测精度,且拓宽了GM(1,1)的适用范围.     

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.     

单调序列的非齐次GM(1,1)模型

GM(1,1)模型的白化解为齐次指数形式,而一般数据呈非齐次指数形式,存在形式上的差异.本文运用非齐次级比与非齐次指数函数的对应关系,对原始序列中相邻数据做差处理,得到新的序列,将非齐次指数序列转换为齐次指数序列,再建立GM(1,1)模型.实例表明,运用初值优化和非齐次化能提高GM(1,1)模型的精度.