灰色Verhulst 拓展模型的病态性问题

有效判定灰色模型的病态性是进行灰预测建模的关键. 为了揭示灰色Verhulst 拓展模型建模参数在原始序列存在微小扰动下的变化规律, 以矩阵谱条件数为工具对该模型灰导数的背景值进行分类证明. 结果表明, 灰色Verhulst 拓展模型不存在严重病态性. 采用灰色Verhulst 拓展模型进行预测建模, 模型的解不会因系统原始数据在收集过程中存在微小误差而产生显著漂移现象.

     

具有主观取值倾向的离散灰数预测模型及其应用

针对灰色理论既有成果尚无法对具有主观取值倾向的离散灰数序列建立预测模型的问题,通过构建标准离散灰数“核”序列、“灰单元格”面积序列以及元素“取值可能性”序列的灰色预测模型群,实现离散灰数及其元素取值可能性大小的预测,从而建立具有主观取值倾向的离散灰数预测模型.将所提出的模型应用于空气监测点空气污染指数(API)的模拟及预测,取得了较好的效果,对拓展灰色预测模型的应用范围具有积极意义.     

基于核和面积的离散灰数预测模型

灰色预测模型的既有研究成果均以实数或区间灰数为建模前提,缺乏对以离散灰数为建模对象的灰色预测模型进行有效研究．对此,分别建立了离散灰数序列核及灰单元格面积的预测模型,并在此基础上推导了基于离散灰数序列的灰色预测模型;应用分析验证了该模型的有效性及实用性．离散灰数预测模型对丰富与完善灰色预测模型的理论体系、拓展灰色预测模型的应用范围具有积极的意义．     

灰色Verhulst-BP网络组合模型在预测中的应用研究

在灰色Verhulst模型和BP神经网络理论的基础上,对两者的结合方式进行了研究,提出了部分数据Verhulst模型组的概念,得到了一种结合灰色Verhulst与BP神经网络的组合预测模型。利用BP神经网络建立部分数据Verhulst模型组与原始数据之间的非线性映射关系,克服了小样本时间序列数据在神经网络训练时的缺陷。实验结果和仿真验证表明,该组合预测模型具有较高的预测精度和良好的稳定性。     

基于广义“灰度不减”公理的区间灰数预测模型

区间灰数是灰色预测的基本研究对象之一, 针对其中蕴含的灰度信息, 在充分挖掘和拓展“灰度不减”公理的基础上, 建立基于广义“灰度不减”公理的区间灰数预测模型. 通过准灰度因子对区间灰数上下界进行灰度最大化处理, 保证建模过程中的灰度不减, 并根据区间灰数序列灰度走势得到的灰度因子进一步修正模型, 提高预测的可靠性. 最后通过实例验证了模型的有效性和实用性.

     

基于灰色Verhulst模型的短期风速预测研究

风速预测在保持风力发电系统稳定、风力发电功率预报、风电并网接入等方面都具有重要的应用.为了提高风速预测的精确性,提出了一种基于新陈代谢思想的灰色Verhulst模型的风速预测方法.该方法首先对灰色GM (1,1)模型和灰色Verhulst模型进行改进,其次引入了“新陈代谢”的概念,即在每一次风速预测的迭代过程中用风速真实序列的最新数据替代原有序列的最老数据,在不增加迭代维数的条件下,不断更新灰色Verhulst模型,将更新后的Verhulst模型进行优化,实现精确的风速预测.通过对实际风场风速数据的采集,运用该灰色Verhulst模型预测风速.实践仿真结果表明,与传统预测方法相比,此方法能有效的降低短期风速预测的误差,应用前景十分广阔.     

灰色Verhulst 预测模型的数乘特性

为揭示灰色Verhulst模型的建模精度在系统原始特征序列数乘变换前后的变化规律,降低其建模复杂性,研究了灰色Verhulst模型的建模参数在系统原始特征序列经过数乘变换前后的量化关系以及数乘变换对该模型建模精度的影响程度.研究结果表明,灰色Verhulst模型的建模精度与系统原始数据序列的数乘变换无关.利用数乘变换能降低原始数据的量级,简化建模过程,而不会改变灰色Verhulst模型的建模精度.     

灰色Verhulst模型在短时交通流预测中的应用

为提高短时交通流预测模型精度,分析了GM(1,1)模型和灰色Verhulst模型的特点,发现GM(1,1)模型适用于具有较强指数规律的序列,只能描述单调的变化过程,而Verhulst模型则适用于非单调的摆动发展序列或具有饱和状态的S形序列。短时交通流某一时段内数据具有饱和状态S形过程的特性,采用Verhulst预测模型比GM(1,1)模型具有更高的预测精度。利用2007年10月21～23日6:00～8:25的交通流数据进行实验,结果表明:Verhulst模型的预测精度明显优于GM(1,1)模型。     

变压器故障灰色Verhulst预测模型的研究

针对变压器试验在时间上具有非等间隔的特点,对传统等间隔Verhulst灰色模型进行了改进,提出了基于非等间隔Verhulst灰色模型的变压器故障预测方法.建立了非等间隔Verhulst灰色预测模型,该模型不仅考虑了预测数列的非等间隔性,还从初始条件选择、背景值改造等方面对原有模型进行了改进,实例验证表明本文提出的方法具有较高的精度.     

新型灰色Verhulst 预测模型的参数特性

在灰色Verhulst 模型建模机理的基础上, 考虑相关因素对系统预测精度的影响, 构建一种新型灰色Verhulst 模型. 分析该模型参数在系统特征序列与相关因素序列经数乘变换前后的量化关系, 并分析数乘变换对该新模型建模精度的影响程度. 研究结果表明, 新型灰色Verhulst 模型的建模精度与系统相关因素序列的数乘变换有关, 而与系统特征序列的数乘变换无关. 研究结论认为, 利用数乘变换可降低该模型的建模复杂性.

     

基于灰色聚类的群决策方法研究

采用非线性变换对区间灰数形式的决策信息进行规范化处理,并由决策者问差异度最小构建优化模型,确定指标权重.考虑到在决策者较多的情况下对决策者进行聚类处理可以提高决策质量,给出了决策者决策信息的灰色关联度的计算方法,并基于灰色关联度提出了对决策者进行分类的灰色聚类算法.在此基础上,提出了对聚类后各决策者类的决策信息集结的决策模型.最后通过一个实例说明了所提出方法的可行性和有效性.     

基于灰数带及灰数层的区间灰数预测模型

针对传统灰色预测模型仅适用于实数序列而无法进行灰数序列预测的缺陷,通过计算灰数层的面积以及灰数层中位线中点的坐标,在不损失已有灰数信息的前提下,将区间灰数序列转换成实数序列,然后建立一种基于区间灰数的新灰色预测模型.算例仿真验证了所提出模型的有效性及实用性.     

基于正负靶心的多目标灰靶决策模型

考虑实际决策环境的不确定性和复杂性,提出一种具有多目标、多指标、多局势的灰靶决策模型.首先,将各局势在相应目标下的各指标集结为目标综合效果评价值,从而简化复杂的多层决策问题;然后,集成各局势到正负靶心的空间投影距离,提出一种新的综合靶心距,并以综合靶心距最小化准则为目标函数构建非线性优化模型来求解最优的目标权重;最后,以某种产品的零部件绿色供应商的选择为例,验证了基于正负靶心的多目标灰靶决策模型的有效性和实用性.     

基于灰色凸关联度的面板数据聚类方法及应用

研究面板数据的聚类方法。基于二维灰色凸关联度,用二阶差商近似代替二阶导数,利用黑塞矩阵的半正定性在三维空间中定义凸度;用数据的凸性表征样本之间的相似程度,提出了三维灰色凸关联度的概念,讨论了三维灰色凸关联度的性质。实例分析表明,三维灰色凸关联度能够较好地反映面板数据的关联程度。     

基于灰关联深度系数的评价指标客观权重极大熵配置模型

在多属性决策领域中,经典评价指标客观赋权的极大熵模型主要依据指标评价值的差异度进行赋权,极易导致对评价值差异度小的指标作出不重要(权值小)的错误判断,从而产生决策偏差.对此,首先提出灰关联深度系数的概念,以表征指标客观权重包含的信息量大小;同时运用极大熵理论建立评价指标客观权重的极大熵配置模型,以确定多属性决策指标权重,较好地解决了经典模型存在的严重缺陷;最后通过实际案例的对比分析,验证了所提出解决方案的优良性能.     

一类区间粗糙数型多属性决策方法研究

研究属性值为区间粗糙数,具有属性优先序信息的多属性决策问题.首先给出粗糙属性值的规范化公式;然后基于区间粗糙数的相离度定义,建立以极大化属性值的离差为目标的最优化模型来确定各属性权重;进而基于粗糙算术运算以及期望值算子,计算出各方案的期望效用值,从而获得各方案的排序;最后通过数值例子表明了所提出方法的有效性.     

基于矩阵条件数的NGM(1, 1, k) 模型病态性研究

针对灰色NGM(1,1,k)模型的病态性问题,以矩阵谱条件数作为测量其病态性的工具,对该模型背景值在不同取值下的系数矩阵谱条件数分类进行了分析与证明.研究结果表明,当且仅当系统原始数据序列为常数列时,NGM(1,1,k)模型才会出现严重病态性问题,而此时进行灰色预测建模毫无实际意义.最后通过实例对该模型的病态性进行了实验分析.研究结论认为,通常情况下灰色NGM(1,1,k)模型并不存在严重病态性问题.     

基于正态分布区间数的信息不完全的群决策方法

针对属性值为正态分布区间数而属件权重信息不完全的多属性群决策问题,定义了一些新的集成算子,即正态分布区间数的加权算术平均(NDINWAA)算子、正态分布区间数的有序加权平均(NDINOWA)算子和正态分布区间数的混合加权平均(NDINHA)算子,进而提出一种幕于正态分布区间数的信息不完全的多属性群决策方法.该方法利用NDINWAA算了和NDINHA算子对正态分布区间数属性值进行集成,利用正态分布区间数属性值的方差,通过建立优化模型确定最优属性权重,利用期望-方差准则对方案进行排序并择优.实例分析表明了该方法的可行性和有效性.     

一种基于多神经树集成的分类模型

针对数据挖掘领域分类问题的特点.提出了基于多神经树集成的分类模型(CMBNTE).该模型利用改进遗传规划算法和粒子群算法,实现单个神经树模型的优化;借鉴集成学习思想,将多个神经树模型组合成最终的分类模型.在6个UCI数据集上的实验结果表明,该模型能较好地解决分类问题,尤其适用于多分类属性的复杂分类问题.     

基于二型三角诱导OWA算子的多准则决策方法

定义了二型三角模糊数的相关概念、运算规则和可能度公式,并针对隶属度难以用精确数进行衡量的多准则决策问题,提出了基于二型三角诱导OWA算子的多准则决策方法。该方法通过二型三角诱导OWA算子确定方案的综合准则值,并由二型三角模糊数的可能度公式计算出综合准则值的排序,进而得到方案的排序。最后通过实例分析验证了所提出方法的有效性和可行性。