基于上凸序列的GM(1,1)模型及其优化

针对GM(1,1)模型对上凸序列建模时会出现误差较大的情况进行了研究.首先分析了GM(1,1)对上凸序列建模时的残差变化规律,然后通过分析得出了残差变化规律的精确描述,同时证明了残差序列的几个性质定理.基于残差序列的性质定理提出了基于上凸序列建模的残差修正GM(1,1)模型.将新模型与多种改进的GM(1,1)模型进行对比,实证结果表明新模型具有很高的模拟预测精度,并且适用于一切上凸序列的建模.     

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.     

基于随机振荡序列的GM(1,1)模型性质及其应用

为了提高GM(1,1)模型对随机振荡序列的拟合和预测效果,提出了先将原始振荡序列变为单调增长序列,再对单调增长序列进行几何平均生成交换,然后建立GM(1,1)模型.通过实例计算表明,方法能够提高GM(1,1)模型的拟合精度,可以用于随机振荡序列的建模,从而扩大了GM(1,1)模型的应用范围.     

基于灰模型的区间模糊数时间序列预测

研究了基于灰模型的二元区间和三角模糊数时间序列的预测方法.目前以GM(1,1)模型为代表的灰色预测模型只适用于精确数序列.改进了GM(1,1)模型的定义型方程中的参数形式,使方程能适用于几类常见区间模糊数序列.接着,基于区间模糊数的计算准则,分别具体给出了二元和三角模糊数GM(1,1)模型(BIFGM(1,1)和TFGM(1,1))的预测过程.模型对于区间模糊数的界点序列的发展系数进行了加权平均处理,以此保证了区间模糊数序列发展态势的整体性.最后进行了实例应用,验证了模型的有效性.     

基于数据变换的优化GM(1,1)模型

本文研究了提高灰色GM(1,1)模型预测精度的问题.利用复合函数变换对原始数据序列经过一定处理的基础上同时优化模型的背景值和初始值的方法,获得了比改进单个模型条件更高预测精度的GM(1,1)模型,推广了灰色预测模型的适用范围.     

灰色系统预测模型GM(1,1)背景值重构研究

分析了灰色系统预测模型GM(1,1)对高增长指数序列建模适应性较差的原因,通过重构背景值计算公式,建立了一个适应性极强的灰色系统预测模型NGM(1,1),该模型具有对建模结果进行优化的能力.算例结果表明该模型对低增长指数序列和高增长指数序列建模都能获得最佳的拟合和预测精度,对经济、工程和自动控制等领域中的预测问题有较高的理论价值和实践意义.     

灰色振荡序列GM(1,1)模型及在城市用水中的应用

GM(1,1)模型是城市用水量预测的一种有效的方法,但利用GM(1,1)模型难以反映序列的随机波动性。本文提出的平移变换和几何平均变换方法,不仅能构造更适合建立GM(1,1)模型的单调递增序列,也能有效地弱化原始序列的随机性,并保持其单调性,使其变化梯度趋于平缓。通过大连市2000～2006年用水量的预测结果表明,此方法能够反映出城市用水量所具有的波动特性,提高GM(1,1)模型的预测精度,可应用于对灰色振荡序列建立GM(1,1)模型,从而扩大了GM(1,1)模型的应用范围。     

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.     

灰色预测GM(1,1)模型的改进及应用

应用自动寻优定权的方法和最小二乘法,研究了灰色系统理论中灰色预测GM(1,1)模型的预测公式的形成过程,发现灰色预测GM(1,1)模型在形成预测公式时对背景值和初始值的规定是不尽合理的,且现有的改进方法对灰色预测GM(1,1)模型的改进还不尽完善.为了提高灰色预测GM(1,1)模型的预测精度,提出并使用自动寻优定权对背景值进行选择,基于最小二乘法原理对灰色预测GM(1,1)模型的初始值进行改进.实例结果表明,提出的改进方法是有效和完善的,对灰色预测GM(1,1)模型的预测精度也有较大的提高.     

一类GM(1,1)模型白化方程的优化

利用灰色模型的指数特性,对一类灰作用量优化的GM(1,1)模型,通过积分构建合适的背景值,并把白化方程中灰作用量b_1+b_2t改进为(b_1+0.5b_2)+b_2t,同时采用灰色系统理论的新信息原理,进而得到优化的GM(1,1)灰色模型.实例计算表明改进模型具有良好的模拟预测精度,特别对于指数序列模拟和预测精度几乎达到100%,对指数序列来讲是一种比较优秀的拟合和预测模型.     

关于Hardy-Hilbert积分不等式的推广

本文通过引入适当的参数，及如下形式的权系数（ｘ＋β）１－ｔｋｔ（ｒ）－ｌｎ２α＋βｘ＋β１－１／ｒ，ｘ∈［α，∞）（α－β，ｒ＞１，１－１／ｒ＜ｔ１）．而使Ｈａｒｄｙ－Ｈｉｌｂｅｒｔ积分不等式得到有意义的推广．这里ｋｔ（ｒ）＝∫∞０１（１＋ｕ）ｔ１ｕ１／ｒｄｕ，常数ｌｎ２＝０．６９３１４７１８＋．     

GM(1,1)的周期修正模型及其在泉水流量预测中的应用

本文阐述了 GM( 1 ,1 )的残差周期修正模型 ,并将它应用于山西神头泉的流量预测中 ,建立了神头泉流量的 GM( 1 ,1 )周期修正模型 ,对其流量进行了预测 ,为神头泉域岩溶水资源开发利用和保护提供了科学依据     

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.     

正则纯整群带的算子半群和同余网

正则半群Ｓ的同余格（Ｓ）上的算子Ｋ，ｋ，Ｔ和ｔ定义如下：对于ρ∈Ｓ，ρＫ和ρｋ（ρＴ和ρｔ）分别是与ρ有相同核（迹）的最大和最小同余．我们确定了所有正则纯整群带的同余格上由Ｋ，ｋ，Ｔ和ｔ生成的算子半群．并确定了正则纯整群带上任意同余的同余网．     

也谈实二次域类数的可除性

设ｄ无平方因子，ｈ（ｄ）是二次域Ｑ（ｄ）的类数，本文证明了：若１＋４ｋ２ｎ＝ｄａ２，ａ，ｋ＞１，ｎ＞２为正整数，且ａ＜０．９ｋ３５ｎ或ｎ的奇素因子ｐ和ｋ的素因子ｑ均适合（ｐ，ｑ－１）＝１，则除（ａ，ｄ，ｋ，ｎ）＝（５，４１，２，４）以外，ｈ（ｄ）≡０（ｍｏｄｎ）．同时，我们猜测：上述结果中的条件（ｐ，ｑ－１）＝１是不必要的．     

分次环与局部化

设Ｇ是有限群，Ｒ是有单位元的Ｇ－型分次环，Ｓ是包含在Ｒ的所有齐次元素组成的集合内的乘法封闭子集，Ｓ＝ｘ∈Ｇａｅ（ｇｘ，ｘ）ａ∈Ｓ，Ｄｅｇ（ａ）＝ｇ∈Ｇ｛｝，Ｓ＝＝ｘ∈Ｇａｅ（ｇｘ，ｘｈ）ａ∈Ｓ，Ｄｅｇ（ａ）＝ｇ∈Ｇ，ｈ∈Ｇ｛｝，ＭＧ（Ｒ）表示以Ｇ的元作为行列标的｜Ｇ｜阶矩阵环．本文证明了Ｒ关于Ｓ满足左Ｏｒｅ条件当且仅当Ｒ＃Ｇ关于Ｓ满足左Ｏｒｅ条件当且仅当ＭＧ（Ｒ）关于Ｓ＝满足左Ｏｒｅ条件，而且，Ｓ－１（Ｒ＃Ｇ）≌（Ｓ－１Ｒ）＃Ｇ和Ｓ＝，－１（ＭＧ（Ｒ））≌ＭＧ（Ｓ－１Ｒ）．     

基于蚁群算法的灰色组合预测模型

分别利用灰色GM(1,1)模型、GM(1,1)优化模型和新息GM(1,1)模型建立三个单项预测模型,进一步建立了组合灰色预测模型,组合模型的权系数利用蚁群算法确定.最后给出了一个我国人口数量组合预测模型,计算结果表明,基于蚁群算法的灰色组合预测模型的拟合和预测精度要优于传统组合预测模型.     

二分图中含有完美对集的2因子

该文证明若G是2n阶均衡二分图，δ(G)≥(2n-1)/3，则对任何正整数k，n≥4k时，任给G的一个完美对集M，G中存在一个包含M的所有边的恰含k个分支的2 因子(k=1，n=5且δ(G)=3除外）. 特别k=2时，在条件n≥5且δ(G)≥(n+2)/2下，结论也成立. 这里所给的δ(G)的下界是最好的可能.      

GM(1,1)模型灰色作用量的优化

通过把GM(1,1)模型中的灰色作用量b改进为动态的b_1+b_2k,从而构建了对灰色作用量优化的GM(1,1)模型.通过实例的验证以及与GM(1,1)模型对比,发现优化的GM(1,1)模型的模拟精度和预测精度均较高.     

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...