基于自相关理论的GM(1,1)和GM(1,N)联合预测

通过引入自相关分析，将GM（1，1）与GM（1，N）两者的优点有机结合，运用GM（1，1）预测模型所需的数据量，达到GM（1，N）预测模型所具有的预测精度，减少灰色模型的预测误差。     

岭回归在修正多重共线性中的应用

以2000-2010年四川省CPI的数据及部分影响因素为基础,运用SPSS17.0对CPI数据建立多元线性回归模型,并基于岭回归对模型中的多重共线性进行修正,得到了修正后的模型,说明此方法具有一定的实用性。     

在解决多重共线性问题上岭回归法比LS法的优越性

由于回归模型中解释变量之间多重共线性的存在,常常给许多问题的解决带来不便之处。因此,给出了一个岭估计优于LS的充分条件,其目的在于说明在解决多重共线性问题上,岭回归法比LS法优越。     

对灰色模型GM（1,N）的建模改进

灰色系统理论是我国学者邓聚龙教授提出的一种新型理论，已成功地应用到社会经济的各个领域。就整个理论体系看，灰色模型GM（1，N）应为灰色系统理论的核心部分，它是预测、决策和控制的基础。在笔者学习灰色模型理论和实际建模时发现，GM（1，N）模型对变量变化率王背景值的处理还有些武断，本文对此提出改进办法，供商榷。一、对GM（1，N）的建模改进GM（1，N）是一阶微分方程型的模型，它仅涉及一个变量的变化率。不失，般性，可以只讨论最简单的GM（1，1）模型。GM（1，1）模型的化形式是：dX于十ax一如．＿＿＿＿＿，，＿，＿d…     

一种优化组合的GM(1,N)模型

针对GM(1,N)模型在模拟与预测方面的不足,提出了GM(1,N)模型的一种优化组合方式.第一步是在原GM(1,N)模型灰微分方程上添加一个扰动因素,然后利用优化的背景值确定相应的新参数;第二步利用“最小二乘法”得到模型白化方程近似解中新的初始条件,进而得到一种新的GM(1,N)模型的模拟表达式实例验证表明,新GM(1,N)模型的适用范围明显拓宽,而且模拟和预测精度均大大提高.     

复共线性条件下广义岭估计的改进

对于复共线性条件下线性回归模型的广义岭估计进行了进一步的研究。针对线性回归模型病态的根本原因,提出了一类新的估计——0-K型广义岭估计。研究这一估计的性质,证明利用0-K型广义岭估计技术可以改进广义岭估计(在均方残差意义下)。文中的方法为病态线性回归模型系数的有偏估计提供了改进的技术途径。     

复共线性条件下广义岭估计的改进

对于复共线性条件下线性回归模型的广义岭估计进行了进一步的研究.针对线性回归模型病态的根本原因,提出了一类新的估计--0-K型广义岭估计.研究这一估计的性质,证明利用0-K型广义岭估计技术可以改进广义岭估计(在均方残差意义下).文中的方法为病态线性回归模型系数的有偏估计提供了改进的技术途径.     

Markov残差修正的灰色GM(1,N)模型在粮食产量预测中的应用

将灰色理论和Markov预测方法用于中国粮食产量的预测。运用灰色关联分析,从众多影响粮食产量的因素中确定了影响粮食产量的主要因素为：乡村从业人员、农作物有效灌溉面积、粮食作物播种面积、受灾面积。以粮食产量作为特征变量,以影响粮食产量的主要因素作为选定变量构建了粮食产量的灰色GM（1,5）预测模型,并对我国粮食产量进行拟合和预测。为了捕获粮食产量时间序列的随机波动性,使用马尔可夫模型对GM（1,5）模型的残差进行修正,以便改善预测精度。实例结果：事后检验阶段GM（1,5）模型的平均绝对百分比误差为15.45%,灰色Markov模型的平均绝对百分比误差为5.625%。灰色Markov模型能够提高预测的精度,是一种有效的、具有鲁棒性的预测方法。     

GM(1,1)模型中的扰动分析

用Moore-Penrose广义逆阵来处理GM(1，1)模型中的参数a,u，给出了GM(1，1)等维新陈代谢模型的新模型与旧模型的参数关系，并分析了a,u的扰动对GM(1，1)模型还原后的模型计算值的影响．     

GM(1,N)模型在工程建筑物变形分析中的应用

针对工程建筑物变形中存在的变形因素复杂、变形大小不确定性、点位间主次关系不明确等情形,将灰色系统中的多维GM(1,N)模型引入到工程建筑物变形监测分析中进行多点分析,研究工程建筑物的变形规律,合理预测未来的变形趋势。利用关联分析方法确定有效因子,综合分析系统受不同监测点影响的因素,通过工程实例进行了分析、建模和验证,建立了相应的GM(1,2)或GM(1,3)模型,提高了模型精度,为工程建筑变形分析提供了有效的分析方法和手段。     

灰色预测模型GM（1，1）的修正

应用样条函数对灰色预测模型ＧＭ（１，１）的残差序列进行插值，将插值后的残差表示式作用于微分动态模型，用最小二乘法则进行参数辨识，从而建立残差的时间响应式，并以此修正ＧＭ（１，１）模型。经实例检验，修正后的模型精度有显著提高。     

GM(1,1)和GM(1,N)联合模型在自来水厂自动加矾系统预测中的应用

通过引入自相关分析,将GM(1,N)模型预测精度高的优点和GM(1,1)所需统计数据数量少的优点,两者有机结合形成一个联合预测模型,运用于自来水厂自动加矾系统,进一步提高灰色模型的预测精度,并证明了该方法在实际应用中的可行性.     

Predicting GM(1,N)Model for the Coefficient of Variation of Hectometer Yarn's Weight

The Coefficient of Variation(CV)of hectometer yarn's weight is one of the guidelines to evaluate its intrinsic quality.In the spinning manufacturing,the control of cotton yarn's weight unevenness is accomplished mainly in terms of a spot-check on semi-product and a succedent adjust in process parameters during spinning based on technicians' experience.However,it is theoretically believed among manufacturers that with fixed technical levels and parameters in the spinning process,the quality parameters of ass...     

特殊数据的广义岭估计的迭代算法及其实现

提出了对自变量个数大于样本容量的特殊数据的广义岭估计的迭代算法,设计了2种Monte Carlo搜索岭脊方法;通过模拟研究说明了该算法简单、速度快,直观,适用于加权情况,同时第2种搜索岭脊法在估计系数、RSS和PRESS方面具有良好的表现。     

灰色GM（1，1）优化模型

在分析了GM（1,1）模型的建模机理的基础上,指出了传统建模方法存在的问题,同时给出了基于GM（1,1）的逐步优化模型的方法,该方法提高了模型的精度和适应性。     

GM(1,1)模型建模的一种方法

根据ＧＭ（１ ,１） 模型的特点,通过在原始数据序列前加一个数的方式,提出了ＧＭ（１ ,１） 模型建模的一种方法－ 该方法克服了直接用原始数据序列建立模型的原有方法不能利用第一点数据的缺陷,提高了原始数据利用率,在短数据序列的场合可得到改善的模型结果     

优化灰色GM(1,N)-加权Markov模型在道路交通噪声预测中的精度研究

通过对北京市2007年至2016年城市道路交通噪声及相关影响因素数据分析,以GM(1,N)模型为基础,建立了优化灰色-加权Markov模型,为有效控制交通噪声污染提供理论依据和决策意见。首先,利用平滑公式对原始数据进行预处理,用数值积分中的Simpson公式改变背景值来提高传统多因素GM(1,N)模型精度。其次,用加权Markov模型对得到的模拟值中的异常值进行了修正,将其应用到城市交通噪声的预测上,实证计算表明优化灰色GM(1,N)模型的模拟值与实际值拟合效果很好,比传统的GM(1,N)模型精度有较大提高。最后,用该模型对北京市2017年和2018年城市交通噪声进行预测,基本符合噪声数据实际变化趋势。     

装载机销售量的优化Verhulst直接模型研究

利用灰色系统理论,研究了装载机销售量的优化Verhulst GM(1,1)直接模型,该模型不需要累加生成和累减生成,适合于等间距和非等间距数据建模.计算实例表明,该预测模型有更好的适应性和更高的精度,使用方便,值得推广使用.表1,参9.