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.

     

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.

     

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.

     

新信息优先原理下非等间距GM(1,1)模型优化研究

针对现实工程应用中存在非等间距序列问题,基于新信息优先原理提出非等间距GM(1,1)$优化模型.在对现有初始条件优化方法的缺陷进行分析的基础上,基于新信息优先原理,利用一阶累加生成序列的各分量加权和重构模型的初始条件,并利用各时点分量大小计算新旧信息间的权重分配比例,强化新信息对发展趋势的修正作用;在相对误差平方和最小准则下,给出时间参数的求解公式,进而构建优化模型.通过递增和递减两个类型实例研究,表明所提出优化模型能够充分利用新信息,预测精度优于其他初始条件改进模型.     

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.

     

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.

     

正态分布区间灰数灰色预测模型

近期灰数预测主要关注无分布信息和均匀分布区间灰数预测. 基于灰朦胧集演化思想, 研究在不确定信息广泛存在的正态分布背景下, 正态分布区间灰数序列的灰色预测问题. 首先, 通过正态分布随机函数实现区间灰数序列与实数序列族的信息等效转换; 然后, 对正态分布区间灰数随机白化序列进行GM(1,1) 建模, 利用最大值最小值及正态分布“3?? 法则”建立区间灰数预测模型; 最后, 通过实例对比分析验证了所提出模型的可行性和有效性, 为区间灰数预测问题提供新的思路和方法.

     

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.

     

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,而且完全适用于对高增长序列建模,拓广了GM(1,1)模型的适用范围.

     

基于非等间距的多变量MGM(1,m)模型

针对相互影响的多变量非等间距原始数据序列的模拟颅测问题,对多变量MGM(I,m)模型在非等间距情形下进行建模,建立了非等间距MGM(1,m)模型,以提高模拟颅测精度.心用实例表明了非等间距MGM(1,m)模型较各个变量建立单变量非等间距GM(1,1)模型的模拟预测精度有显著提高.该模型适于等间距和非等间距建模,使非等间...     

基于发展趋势和认知程度的区间灰数预测

以GM(1,1)模型为代表的灰色预测模型实际上是对白数的建模和预测,而不是对区间灰数的建模和预测.发展趋势和认知程度两个维度可以很好地描述区间灰数序列,对此,可先将区间灰数序列转化成相应的发展趋势序列和认知程度,然后对区间灰数序列进行预测.这样,既避免了区间灰数预测过程中的灰数运算问题,又充分利用了区间灰数序列自身所包含的信息.通过具体实例验证了所建模型的有效性.     

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.

     

基于时间权重序列的GM(1,1)初始条件优化模型

灰色GM(1,1)模型的初始条件对其精度有着重要的影响,为了提高模型的精度,提出一种初始条件的优化方法.首先,综合考虑1-AGO序列中各分量的作用,取所有分量的加权平均作为初始条件,权重由各分量的大小决定;然后,基于时间权重序列,对模拟序列与原始序列的误差平方和进行加权;最后,求解最优问题,确定时间参数,从而建立优化模型.算例表明,所提出的优化模型具有可行性,可以有效地提高模型的精度.