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。     

一种改进的GM(1,1)模型在装备故障预测中应用

针对传统GM(1,1)模型预测过程中参数固定导致适应性较差的问题,引入新陈代谢概念,给出了一种改进的新陈代谢GM(1,1)灰色预测模型;并应用于某型机载高度表中进行故障预测;结果表明与传统GM(1,1)预测结果相比,新陈代谢GM(1,1)预测结果与实际测试值间的绝对误差和相对误差均较小,预测精度也较高。     

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。     

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.     

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.

     

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。     

基于灰色理论的电子设备寿命预测研究

利用灰色GM(1,1)模型预测可以有效缩短电子设备寿命试验时间,传统建模方法常常会有较大误差,主要因为序列光滑度的改进及背景值的构造存在问题.本文提出一种方法,采用正弦处理建模序列,对背景值进行近似构造,最终建立相应的新陈代谢模型.实例表明改进后的GM(1,1)模型,具有更高的预测精度,可以在电子设备的试验中推广应用.     

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。     

灰色GM(1,1,t α)模型与自忆性原理的耦合及应用

针对实际工程应用中传统GM(1,1)模型预测的局限性,以含时间幂次项的灰色GM(1,1,tα)模型为基础,构建了灰色GM(1,1,tα)与自忆性原理的耦合预测模型;用动力系统自忆性原理来克服传统灰色模型对初值比较敏感的弱点;将灰色GM(1,1,t2)自忆性模型应用于某沿海高速软土地基沉降的模拟和预测,获得了满意的模拟和预测精度.实验算例表明,所提出的新模型显著地改善了传统灰色预测模型的模拟预测精度.     

基于GM(1,1)灰色预测模型的改进与应用

针对传统的GM(1,1)模型预测精度不高,并且其求解优化与多项式拟合各有片面性的缺点,给出了基于求解优化和多项式拟合优化相结合的改进灰色等维动态预测方法。结合美国近两百年人口的相关统计数据,利用传统的GM(1,1)模型及其优化后的模型进行误差比较。结果表明改进后的灰色模型预测精度更高,说明改进后的灰色预测模型的可行性与可靠性更好。     

基于改进的灰色模型的煤矿电力短期负荷预测

为了提高煤矿电力负荷预测的精度,解决传统灰色模型的缺陷,建立了改进的灰色模型。将背景值进行优化生成权重系数,通过人工蜂群算法找出合适的背景值生成权重系数,以误差最小为目标,得到了负荷预测值。通过Matlab R2012a仿真,与传统的灰色模型相比,该模型的预测精度更高,证明该方法是有效的。     

基于粒子群优化的灰色预测方法

对灰色预测算法进行了研究。在GM(1,1)模型中,发展系数a和灰色作用量u是两个关键的参数,对系统的性能有较大的影响。传统的方法使用最小二乘法来求解,不仅计算复杂,而且预测结果的误差也较大。论文对此进行了研究,并提出了一种改进的灰色预测算法PSOGP。PSOGP的主体仍使用GM(1,1)模型,但在求解相关参数时,PSOGP使用了粒子群优化算法。仿真试验表明,与经典的GM(1,1)模型相比,PSOGP算法的预测精度得到了较大的提高。     

基于背景值和结构相容性改进的多维灰色预测模型

现有的多变量灰色预测模型的背景值估计误差及模型结构单一是导致该模型预测性能不稳定的重要因素,致使该模型在实际预测领域中应用并不广泛.本文通过分析背景值函数的几何意义,结合积分几何面积公式,提出一种改进的背景值优化方法,使预测模型在背景值系数的选取上更加灵活.在此基础上,模型中加入灰色作用量,提出一种改进背景值及结构相容...     

基于误差最小化的GM(1,1) 模型背景值优化方法

背景值是导致GM(1,1)模型产生系统误差的主要原因之一。对此,提出一种优化的GM(1,1)模型构建方法。首先,根据GM(1,1)模型时间响应式的函数形式,利用积分中值定理拟合真实背景值,研究发展系数与背景值之间的关系;然后,构建新的灰色微分方程,采用最小二乘法进行参数估计,并利用方程组还原原始参数,使背景值同时具备无偏性和最小误差性;最后,通过具体案例验证了所提出的优化模型能够突破高增长建模的局限,对实际问题的建模精度较高。     

Applying fuzzy grey modification model on inflow forecasting

This paper investigates a modified grey model for forecasting the inflow of a reservoir. The integral form of the background value is employed for the original grey model, GM(1,1), to improve accuracy and applicability. Thereafter, the Fourier series is altered to handle extreme values with regard to prediction; exponential smoothing is used to improve the drawbacks of the prediction delay phenomenon. Finally, we are hybridised as the ultimate grey model with outstanding prediction accuracy, namely EFGM(1,1). As a typhoon causes significant changes in the inflow of a reservoir, this paper applies the fuzzy membership function for dealing with it during the flood season to construct the fuzzy grey modification model, FEFGM(1,1). Results of grey models are compared with those of the Autoregressive Integrated Moving Average (ARIMA). By evaluating different indices, the errors of the predicted extreme value of EFGM(1,1) perform better than those of GM(1,1) and ARIMA, however worse than that of FEFGM(1,1). The final FEFGM(1,1) shows high precision with regard to reservoir inflow prediction during typhoons with combined effects of fuzzy, exponential smoothing, Fourier series.     

基于改进灰色模型的ATS测试仪器校准周期确定

针对自动测试系统ATS中测试仪器校准周期的确定问题,提出了改进的灰色GM(1,1)模型预测方法。首先从GM(1,1)模型出发对模型本身进行改进,然后建立等维新息模型,并确定其最佳维数,递补动态更新预测信息,为进一步提高预测精度,提出了残差修正预测模型,并引入马尔可夫过程解决其修正残差的符号问题。实例结果表明,改进的模型预测方法比单独的模型预测具有更高的精度,可以应用于测试仪器校准周期的预测过程。     

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。     

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。