改进灰色GM(1,m)模型在变压器故障预测中的应用

针对灰色模型在预测变压器故障时对波动数据序列的预测误差较大的问题,提出了一种灰色GM(1,m)预测模型改进方案:对原始数据序列进行处理,使其具有更好的指数规律,以满足预测模型对光滑性的要求;对处理过的原始数据序列进行灰关联度分析,以得到各变量之间的关系;优化预测模型的背景值并用其建模;采用等维新息模型预测数据。采用改进的灰色GM(1,m)模型预测某变压器油中7种特征气体的体积分数,所得预测数据的平均残差和后验相对误差均小于GM(1,1)模型和传统GM(1,m)的预测结果,表明其具有更好的预测精确度。     

集成灰色支持向量机预测模型研究与应用

对灰色预测GM(1,1)模型进行了分析,提出了集成灰色支持向量机的预测模型。分别对影响灰色预测GM(1,1)模型精度的背景值的计算、初值的选取以及数据序列的光滑度进行改进,提出了背景GM模型、初值GM模型、光滑度GM模型,并结合支持向量机的特点,将一维原始数据序列通过三个灰色模型得到的三组值作为支持向量机的输入,原始序列作为支持向量机的输出,训练得到最佳支持向量回归机模型。仿真结果表明了该模型的有效性。     

基于变权优化背景值改进的GM(1,1)灰色预测模型及其应用

针对传统的GM(1,1)灰色预测模型背景值采用均等权值导致预测精度不高的缺点,本文提出一种变权优化选择背景值方法。首先将黄金分割搜索和抛物线插值法相结合确定改进GM(1,1)模型的背景值;然后将改进后的背景值代入灰色预测代数递推方程,从而代替传统的GM(1,1)模型中的白化方程;最后选取指数数列进行模拟并结合某高校教师人数的实际统计数据进行仿真实验。结果表明,改进的GM(1,1)模型减少了平均相对误差,提高了预测精度,具有一定的应用价值。     

基于虚拟变量控制的GM(1,N)模型构建及其应用

现实中系统行为特征序列常受到虚拟变量的影响,而此时传统GM(1,N)模型不能准确地描述系统特征的变化规律.将虚拟变量引入传统GM(1,N)模型的灰作用量,构建虚拟变量控制的GM(1,N)模型,讨论新模型的参数求解方法;鉴于背景值对模型精度有着重要影响,利用粒子群优化算法对含有插值系数的背景值进行优化求解;从两个角度提出虚拟变量有效性检验方法.最后,通过河南省农民人均收入预测案例表明,新模型能够准确描述虚拟变量影响下系统特征序列的未来变化趋势.     

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。     

基于灰色理论和BP神经的网络安全态势预测

针对现有的网络安全态势预测方法没有从影响网络安全态势的安全因子入手,不能准确地预测未来网络安全态势,提出了一种基于灰色理论和BP神经网络的预测方法。首先依据灰色模型系数的取值大小选择最合适的背景值,并构造了一种新的模型背景值函数。其次,结合GM(1,1)、GM(1,N)模型预测网络安全态势,并用BP神经网络对态势预测值进行修正。最后,通过真实的网络环境验证了所提出的方法在网络安全态势预测中的有效性。     

改进的G M(1,1)模型及其应用

分析GM（1,1）模型的缺陷,即背景值构造和初始值确定的不足,建立加权背景值和具有修正项的初始值,背景值权值和初始值修正项采用具有全局寻优能力的模式搜索法求解,实例证明模式搜索法优化的灰色GM（1,1）模型提高了预测精度。利用改进后的GM（1,1）模型对网络流量进行预测分析,结果显示改进的GM（1,1）模型优于普通灰色预测模型。     

改进的灰色GM（1，1）预测模型

为进一步提高灰色GM（1,1）模型的模拟精度和预测精度,分析传统GM（1,1）模型存在的缺陷,提出一种改进的GM（1,1）预测模型。对已有GM（1,1）模型的背景值构造公式进一步优化,基于最小二乘法原理改进模型初始值参数的选取策略。对比实验结果表明,改进的模型适用于低增长序列和高增长序列,拓宽了传统GM（1,1）预测模型的应用范围,提高了模拟精度和预测精度。     

多变量时滞阻尼累加灰色模型及其应用

基于现实行为系统中存在的时滞效应和多变量灰色预测系统中需区分新旧信息及预测趋势不可控的情况,通过引入改进的阻尼累加生成算子与时滞系数,提出多变量时滞阻尼累加灰色模型(TLDAGM(1,N))及其扩展形式,模型理论上可达到与传统多变量灰色预测模型的兼容性;讨论模型的参数估计方式及求解方法,给出模型的参数优化方法及具体的建模步骤;将该模型应用于我国高新技术企业产值及河南省粮食产量预测问题中,并与传统多变量灰色预测模型进行比较.结果表明:所提模型的模拟精度和预测精度均显著优于传统多变量灰色预测模型,新模型能够较好地识别多变量行为系统数据中包含的时滞性、重要性及时间序列的趋势因素.实例分析的结果验证了所提模型的合理性、适用性和有效性.     

GM(1,1)数据融合预测模型研究与仿真

研究采用灰色系统理论的数列优化预测问题.传统GM(1,1)模型对光滑性差的数据序列拟合偏差较大,为将GM(1,1)改进模型与数据融合算法相结合,构建一种GM-DF预测模型.首先将几种典型改进方案引入GM(1,1)模型:对原始序列进行幂函数变换,以积分法重构背景值,用累积法进行参数估计;然后从原始序列取不同数据量分别建立GM(1,1)模型进行多次拟合;最后将各次预测值进行数据融合运算得到最终结果.仿真结果表明,将GM-DF预测模型应用于光滑性较差、级比偏差较大的数据序列可获得较高的预测精度.     

基于复化梯形公式的GM(1,1) 模型背景值的优化

背景值是影响灰色理论建模精度的重要因素之一。根据灰色系统理论建模机理以及数据累加生成具有非齐次灰指数规律,构建动态序列模型;基于积分几何意义的视角,利用函数逼近的思想,结合复化梯形公式,提出一种新的GM(1,1)模型背景值优化方法。算例结果表明,利用优化的背景值计算公式所建立的GM(1,1)模型在预测精度上有显著的提高。     

灰色-神经网络综合预测模型

该文提出一种灰色-神经网络综合预测模型。该模型由背景值构造、加权GM(1,1)模型和神经网络补偿器三部分组成。其建模机理为:首先对于原始数列进行背景值构造,然后构建加权GM(1,1)模型,同时利用神经网络补偿器获得误差补偿信号,则最终的预测值为加权GM模型的输出值加上补偿值。仿真结果验证了所提方法的有效性。     

灰色NGM(1,1,k)模型背景值优化方法

传统灰色NGM(1, 1, k)模型的参数估计误差是导致该模型精度不稳定的重要因素,研究面向背景值优化基础上的参数估计方法是提高灰色模型性能的重要手段.通过积分变换,得到与NGM(1, 1, k)模型白化方程匹配的灰色微分方程,推导出背景值优化公式,从而构建背景值优化的新NGM(1, 1, k)模型,并从理论上解释新模型能同时模拟严格齐次和非齐次指数增长序列的原因.进一步通过算例和实例验证了所提出的模型均能显著提高序列的模拟和预测精度.     

An accurate signal estimator using a novel smart adaptive grey model SAGM(1,1)

Grey system theory has been developed for almost 30 years and has obtained many great successes in practical real-life applications. However, conventional grey models show some limitations which affect directly to the model applicability as well as prediction accuracy. Hence, the aim of this paper is a proposition of a novel grey model named ‘Smart Adaptive Grey Model’ – SAGM(1,1) in order to overcome the disadvantages existing in the original grey model – GM(1,1). The proposed model was developed from the GM(1,1) model with three remarkable improvements. The first one is a use of two smartly additive factors to convert any raw data into a grey sequence which satisfies both the raw data checking condition and quasi-smooth condition to perform the grey estimation. The second one is a modification in calculating the background series which affect to the grey model accuracy. And the final improvement is a modification in computing the model output by using a so-called error correcting accumulation (ECA) to eliminate the residual prediction errors. As a result, the SAGM(1,1) model can be applied easily to any practical prediction problem and achieve higher prediction accuracy comparing with the conventional GM(1,1) model. Numerical simulations have been carried out to verify the proposed model.     

基于灰色GM(1,1)模型的时间序列预测研究

基于灰色理论GM(1,1)模型,结合Elman神经网络组成灰色神经网络模型。模型的输出误差作为一个新的时间序列,通过Elman神经网络对误差序列进行拟合和预测,更大限度地减小预测误差。GM(1,1)模型所需要的数据少,方法简单;Elman神经网络是动态的神经网络对历史数据具有高度的敏感性。这种灰色理论与动态神经网络的组合模型,比起单个的预测模型提高了预测精度,通过分析和验证表明,该方法实用有效。     

改进的PSOGM算法在动态关联规则挖掘中的应用

针对动态关联规则挖掘中支持度向量和置信度向量变化趋势的分析和预测,提出一种改进的粒子群优化的灰色模型应用在动态关联规则挖掘中。由于灰色模型在引入背景值后导致在非平稳序列中的预测精度下降,因此有必要引入参数进行修正,通过在粒子群优化算法中引入二次搜索机制,优化求解灰色模型不同时刻的背景值,从而提高粒子群算法的局部搜索能力,进而提高灰色模型的预测精度。通过在Matlab平台上进行实验仿真,数据集采用超市购物数据,结果表明该方法比原始灰色模型、遗传算法优化的灰色模型和标准的粒子群优化的灰色模型具有更高的预测精度。