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.     

无偏非齐次灰色预测模型的直接建模法

针对灰色预测模型拟合非齐次指数序列时的误差,对白化微分方程和参数无偏估计方法展开研 究.首先梳理现有非齐次灰色预测模型,建立NGM(1,1,k)的基本形式;然后从灰导数和背景值两个角度分别优化,提出NGM(1,1,k)的两类无偏基本形式,通过验证两者的统一性得到无偏NGM(1,1,k)的直接建模方法,并且证明该建模方法具有白指数重合性;最后利用6类数据拟合和南京城市天然气供气量两个算例验证了所提出模型的有效性和实用性.     

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.

     

基于直接估计法的NGM(1,1) 模型拓展

从近似非齐次指数序列的GM(1,1) 模型时间响应函数出发, 推导累加序列间的函数递推关系, 并给出求解时间响应函数参数值的直接估计方法. 在此基础上, 构建一种能同时模拟近似齐次和近似非齐次指数序列的新NGM(1,1) 模型, 该模型避免了模型参数估计从差分方程到微分方程的跳跃性误差, 并从理论上解释了新模型能模拟 齐次指数序列和非齐次指数序列的原因. 通过对新NGM(1,1) 模型与既有模型进行比较, 表明了所提出模型具有更优良的模拟和预测性能.

     

灰色DNGM(1,1)预测模型及其优化

传统的灰色GM(1,1)预测模型是针对近似齐次指数序列建立的预测模型。为了拓广灰色预测模型的适用范围,建立了近似非齐次指数序列的灰色DNGM(1,1)预测模型。研究了这种灰色预测模型的性质,证明了这种模型都具有线性不变性,也能够完全拟合非齐次指数序列。考虑到初值条件对灰色模型的影响,对该模型进行了参数优化。数据仿真和实例分析表明,灰色DNGM(1,1)预测模型具有较高的预测精度。     

基于高斯精细积分法的输电线路电磁暂态计算

采用高斯精细积分法计算输电线路电磁暂态问题。将输电线路先在空间上离散,从而在时域中成为了一组的半离散状态的非齐次常微分方程。对于非齐次方程求特解问题上采用了高斯积分法,避免了矩阵求逆的困难,数值精度取决于积分点选取的数量,理论上可以达到任意精度。在求通解方面上采用了矩阵运算技巧,大大减少了运算量。算例分析证明了该方法的有效性。     

灰色欧拉优化模型及其应用

针对一类具有近似幂函数特征的序列建模预测问题,通过引入非齐次欧拉方程,提出一种优化的灰色欧拉模型.对该模型的建模机理、参数估计和时间响应式等进行研究,讨论以误差平方和最小为目标,对灰色欧拉模型的初始点进行优化,研究灰色欧拉模型的3种基本形式和3种优化形式.该模型能很好地拟合幂函数特征的序列,拓展灰色预测理论的体系,扩大灰色预测理论的应用范围.最后,利用中国能源消费量和幂函数拟合两个实例来测试模型的有效性,结果表明,所提出的新模型具有更好的拟合和预测精度.     

近似非齐次指数递减序列NGOM(1,1)模型的构建与优化

针对一类具有近似非齐次指数特征的衰减序列建模预测问题,构建NGOM(1,1)模型,推导出其参数估计的最小二乘解与时间响应函数的表达式.鉴于背景值和初始条件对于该模型作用的复杂性和噪声扰动的不确定性,运用方程组的数据融合技术对背景值进行全局性优化,并利用平均相对误差平方和构建期望函数,实现模型优化目标函数和平均相对误差最小两个准则一致性条件下模型初始条件的最优选择.实例研究表明了所提出模型在处理衰减非齐次序列时具有较高的精度.     

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。     

一种新的灰色预测模型及其建模机理

为了提高灰色模型的预测精度,并拓展其应用范围,针对具有近似非齐次指数律特征的数据序列,构建了一种新的灰色预测模型ＮＧＭ（１,１,k）．通过最小二乘法求出了新灰色模型参数的计算公式,以微分方程作为演绎推理工具,得到了该模型的时间响应序列函数,并对其建模精度进行了理论和实验分析．研究结果表明了所提出的灰色模型的有效性和适用性．     

An Efficient Gradient Forecasting Search Method Utilizing the Discrete Difference Equation Prediction Model

Optimization theory and method profoundly impact numerous engineering designs and applications. The gradient descent method is simpler and more extensively used to solve numerous optimization problems than other search methods. However, the gradient descent method is easily trapped into a local minimum and slowly converges. This work presents a Gradient Forecasting Search Method (GFSM) for enhancing the performance of the gradient descent method in order to resolve optimization problems.GFSM is based on the gradient descent method and on the universal Discrete Difference Equation Prediction Model (DDEPM) proposed herein. In addition, the concept of the universal DDEPM is derived from the grey prediction model. The original grey prediction model uses a mathematical hypothesis and approximation to transform a continuous differential equation into a discrete difference equation. This is not a logical approach because the forecasting sequence data is invariably discrete. To construct a more precise prediction model, this work adopts a discrete difference equation. GFSM proposed herein can accurately predict the precise searching direction and trend of the gradient descent method via the universal DDEPM and can adjust prediction steps dynamically using the golden section search algorithm.Experimental results indicate that the proposed method can accelerate the searching speed of gradient descent method as well as help the gradient descent method escape from local minima. Our results further demonstrate that applying the golden section search method to achieve dynamic prediction steps of the DDEPM is an efficient approach for this search algorithm.     

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.

     

基于克莱姆法则的无偏区间灰数预测模型及其应用

以提高区间灰数预测模型的精度为目的,构建标准化区间灰数“白部序列”及“灰部序列”的无偏灰色预测模型,应用克莱姆法则研究该模型的参数估计方法,并推导出该模型的时间响应式及最终还原式.最后,将该模型应用于城市外来工数量的模拟及预测,并将结果与既有方法进行比较.结果显示,新构建的灰色模型性能优于传统的区间灰数预测模型.该研究成果对丰富和完善区间灰数预测模型方法体系具有积极意义.     

区间灰数序列的灰色预测模型构建方法

研究包含实数、区间灰数的混合型预测问题. 首先通过计算灰数层的面积和区间灰数的认知程度, 将区间灰数序列转变成实数序列; 然后分别预测灰数层的面积和区间灰数的认知程度, 推导还原得到区间灰数预测模型; 最后通过与现有文献中的实例进行对比, 说明了所提出的建模方法在避免区间灰数之间代数运算的情况下, 提高了建模精度.

     

基于互逆分数阶算子的离散灰色模型及阶数优化

针对现有灰色预测模型主要以一阶累加生成序列为建模序列这一现象, 在互逆的分数阶累加生成算子与分数阶累减生成算子的基础上, 建立分数阶算子离散灰色模型, 并给出最小平均相对误差下最优阶数的自适应粒子群优化算法. 多个实例表明, 通过阶数优化, 分数阶算子离散灰色模型相对于灰色模型GM(1,1) 和离散灰色模型DGM(1,1) 表现出更优的拟合精度.