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.     

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.     

GM(1,1)改进模型及其应用

根据 GM( 1 ,1 )灰色模型的指数特性 ,通过在区间上求积分给出了关于背景值的一个比较确切的计算公式 ,讨论了由此建立的 GM( 1 ,1 )改进模型的适用范围和预测精度 .结果表明改进模型比原 GM( 1 ,1 )模型适用性要强、模拟和预测精度要高 ,不仅适用于低增长序列、也适用于高增长序列 ,不仅适用于短期预测 ,同样也适用于中、长期预测     

基于分数阶累加的GM(2,1)模型及其改进研究

在传统GM(2,1)模型模型的基础上,通过引入分数阶算子得出了基于分数阶累加的GM(2,1)模型的一般形式。为进一步提高预测精度,提出了一种改进形式,并给出了两种不同方式来确定时间响应式的参数。最后以两个实例验证了本文提出的分数阶GM(2,1)模型及其改进模型的有效性和实用性。     

GM(1,1)模型在粮食产量预测中的应用

本文根据灰色系统理论，利用安徽省１９８８—１９９５年粮食产量资料，运用ＧＭ（１，１）灰色预测模型方法，对“九五”期间安徽省粮食产量进行动态预测，为实现“九五”规划中的粮食产量提供科学的理论依据．     

组合GM(1,1)幂模型及其应用

GM(1,1)幂模型是灰色Verhulst模型的推广.由于初始条件选取影响GM(1,1)幂模型的精度,将平均相对误差函数分别看成是幂指数、发展系数、灰作用量的函数,利用蚁群算法进行参数辨识,从而建立多个单项GM(1,1)幂模型.利用这些单项模型建立了线性组合GM(1,1)幂模型,组合权系数利用最大相对误差最小化原则采用粒子群算法确定.实例表明,组合GM(1,1)幂模型的建模精度高于传统GM(1,1)幂模型,同时也说明方法是有效的和可行的,具有重要的理论意义.     

GM(1,1)模型的改进及其在银行贷款预测中的应用

利用GM(1,1)预测模型,分析中国近年来信贷变化,发现中国信贷规模发展趋势及其信贷结构具有显著的新特征;结合模型的适用条件和预测结果的检验要求,提出了四条思路解决数据缺损导致信息挖掘失真以及如何处理数据中所包含的大量"噪音"等问题,并认为对那些波动较大的数据应采取连续平滑的方法改造原始数据;对于那些有奇异值的原始数据可采用插值法替代它,试验和案例应用印证了改进的模型可以提高预测精度.     

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.     

灰色GM(1,1)模型的改进及其应用

本文在实践的基础上,突破了灰数学中dt=1的限制,根据实际应用的需要,利用最小二乘法的基本原理和灰色GM(1,1)模型的合理内核,重新构造了灰数学的GM(1,1)模型。结合油田的实际问题给出了应用实例,验证了本文所述方法。最后简单讨论了灰色GM(1,1)模型的数学基础。     

GM(1,1)模型在高校选修课开课规模中的应用

针对多所高校普遍存在的选修课供求比例失衡、课程资源配置不够合理等问题,笔者以浙江某高校的历史选课数据为例,利用GM(1,1)灰色预测模型对高校选修课开课数量及其规模进行了预测,并对比了四种模型的预测误差,结果表明二阶算子作用序列下的预测数据可信度较高,并以此为基础讨论了不同类型选修课布局及课程计划管理.     

参数d迭代逼近的GM(1,1)模型及其在技术创新中的应用

首先论述了参数d迭代逼近求解的GM(1,1)模型基本思路.其次,给出了此模型的参数估计与算法,即:1)估算出初始a_l,根据GM(1,1)模型a,c,d之间的关系,由a_l求得C_l,d_l;2)迭代d_l→d_(l+1),再计算a_(l+1),c_(l+1)及平均相对误差mape_l,mape_(l+1);3)多次迭代d_l→d_(l+1),直至|mape_(l+1)-mape_l|ε时,可得mape最小时的最优参数a,c,d值.然后,从理论与实证方面,证明模型是无偏的,且在参数d迭代过程中,a总能取到有意义的值.最后将模型应用于企业技术创新领域之中.     

基于分数阶GM(1,1)的图像去噪

针对传统整数阶GM(1,1)模型无法调节阶次来改善图像去噪性能,采用分数阶GM(1,1)模型来弥补其不足.分数阶GM(1,1)模型可以精确调节累加数之间数量级来达到更好的去噪效果.先通过在经典图像中添加椒盐噪声的去噪对比实验,得出分数阶GM(1,1)模型较GM(1,1)模型有更好的视觉效果,更高的峰值信噪比和结构相似度...     

优化的GM(1,1)模型及其在广东省梅毒疫情预测中的应用

提出了一种基于初始值和背景值同时优化的新GM(1,1)模型,利用广东省梅毒年发病率预测作为研究对象,用以验证所提模型的有效性和准确性,通过计算实例验证了优化模型具有较高的预测和模拟精度.     

GM(1,1)模型的改进及应用

随着经济的飞速发展,对经济的预测已经是必要的手段,本文选择灰色预测模型来预测经济的发展.然而,传统的GM(1,1)模型存在一些不足,往往在数据之间变化很大时得不到理想的结果,预测精度不高.首先对GM(1,1)模型做了简单的介绍,然后通过改进初始值的光滑度和背景值的取值优化模型,最后运用改进的GM(1,1)模型预测兰州市未来几年的经济发展,从预测结果看到在2020年兰州市的全民生产总值将达到6000亿.     

GM(1,1)的改进及其在经济发展预测中的应用

针对传统GM(1,1)在模型参数绝对值较大时参数求解精度较差的问题,采用免疫进化算法对其参数求解方法进行改进,然后将改进后的GM(1,1)应用到四川省的经济发展指标预测,并和采用传统GM(1,1)所得的预测结果进行了对照.结果表明,采用免疫进化算法对GM(1,1)参数求解方法的改进是有效的,改进后的GM(1,1)对四川省的经济发展指标预测结果比传统GM(1,1)的预测结果有明显改进。     

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     

GM(1,1)模型在大开间图书馆流量预测中的应用

首次将GM(1,1)模型用于预测大开间图书馆的书本流量.详细阐述了GM(1,1)模型的建立,及其对大开间图书馆借阅流量的预测.预测结果与真实情况具有良好的一致性,可信度较高.这一工作将对大开间图书馆的借阅量评估起到良好的指导作用,同时也是图书馆设计以及其馆藏量评估的重要参照.     

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.     

改进不等时距灰色GM(1,1)模型及其应用

针对传统不等时距灰色模型(UGM(1,1))的缺陷,分别从背景值优化和模型优化,结合新陈代谢思想,提出了2种改进不等时距灰色模型:新陈代谢不等时距加权灰色模型(MUGM(1,1,w))和改进新陈代谢不等时距灰色模型(AMUGM(1,1)).经算例仿真检验,结果表明:2种改进模型在预测精度和实用性上都优于传统UGM(1,1)模型,其中AMUGM(1,1)模型更是克服了灰色模型不含线性因素的局限,拓宽了灰色模型的适用范围,具有很好的应用价值.