基于灰作用量优化的分数阶灰色预测模型研究

针对小样本振荡型数据序列的灰建模预测问题,提出基于灰作用量优化的分数阶GM(1,1|sin+cos)预测模型.在已有经典GM(1,1|sin)的基础上,一方面,将一阶累加灰生成拓展为分数阶累加灰生成,使得构建的模型更加符合新信息优先原理.另一方面,将灰作用量b_1 sin pk+b_2改进为b_1 sin pk+b_2 cos qk+b_3,其作用是通过增加余弦函数项cos qk,使得具有两个不同周期的运动项cos qk与b_1 sin pk+b_2叠加复合之后,能够生成更加贴近于振荡原始序列趋势和特征的时间响应序列,从而得到拟合精度较高的灰色模型.其次,对建模过程的时间响应式、模型参数p和q的最优估计问题进行了研究,构造了最优累加阶数r、参数p和q的粒子群优化算法,得到的优化模型实现了某些类型振荡序列较高精度的预测.实际数据例子结果表明,所建立的模型能够较好地模拟常见振荡型数据序列的波动趋势和特征,具有较强的适用性和拟合性能.     

基于分数阶GM(1,1)与BP神经网络的电力负荷预测

传统的灰色GM(1,1)和BP神经网络模型存在对原始序列依赖高,收敛速度慢等缺点.将分数阶累加的思想引入GM(1,1)模型,再用逐层训练算法改进传统的BP神经网络.基于我国2010-2014年的电力数据,构建分数阶GM(1,1)与BP神经网络组合模型,预测2015年和2016年的总发电量.实证结果表明,该组合模型比GM(1,1)模型,分数阶GM(1,1)模型以及GM(1,1)与BP神经网络组合模型具有更好的数据拟合效果,更高的预测精度.     

两类向量值BMOqΦ(X)空间上鞅的q阶均方算子的有界性

证明了鞅的q阶均方算子S⁽(q))(·)在两类BMO空间BMO^q_φ(X)和wBMO_q^φ(X)上有界的充要条件是X同构于q一致凸Banach空间,所得结果给出了Banach空间的q一致凸性新的等价刻画形式,并且将已有文献中的相关结论进行了推广.     

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.     

一般粗糙拟微分算子的(q,r)有界性

本文考虑粗糙拟微分算子T_a的(q,r)有界性,其中振幅a∈L^pS_ρ^m(p≥1,m∈R,0≤ρ≤1).当0pS_ρ^m,T_a是L^q到L^r有界的.这个结果在多个方向推广或者改进了已知结论,并且在一般情况下r,m的范围不能改进.     

数形结合 另解一道数学竞赛题

<正>2017年全国初中数学邀请赛第11题:已知二次函数y=x²+2mx-3m+1,自变量x及实数p、q满足4p2+2mx-3m+1,自变量x及实数p、q满足4p²+9q2+9q²=2,1/2x+3pq=1,且y的最小值为1.求m的值.解由1/2x+3pq=1可得x+6pq=2,即2p×3q=2-x.∵4p2=2,1/2x+3pq=1,且y的最小值为1.求m的值.解由1/2x+3pq=1可得x+6pq=2,即2p×3q=2-x.∵4p²+9q2+9q²=2,∴4p2=2,∴4p²+2×2p×3q+9q2+2×2p×3q+9q²=2+2×(2-x)=6-2x,即(2p+3q)2=2+2×(2-x)=6-2x,即(2p+3q)²=6-2x.     

复数阶GM(1,N)模型及其应用

针对传统和分数阶的GM(1,N)模型不能较好的调整新旧信息权重的问题,通过将模型的阶数从实数拓展到复数,则可以同时调整实部与虚部、新信息与旧信息之间的权值,建立复数阶的GM(1,N)模型(简记为CAGM^z(1,N)模型).并采用复数编码粒子群算法对数据进行求解,从而获得更好的预测结果.最后分别以某地道路交通事故、某地粮食产量数据等为例,运用CAGM^z(1,N)模型进行计算比较,结果表明:CAGM^z(1,N)较GM(1,N)模型有更低的平均误差、更好的精度.     

单位球上F(p,q,s)空间的分解和刻画

设p>0,s ≥ 0,q>max{-n-1,-s-1},本文探讨了单位球上F（p,q,s）空间的一种等价刻画和分解问题.具体结果为：（1） f∈ F（p,q,s）当且仅当f∈ H（B）,且I^p=sup_a∈B∫_B|R^α,γf（z）|^p（1-|z|²）^q+pγ-p（1-|φ_a（z）|²）^sdv（z）<∞,其中α>-1 和γ>max{0,1-（q+s+1）/p,1-（q+n+1）/p}. （2） 若{d_k}∈ ∫^p,则存在序列{w_k}⊂B,使得 f（z）=∑_k=1^∞（d_k（1-|w_k|²）^t+1）/（1-k>）^{t+（q+n+1）/p}）（z∈B）属于F（p,q,s）,其中t>max{1-1/p,0}（q+n+1）+max{1/p,1}s-1.     

基于模糊时间序列模型的CPI预测方法研究

构建模糊AR(p)时间序列模型,对CPI进行了预测,通过实际数据模拟发现,与传统的ARIMA模型相比,模糊AR(p)时间序列模型预测的效果更好.     

分数阶p-拉普拉斯问题在有拓扑结构的域上的多解（英文）

本文研究了分数阶p-拉普拉斯问题■其中Ω?■^N是有连续边界的有界开区域,N> ps,s∈(0,1),(一△)_p^s是分数阶p-拉普拉斯算子,μ是正的实参数,1 s^*),p_s^*=N_p/(N-ps)是分数阶Sobolev临界指数.本文应用Lusternik-Schnirelmann定理,证明了当q=p,N≥p²s或q∈(p,(p_s^*),N>(p(q+1)s)/(q-p+1)时,分数阶p-拉普拉斯问题在有拓扑结构的有界开区域上至少存在cat_Ω(Ω)个非平凡解.     

GLOBAL WELL-POSEDNESS FOR FRACTIONAL NAVIER-STOKES EQUATIONS IN VARIABLE EXPONENT FOURIER-BESOV-MORREY SPACES

In this paper we study the Cauchy problem of the incompressible fractional Navier-Stokes equations in critical variable exponent Fourier-Besov-Morrey space F N^s(·)p(·),h(·),q(R³)with s(·)=4-2α-3/p(·).We prove global well-posedness result with small initial data belonging to FN^4-2α-3/p(·)p(·),h(·)q(R³).The result of this paper extends some recent work.     

Hardy型算子在径向——角向混合空间上的最佳界（英文）

本文运用旋转方法算出了n维Hardy算子H在径向—角向混合空间上的最佳界.进一步,当0<ββ从L_|x|^p L_θ^p(Rⁿ)到L_|x|qL_θ^q(Rⁿ)上的最佳界.通过对偶建立了共轭算子H^*和H_β^*的相应结果.此外,还考虑了算子H的最佳弱型估计.     

反向累加GOM(1,1)模型的四种基本形式及比较

为进一步拓展基于反向累加生成的灰色预测模型GOM(1,1)的应用范围,构建了GOM(1,1)模型的四种基本形式:均值GOM(1,1)模型、离散GOM(1,1)模型、原始差分GOM(1,1)模型和均值差分GOM(1,1)模型,然后从理论上分析了各种模型之间的关系.最后通过构造不同特征的序列对四种模型的适应性进行比较研究,得到了一些结论,为在实际应用中选择合适的模型提供了参考依据.     

基于非等时距加权灰色模型与神经网络的组合预测算法

非等时距预测算法在不等时间间隔序列的趋势分析与预测方面具有重要作用．在传统灰色预测理论的基础上,提出一种基于非等时距加权灰色模型和神经网络的组合预测算法．通过构建非等时距加权灰色预测模型,将原始数据序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,以真实反映时间序列发展对预测结果的影响．在此基础上,引入BP神经网络对灰色预测的残差序列进行修正,进一步提高了预测精度．经算例验证,该算法预测精度达到1级,且高于类似算法．     

调和级数的增减性问题——Adamouic—Toskovic问题的彻底解决

一、引言本世纪中叶,Lucic和Djokovic给出不等式:设 Su(p,q)=1/pn 1 1/pu 2 … 1/qn 1/qn 1 (其中n,p,q∈N,p相似文献   

基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究

本文深入分析了灰色预测模型、自回归移动平均(ARIMA)模型和BP神经网络模型的预测特性和优劣,并在此基础上建立了由ARIMA、GM(1,1)和BP神经网络集成的时间序列预测模型。针对呈现趋势变动性和周期波动性二重特性的时间序列,首先建立GM(1,1)模型对序列的趋势项进行预测,然后建立基于ARIMA和BP神经网络的组合模型对序列的周期波动项进行预测,最后用乘积模型对二者预测值进行集成。GDP时间序列实证结果表明:集成模型的预测效果显著高于单一模型,从而证实了集成模型用于GDP预测的有效性.     

累加生成的改进和GM(1,1,t)灰色模型

根据卷积变换可提高变换序列光滑度的特性和累加生成的机理,对灰色建模中的序列生成方式和GM(1,1)模型加以改进,用线性序列对建模序列作卷积变换,建立带线性时间项的灰色模型GM(1,1,t),实例计算结果表明GM(1,1,t)模型的模拟精度较GM(1,1)模型有较大提高且适用范围更广.     

ARMA序列协方差阵求逆和参数估计

§1.引言 如何求ARMA(p,q)序列的N个样本的协方差阵Γ_N的逆,已有不少人研究过。这个问题不但有理论上的重要意义,而且可应用于参数估计中。对于(p,0),(0,1)阶序列,较早就已得到结果,但对一般的(p,q)阶序列,近年来才有进展。在一维情形,[2]将Γ_N的求逆化为p+q阶阵求逆和一些递推算法;[1]进一步把求逆的阶数从p+q降低为r=max{p,q}。也就是说,虽然对一般的(p,q)阶序列,Γ_N~(-1)诸元不能象(p,0),     

分数阶反向累加非等间距GM(1,1)模型及应用

针对非等间距递减序列的预测问题,首先构建了一阶反向累加非等间距GM(1,1)模型(简称为非等间距GOM(1,1)模型),并给出了模型参数的最小二乘解和可用于预测的离散时间响应式.为进一步提高模拟预测精度,利用分数阶累加思想,提出了分数阶非等间距GOM(1,1)模型.以平均模拟相对误差最小化为目标,建立非线性规划模型可求解得到最优阶数.最后,以数值模拟和钛合金疲劳强度随温度变化预测为例,证实了该文提出模型的有效性和实用性.