灰色预测控制的无偏GM(1,1)模型

灰色预测控制已在过程控制中得到了广泛应用,控制器的核心模型是GM(1,1)模型,该模型是有偏差的指数模型.作者导出了GM(1,1)模型的偏差公式,并在此基础上提出了无偏GM(1,1)模型.本文介绍无偏GM(1,1)模型,并用实例显示了无偏GM(1,1)模型的优越性.     

灰色GM(1,1)模型在雷达寿命试验中的应用

介绍了灰色预测的基本原理和常用的GM(1,1)模型的建立及修正方法,并提出了其使用条件。最后通过具体实例,验证了该方法在雷达装备寿命试验数据处理中的可行性。     

灰色GM(1,1)模型优化研究进展综述

灰色预测技术是灰色系统理论的重要分支之一。 分别从灰生成技术、边值条件的改进、背景值的改进、模型参数估计方法改进、残差序列的优化、综合优化6个方面对近年来灰色预测模型中的GM(1,1)模型优化研究现状进行了比较全面的介绍,同时也对灰色GM(1,1)预测模型未来的发展方向提出了一些建议。     

基于灰色GM(1,1)模型的故障预测方法

首先介绍灰色GM(1,1)模型,但该模型的预测精度往往受原始序列光滑度的影响,对于不能够满足光滑度的序列,预测精度并不高。提出一种通过变换原始序列来改善光滑度的方法,并将此方法应用于故障预测中,取得了良好的效果。通过用MAT-LAB对实例仿真并进行精度检验说明,提出的方案在故障预测精度上有明显的提高。     

自适应GM(1,1,λ)模型及其适用范围

为解决传统GM(1,1)模型存在的问题,在运用积分中值定理证明含有自适应因子λ∈(0,1)的背景值构造方法可行性的基础上,将该方法引入传统GM(1,1)模型的定义型,推导出了GM(1,1)定义型预测公式,构造了具有自适应能力的GM(1,1,λ)模型.通过理论证明和数据模拟实验两方面的研究结果表明自适应GM(1,1,λ)模型能够克服现存问题,并将模型的适用范围扩大为发展系数a∈(-1/λ,1/1-λ),大于传统GM(1,1)模型的适用范围a∈(-2,2),且可用于高增长序列建模,比传统GM(1,1)模型具有更高的拟合和预测精度.     

基于向量变换的离散GM(1,1)模型病态性

离散GM(1,1)模型建模时的病态性会导致模型的不稳定.运用向量的数乘和旋转变换研究离散GM(1,1)模型的 病态性问题, 发现离散GM(1,1)模型的病态性产生的原因与累加向量和全1向量的长度比值和夹角有关.运用数乘 和旋转变换将矩阵转化为良态矩阵, 用以解决离散GM(1,1)模型的病态性问题.算例结果表明, 向量变换是解决离散GM(1,1)模型 病态性的一种有效的方法.     

基于组合插值的GM(1,1)模型背景值的改进*

针对 GM(1,1) 模型预测误差偏大的问题,对GM(1,1)模型背景值的构造形式进行了研究。为了能够更加有效地降低GM(1,1)模型的预测误差,提出了基于辛普森3/8公式和牛顿插值公式的组合插值方法来构造出新的GM(1,1)模型的背景值。在GM(1,1)模型的建模过程中,由于原始建模数据序列中的第一个数据没有参与建模, 导致原始数据序列的数据资源利用效率降低,影响了GM(1,1)模型预测精度。因此,可以通过把灰色协调系数b加在原始建模数据序列前面的方法,使第一个数据能够参与到GM(1,1)模型的建模过程中。为了检验模型的改进效果,进行了原始建模数据类型分别为纯指数型数据序列、稳定型数据序列和缺失型数据序列的三组实验。对每组测试实验的预测结果进行对比分析,可以发现,基于组合插值方法对GM(1,1)模型的背景值进行改进,可以极大地降低GM(1,1)模型的模拟和预测误差。改进后的模型具有比较好的预测稳定性,增强了GM(1,1)模型的适用性。     

GM(1,1)模型拓广方法研究与应用

为了拓广GM(1,1)模型的适用范围,对GM(1,1)模型进行了两方面的改进:对初始序列进行预处理以改善其光滑性;用GM(1,1)模型的内涵型代替白化响应式作为新的预测公式.理论分析与实验结果表明,改进模型不仅比传统模型的预测精度高,而且完全适用干对高增长序列建模,拓广了GM(1,1)模型的适用范围.     

灰色GM(1,1)模型及其在电力负荷预测中的应用

讨论了灰色模型GM(1,1)及其改进模型在电力负荷预测中的应用.从灰色理论建模特点出发,提出使用加权均值生成原始数据序列的数据生成方法,在进行平滑的非负电力负荷数据序列的预测中取得了较好的效果.通过后验差检验,对传统的灰色系统GM(1,1)模型和加权均值的GM(1,1)模型进行了比较分析.实例证明,加权均值生成数据的方法进行建模具有较好的精度,在实际电力预测系统中有很好的应用价值.     

非等间隔GM(1, 1, ????) 幂次时间项模型及其应用

GM(1, 1, ??^??) 幂次时间项模型是灰色GM(1, 1) 模型的推广. 在灰色GM(1, 1) 模型和等间隔GM(1, 1, ??^??) 幂次时间项模型的基础上提出非等间隔GM(1, 1, ??^??) 幂次时间项模型, 并对模型进行求解. 讨论了GM(1, 1, ????) 幂次时间项模型的曲线形状、发展系数以及幂指数间的关系, 研究了非等间隔GM(1, 1, ??^??) 幂次时间项模型的参数空间. 将平均相对误差看成幂指数的函数, 根据序列形状判断幂指数的范围, 并利用粒子群算法求解幂指数. 实际应用验证了所提出模型的有效性.

     

基于互逆分数阶算子的GM(1,1) 阶数优化模型

在互逆的分数阶累加生成算子和分数阶累减生成算子的基础上, 建立分数阶算子GM(1,1) 模型, 均值GM(1,1) 模型是当?? = 1 时的特例. 给出分数阶算子GM(1,1) 模型最小平均相对误差下最优阶数的粒子群优化算法.多个验证实例表明, 通过对阶数进行优化, 分数阶算子GM(1,1) 模型可具有比GM(1,1)、DGM(1,1) 等模型更高的拟合精度.

     

灰色GM(1,1) 分数阶累积模型及其稳定性

基于矩阵扰动理论, 研究利用累积法估计GM(1,1) 模型参数时解的稳定性问题. 研究结果表明: 累积的阶数越高, 解的扰动界越大; 在扰动值相等的情况下, 新数据相比于老数据, 解的扰动界较小; 新数据对解的影响较小, 这与新信息优先原理相矛盾. 对此, 提出分数阶累积法, 当阶数小于1 时, 这种矛盾有所缓解, 解的扰动界也较小. 最后通过具体实例验证了分数阶累积法的实用性与可靠性.

     

具有幂指数律重合性的GM(1,1) 幂模型

针对传统GM(1,1) 幂模型不具备幂指数律重合性的问题, 分别从灰导数和背景值两个方面改进GM(1,1) 幂模型的灰色微分方程, 提出了两种具有幂指数律重合性的GM(1,1) 幂模型并从理论上加以证明. 通过变换将两个具有幂指数律的灰色微分方程转化成完全一致的形式, 在此基础上进行参数估计. 数值模拟和应用实例表明, 具有幂指数律重合性的GM(1,1) 幂模型能够有效地提高模型的模拟和预测精度.

     

基于初始条件优化的一种非等间距GM(1,1) 建模方法

针对非等间距GM(1,1) 模型的预测问题, 提出一种优化初始条件的方法. 以非等间距一阶累加生成序列各分量的加权平均作为优化的初始值, 根据新信息优先原理, 将一阶累加生成序列的序数序列的单位化序列中各分量作为权重, 利用原始序列与模拟序列误差平方和最小的原则确定初始条件中的时间参数, 建立优化的非等间距GM(1,1) 模型. 最后, 通过算例验证了所提出的非等间距优化模型的有效性和可行性, 同时表明了该优化模型可以提高预测精度.

     

近似非齐次无偏GM(1,1) 模型的递推解法及应用

针对传统近似非齐次灰建模可能出现参数复数解的问题, 提出无偏灰色GM(1,1) 模型的递推解法, 从而减少由差分方程向微分方程跳跃而导致误差的问题. 给出不同初始条件下非齐次无偏GM(1,1) 模型的递推预测公式,并在此基础上, 将递推公式运用于时间序列分段, 提出基于近似非齐次无偏GM(1,1) 模型的时间序列分段表示方法. 实例结果表明, 所提出的递推模型能够获得较高的拟合精度, 分析结果验证了基于灰色预测模型在时间序列分段表示中的有效性和实用性.

     

基于QoS 随机性和信任评价的全局动态服务组合

由于Internet环境的开放性和动态性,导致Web服务质量稳定性较差,进而严重影响服务组合的准确度.为此,提出一种基于QoS随机性和信任评价的全局动态服务组合方法.首先,剔除导致客观QoS不稳定的异常值,并估计其真实值;然后,分析服务提供商和用户的信任度,聚合计算主观QoS评价值;最后,结合主、客观QoS约束条件,构建全局动态服务组合优化模型,求解最优组合服务.基于真实和仿真数据的实验结果表明,所提出的方法能够显著提高服务组合的稳定性和准确度.     

GM(1,1) 模型的病态性问题再研究

针对GM(1,1) 模型参数辨识过程中的病态性和稳健性问题, 一方面通过不改变预测精度的数乘变换将模型参数辨识过程中的病态性矩阵转化为良态矩阵, 另一方面利用适当的正交矩阵对原始数据序列实施正交变换, 将模型的参数辨识过程转化为具有递归形式线性方程组的求解过程, 从而避免参数辨识过程中出现的病态性问题, 提高模型的适用性. 最后通过算例和Monte-Carlo 数值模拟进一步验证了所提出方法的有效性.

     

多变量时滞GM(1,??) 模型及其应用

针对具有时滞因果关系的小样本系统建模问题, 提出一种灰色多变量时滞GM(1,??) 模型及其求解方法; 考虑到相关变量累加序列变化量较大的情形下, 驱动项不能被视为灰常量的问题, 给出了时滞GM(1,??) 模型的一种派生模型. 在此基础上, 通过数值仿真和实例分析验证了新模型的有效性. 数值结果表明: 时滞GM(1,??) 模型能够较好地描述和预测含时滞特征的小样本数据系统的运行规律, 不考虑相关因素的时滞作用时, 时滞GM(1,??) 模型退化为经典的GM(1,??) 模型.

     

基于区间特性和变量软约束的模型预测控制算法

针对传统的区间模型预测控制算法的性能指标函数设计复杂, 以及被控变量进入区间后稳态轨迹变化幅度大的缺点, 提出一种区间特性和变量软约束的模型预测控制算法. 该算法仅利用期望输出区间的上下限, 通过预测输出与区间的等式关系构造区间跟踪偏差项, 同时利用预测输出和操作变量的增量二次型构造变量软约束项, 减小区间内的稳态轨迹的变化幅度, 上述两项合称为软约束区间跟踪性能指标项. 以回转窑模型为被控对象进行仿真, 表明了算法的有效性.