优化MGM(1,n)模型及其应用研究

从最小二乘估计的适用条件出发,在建立MGM(1,n)模型前,先采用BoxCox变换对原始数据进行变换,以解决或缓解误差项的正态性偏离问题.首先,以模型拟合平均误差最小化为目标,建立非线性优化模型,在参数的置信区间内,应用PSO(Particle Swarm Optimization)算法求最优解.然后,应用求解得到的参数,建立优化MGM(1,n)模型.在实例分析中,将优化MGM(1,n)模型应用于深基坑围护结构变形预测,实验结果表明通过对原始数据做合适的Box-Cox变换,能够有效提高模型的拟合及预测精度,拓广多变量灰色预测模型的适用范围.     

矩阵运算中结果校验的快速判别方法

给出了对矩阵的初等变换、分块矩阵、矩阵的秩、矩阵的逆、合同矩阵和相似矩阵等矩阵运算结果进行快速校验的若干判别条件.实际教学效果表明,学生对矩阵运算结果的正确性判断能力明显增强,学生的学习兴趣显著提高.     

基于灰色时滞OBGM-BP神经网络模型的滑坡变形预测

旨在研究大气降雨因素影响下的滑坡变形预测.文章首先使用时滞灰关联分析提取滑坡位移相对降雨量的滞后期特征;然后将该时滞因子引入多变量OBGM(1,N)模型,构建带时滞因子的一种新OBGM模型,以模拟滑坡位移序列趋势特征;以BP神经网络模型拟合具有较强随机性的滑坡位移偏离量;最终建立带时滞因子的灰色OBGM-BP神经网络组合模型来预测滑坡位移.应用模型对长江三峡库区新铺滑坡作实际模拟和预测,结果显示本文模型具有较强的趋势跟踪性能和有效性,对制定滑坡灾害防治策略和措施具有一定实际参考意义和辅助决策作用.     

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.     

基于灰关联的GOM((p,q))(1,2)-BP神经网络模型及AQI预测

基于分数阶反向累加生成构建一种新的GM(1,2)模型,为使所构建模型能更好贴近和反映两个累加生成序列指标之间的真实关联关系,提出了基于不同序列采用不同累加阶数的GOM⁽(p,q))(1,2)模型.首先通过灰关联模型识别并筛选与特征序列关联度最大的相关因素序列,然后建立不同累加阶数的灰色模型,通过带压缩因子的粒子群优化算法求解模型最优阶数p和q,最后运用BP神经网络修正GOM⁽(p,q))(1,2)的模型值,构建GOM⁽(p,q))(1,2)-BP神经网络组合模型.模型应用于武汉市空气质量指数的预测,结果表明与单一模型相比,组合模型具有更好的性能和建模精度.