变权缓冲算子及其作用强度的研究

针对传统缓冲算子不能实现作用强度的微调,从而导致缓冲作用效果过强或过弱的问题,构造了变权弱化缓冲算子和变权强化缓冲算子．研究了缓冲算子调节度与可变权重之间的关系,并用遗传算法探讨该类缓冲算子的优化问题．研究结果表明,可变权重在功能上类似于高阶作用算子,但控制缓冲算子作用强度的灵活性则明显优于高阶缓冲算子．最后以我国能源消费总量的预测问题为例,验证了变权缓冲算子的有效性和优越性．

     

平滑变权缓冲算子构造及其性质

针对变权缓冲算子信息利用不充分以及权重选择问题, 提出一类新的平滑变权缓冲算子. 研究了该缓冲算子的性质, 证明了平滑变权缓冲算子对序列具有弱化作用并能够提升序列光滑性, 得出了平滑变权缓冲算子调节度的递推不等式; 通过多目标优化方法来确定可变权重取值, 构造可变权重的优化目标函数, 并结合遗传算法来确定权重的最优取值. 实例分析表明, 所提出的平滑变权缓冲算子能够有效提高建模精度.

     

一类幂弱化缓冲算子及其性质研究

针对经典弱化缓冲算子的固定结构问题,将可变参数引入弱化缓冲算子,构造若干实用的幂弱化缓冲算子,并分析可变参数与幂弱化缓冲算子作用强度之间的关系.通过调整可变参数的数值,实现对算子作用强度的有效控制.结果表明,经典弱化缓冲算子是幂弱化缓冲算子的特殊情形,幂弱化缓冲算子在控制作用强度方面的有效性明显优于传统缓冲算子.最后,通过实例验证了幂弱化缓冲算子的有效性与优越性.     

全信息变权缓冲算子的拓展、优化及其应用

针对冲击扰动系统的建模预测问题,对全信息变权缓冲算子进行拓展,提出两类含幂指数的全信息变权缓冲算子,并从理论上揭示强化缓冲算子与弱化缓冲算子的转换关系.在此基础上,给出新算子参数优化机理以及具体算法,并探讨算法的时间复杂度问题.最后,以全国风力发电装机容量的冲击扰动数据预测为例,验证算子的有效性和优越性.结果表明:所提出的新算子及其优化算法在不增加时间复杂度的条件下,能够显著提高缓冲算子对冲击扰动系统的适应能力和灰色模型的预测精度.此外,全信息变权强化(弱化)缓冲算子为新算子的特殊形式,当幂指数取值为1时,新算子退化为全信息变权强化缓冲算子;当幂指数取值为-1时,新算子退化为全信息变权弱化缓冲算子.     

基于折衷型变权向量的直觉语言决策方法

研究一种基于折衷型变权向量的直觉语言决策方法. 首先, 定义折衷型变权向量, 提出与之对应的状态变权向量; 其次, 研究利用马氏效用函数诱导出折衷型变权向量; 再次, 定义直觉语言变量运算法则和大小比较方法, 提出直觉语言信息变权加权平均算子和直觉语言信息变权加权几何平均算子, 进而提出一种初始属性权重确定且属性值以直觉语言形式给出的多属性决策方法; 最后, 通过实例表明了所提出方法的有效性和合理性.

     

灰色预测中缓冲算子的组合性质及应用

通过研究同性缓冲算子作用样本数据序列所得灰色预测模型的预测精度问题, 发现同类缓冲算子对于相同样本数据序列的预测值一致, 对于具体预测问题, 某个缓冲算子在此类问题中有效, 用到另一类问题上可能失效. 为此, 提出一种同性缓冲算子的组合方法, 通过对同性缓冲算子的有效组合可以得到一种新的缓冲算子, 该缓冲算子不但能够提高模型的预测精度, 而且可以扩大缓冲算子的适用范围. 实例验证表明, 所提出的组合方法是有价值的.

     

基于自适应调节的灰色滚动预测模型及对碳排放趋势预测

利用有限数据预测发展趋势是数据建模领域广泛存在的问题,采用灰预测模型处理此类问题时会面临适应数据不规则波动特征的挑战性.在灰预测模型基础上提出适应数据特征的滚动建模方法,结合双参数的变权缓冲算子建立一种{AGRM(1,1)     

缓冲算子调节度与光滑度的关系

针对如何选择合适的缓冲算子以提高模型精度的问题, 系统地研究缓冲算子调节度与光滑度的内在关系, 并对平均强化缓冲算子(ASBO)、几何平均强化缓冲算子(GASBO)、加权平均强化缓冲算子(WASBO) 和加权几何平均强化缓冲算子(WGASBO) 的调节度与光滑度进行了比较研究, 给出了若干定理. 理论证明和数字仿真结果都y验证了定理的正确性.     

基于反向累积法的强化缓冲算子序列的研究

在灰色系统理论缓冲算子公理体系下,利用反向累积和的概念.构造了l阶反向累积和算术平均强化缓冲算子及l阶反向累积和几何平均强化缓冲算子.给出并证明了其强化缓冲算子的性质和算子作用后序列之间的大小关系.该类算子具有普适性,当阶数等于1时即为党氏强化缓冲算子.最后通过一个实例验证了该算子的有效性.     

一类新的弱化缓冲算子的构造及其应用

利用灰色系统理论,在对缓冲算子和已有弱化缓冲算子研究的基础上,构造一类新的弱化缓冲算子,并研究其一些特性及内在关系,有效解决了冲击扰动数据序列在建模预测过程中经常出现的定量预测结果与定性分析结论不符的问题.实例分析结果表明,这类新的弱化缓冲算子能显著提高数据预测模型的预测精度.     

广义依赖型不平衡语言集结算子及其在多属性决策中的应用

针对属性值是不平衡语言的多属性决策问题,提出了广义依赖型不平衡语言有序加权平均算子和加权广义依赖型不平衡语言有序加权平均算子.该类算子相关联的权重向量赋权的特点是对有偏见的评价赋予较小的权重,从而削弱不公平性对评价结果的影响,使决策结果更加合理.推导其数学表达式,探讨相关性质,并将其应用到多属性决策中.同时,分析了参 数$\lambda$的变化对决策结果的影响.最后通过比较分析结果表明了所提出算子的有效性.     

几类强弱缓冲算子的构造方法及其内在联系

基于最基本的缓冲算子x(k)d=∑ni=kωix(i)/∑ni=kωi变形,获得了几类范围大大拓宽的实用缓冲算子的构造方法,并揭示了这几类缓冲算子的内在联系.同时揭示了强化缓冲与弱化缓冲的对应关系,即指数γ由正到0,由0到负的变化,导致缓冲算子由弱(强)化到不变化,由不变化到强(弱)化的过程,揭示了由量变到质变的过程.研究表明,现有的大量缓冲算子都是所构造的缓冲算子的特例,此外还包括许多与常见文献中类型迥然不同的新算子.     

基于单调函数的新弱化缓冲算子研究

在灰色系统缓冲算子公理体系下,构造了2类新弱化缓冲算子,并将其与党氏弱化缓冲算子进行比较,论证了党氏弱化缓冲算子为新算子的特例,从而大大地拓广了弱化缓冲算子的应用范围.对序列前一部分增长(衰减)速度过快,而后一部分增长(衰减)速度过慢的冲击扰动系统数据序列,在建模预测过程中常常出现的定量预测结果与定性分析结论不符的问题,提供了多种解决方案,首次将缓冲算子的构造与函数联系起来,从而为缓冲算子的构造开辟了新方向.     

Adaptive linguistic weighted aggregation operators for multi-criteria decision making

In this paper, we propose new aggregation operators for multi-criteria decision making under linguistic settings. The proposed operators are based on two sets of criteria weights. Besides the primary conventional criteria weights, we introduce a method to deduce secondary criteria weights from the criteria evaluations, which reflect the role of the different criteria in discriminating among the alternatives. The properties of the proposed operators are investigated. An approach for the application of the said operators in a group multi-criteria decision making problem is presented. Following the same, the proposed operators are applied in a case study on supplier selection. The empirical validation of the proposed operators is performed on a set of 12 real datasets.Note: All usages of he, him, his in the paper, also refer to she, and her.     

基于一类新的强化缓冲算子的GM(1,1)预测精度研究

根据灰色系统理论中新息优先利用原理,在对缓冲算子和已有强化缓冲算子研究的基础上,构造了一类新的强化缓冲算子,有效解决了冲击扰动数据序列在建模预测过程中常常出现的定量预测结果与定性分析结论不符的问题.实例分析结果表明,这类新的强化缓冲算子能显著提高GM(1,1)模型的预测精度.     

On the consistency of the blocked neural network estimator in time series analysis

We describe a nonlinear regression problem, where the regression functions have an additive structure and the dependent variable is a one-dimensional time series. Multivariate time series with unknown time delay operators are used as independent variables. By fitting a feedforward neural network with block structure to the data, we estimated the additive regression function and, parallel to this, the time lags. We present the consistency proof of neural network weights estimator and the time lag estimator independently from each other. In the practical part of the article, we present the useful feature of blocked neural networks to estimate the relevance measures of each input variable in a simple way. Furthermore, we propose an approach to solve the well-known variable selection problem for the class of nonlinear multivariate beta-mixing time series models considered here. Finally, we apply the methodology to an artificial example.