改进背景值的非等间距GM(1,1)模型

背景值是影响非等间距GM(1,1)模型精度的重要因素之一。在积分重构理论的基础上,对背景值进行研究,针对一次累加序列的非齐次指数形式这一特点,通过非齐次指数函数拟合方法对背景值的构造进行改进,提出了一种改进背景值的非等间距GM(1,1)模型,应用实例表明了该方法的有效性。     

非等间距GM(1,1)模型背景值构造方法及应用

背景值是影响灰色系统理论建模精度的重要因素之一。为提高灰色模型的预测精度,对非等间距GM(1,1)模型中的背景值构造进行了研究,提出了用x(1)(t)在区间[ki,ki 1]上的中点实际值作为背景值。该背景值计算简洁,适应性强,提高了非等间距GM(1,1)模型精度,拓广了非等间距GM(1,1)模型的适用范围。并应用改进的非等间距GM(1,1)对钛合金疲劳强度随温度变化的关系进行建模,取得了满意的效果,数据拟合精度高达98.8%。建模结果表明了该文提出的方法的有效性。     

残差非等间距GM(1,1)模型及应用

为了提高灰色系统的预测精度,人们从理论与实践中不断探索新的建模方法,从模型自身特性出发改进灰色模型。通过对传统的GM(1,1)模型进行差分运算,推导出非等间距GM(1,1)模型,扩展了模型的应用范围;从背景值的几何意义出发,指出背景值的积分构造形式比均值生成的形式更加合理,并给出了积分背景值的数学表达式;在一次拟合结果的基础上,为了进一步提高模型的精度,对一次拟合的结果进行了残差分析,并建立了灰色残差模型,通过把灰色残差模型得到的数据依次补偿到一次拟合结果上,得到了残差修正的灰色GM(1,1)模型。通过对热处理实验中渗碳浓度的数据处理结果显示,残差GM(1,1)模型较好的描叙了渗碳浓度和深度的关系。该模型对工程数据的处理具有一定的参考价值和指导意义,为灰色模型的应用提供了一个有效的方法。     

新息与等维新息非等间距GM(1,1)模型及其应用

为了提高灰色理论中模型的预测精度,通过分析积分重构GM(1,1)模型,将积分获取背景值的方法应用到新息和等维新息模型中,并且将模型的适用范围从等间距进一步扩展到非等间距。通过实例比较了新息和等维新息模型,结果表明:新息模型将预测的新信息补充到原始序列,能很好的反映系统的发展;而等维新息模型随着系统的发展,不仅添加新信息,而且除去老信息,这样的处理方式比仅仅添加新信息的方式具有更好的预测效果;这些结论丰富了灰色系统的模型,为灰色理论的运用提供了一个有效的方法。     

一种初值修正的非等间距GM(1,1)模型及其等价模型

通过为白化微分方程是{dx(1)(t)/dt+ax(1)(t)=u x(1)(k1)=x(0)(k1)的非等间距GM(1,1)模型选取修正初值x(0)(k1)+β,建立了白化微分方程为{dx(1/dt+ax(1)(t)=u x(1)(k1)=x(0)(k1)=x(0)(k1)+β的一种新的初值修正非等间距GM(1,1)...     

非等间距GM(1,1)组合预测模型

根据灰色模型建模特点,利用等维灰色递补动态预测模型的方法建立了非等间距GM(1,1)预测模型。基于这些GM(1,1)预测模型给出了一类非等间距GM(1,1)组合预测方法。实例表明结果理想可靠,有较高的拟合和预测精度。     

非等间隔无偏GM(1,1)幂模型及其应用

为了使GM(1,1)幂模型适合于非等间隔数据建模,构建了一类新的非等间隔GM(1,1)幂模型,利用变量代换,将非等间隔GM(1,1)幂模型的白化方程化为GM(1,1)模型的线性白化方程形式,从而通过灰微分方程的正确构建,建立了非等间隔无偏GM(1,1)幂模型。将非等间隔无偏GM(1,1)幂模型应用到单桩极限承载力预测中,预测结果显示非等间隔无偏GM(1,1)模型适合于渐近极限荷载预测,非等间隔无偏GM(1,1)幂模型适合于预测按沉降控制法得到极限承载力。     

优化背景值的GM(1,1)模型组合改进

针对提高模型的拟合效果.在GM(1,1)模型基础上,提出改进方案生成紧邻生成序列.利用组合预测思想,结合BP神经网络预测算法对改进后的灰色模型做进一步的优化修正,同时引用新陈代谢灰色模型理论成为BP-GM(1,1)等维新息模型.该模型充分利用了两种预测方法的优势,适当的减小了单个模型预测时的误差.数据拟合结果表明:BP-GM(1,1)模型具有更好的拟合精度,该模型应用范围更广.     

非等间距GM（1，1）模型背景值的改进及其应用

根据模型的指数特性以及积分特点,以数据曲线在每个区间[k_(i-1),k_i]与坐标轴所围成的梯形面积作为模型背景值z~(1)(k_i)与z~(1)(k_(i-1))的差值,并对其进行修正,从而达到对传统非等间距GM(1,1)模型进行优化的目的.最后采用实例进行验证,并将结果同其他文献的拟合精度进行对比,从而验证算法的有效性与可行性.     

线性组合背景值构造在GM(1,1)模型中的优越性分析

在假设原始数据为齐次指数序列的前提下,基于3种GM(1,1)模型缺陷分析理论,以灰微分方程和白化方程匹配为目标得出权值完全相同的线性组合背景值构造,指出原始数据为近似齐次指数序列时需要重新确定权值.仍以灰微分方程和白化方程匹配为目标得出新的权值求解方法.实例应用结果显示线性组合背景值构造形式预测精度最高.     

优化背景值的GM(1,1)

为了提高模型的拟合精度,提出了一种新的改进GM(1,1)模型.从优化GM(1,1)模型背景值的定义出发,推导出利用原始数据生成的背景值公式,将其与经过优化的初始条件结合,构造出改进的GM(1,1)模型.此模型将在很大程度上消除由于背景值的选取所产生的误差.对该模型进行数据模拟,通过与原模型中数据的比较、分析,验证出新的优化模型具有更好的模拟精度,说明该模型的有效性,可以将其应用于对其它数据的拟合预测.     

灰色GM（1,1）模型的改进

在分析灰色GM(1,1)模型缺陷的基础上,导出了背景值构造法中权值p的精确表达式.由于GM(1,1)模型拟合式默认经过了初始点,与实际情况并不一定相符,因此在初始值中加入了扰动因子m,并以遗传算法求取了m值的大小.实例证明了模型的改进可以提高预测精度.     

基于有理插值函数的GM(1,1)模型背景值重构

基于有理插值函数的方法,提出了一类新的灰色预测模型RIGM(1,1),改进了原有模型中背景值的构造方法,克服了现有GM(1,1)模型的不足,为提高预测精度提供了新的途径。较之其他方法,具有较高的预测精度和较小的计算量。最后以中国总消费的数据为例,验证了本方法的有效性。     

灰色GM（1,1）模型的改进及其在CPI预测中的应用

针对传统GM(1,1)模型的改进方法复杂、使用范围有限、预测精度不高等问题,本文对传统GM(1,1)模型的背景值进行理论分析并改进,用二次插值的方法重新构造背景值。在此基础上对原始数据通过滑动平均法进行初值预处理,给出改进的模型,最后运用其进行短期预测,仿真结果证明了此改进模型的有效性和可行性,为提高预测精度提供新的途径。     

基于蚁群算法的GM(1,1)幂模型参数优化

为了提高GM(1,1)幂模型的精度,将平均相对误差函数和偏差平方和误差函数分别看成是幂指数、发展系数、灰作用量以及初值的函数,通过蚁群算法进行参数辨识.根据两类误差函数最小化原则得到两组参数估计值,再利用这两组参数估计值的凸组合优化模型的参数,通过最大相对误差最小化确定凸组合权系数.实例表明,基于蚁群算法和参数估计凸组合优化改进的GM(1,1)幂模型,其建模精度高于传统GM(1,1)幂模型,同时也说明该优化方法是有效的和可行的.     

GM(1,1)模型的改进

由于最小二乘法的稳健性有一定的局限性,使得GM(1,1)模型的拟合精度有时并不理想.为提高预测精度,在分析比较最小一乘法和最小二乘法优缺点的基础上,改变了GM(1,1)模型的参数估计方法,用普通最小一乘法和折扣最小一乘法代替了原来的最小二乘法.最后通过实例验证了该改进方法的有效性.结果表明,改进的GM(1,1)模型准确度有较大提高.     

网格计算方法在GM(1,1)模型背景值优化中求组合系数的应用

给出了一种利用网格算法来求灰色微分方程中最优组合系数的方法,此方法能够避免迭代误差,从而达到提高灰色模型的模拟精度和预测精度的目的。最后通过实例说明了此方法的可行性,并从平均相对误差、最大相对误差、绝对误差平方和等多种角度展示了新模型的优越性。