精英遗传改进的非线性灰色神经网络算子与军费开支多目标组合预测应用

军费开支属于复杂经济系统下具有宏观经济特征的一类非线性时间序列。在多目标组合下的军费开支预测问题研究背景下,提出了一种基于精英遗传算法(elite genetic algorithm,EGA)改进的非线性灰色神经网络计量组合预测模型,给出了总体建模思路与非线性灰色神经网络算子分系统和EGA分系统设计方法,解决了多准则目标优化的NP完全问题,并对模型的预测效果进行比较分析。采集美国27年间(1990-2016年)军费开支时间序列进行实证检验,分析结论认为非线性灰色神经网络算子能够有效提高模型精度,EGA算法在收敛速度与精度上优于标准遗传算法,采用所建立的预测模型进行军费开支预测精度更高,效果更好。     

灰色离散Verhulst模型

针对传统灰色Verhulst模型适应性不强的情况,借鉴离散化思想,通过对原始数据序列进行倒数生成,建立了灰色离散Verhulst模型。灰色离散Verhulst模型充分考虑了数据序列的准指数规律,实现了从连续形式向离散形式的转变,消除了传统灰色Verhulst模型由微分方程直接跳到差分方程所产生的误差。同时给出了两种初始条件下的灰色离散Verhulst模型的预测公式,有效地解决了传统灰色Verhulst模型预测稳定性差的问题。实例分析表明,灰色离散Verhulst模型能够显著提高模拟和预测效果。     

无偏灰色Verhulst模型及其应用

针对灰色Verhulst模型自身所固有的偏差, 提出了无偏灰色Verhulst模型.利用递推解法,给出两种初始条件下无偏灰色Verhulst模型的递推预测公式. 结果表明,无偏灰色Verhulst模型对传统灰色Verhulst模型预测公式所表达的S型曲线进行模拟和预测具有完全重合性,完全消除了灰色Verhulst模型自身固有的偏差,也避免了以往建模方法由差分方程向微分方程的跳跃导致的误差.实例分析表明,无偏灰色Verhulst模型使得传统模型的模拟与预测精度得到了显著改善.     

PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

具自忆性的改进灰色Verhulst模型研究及应用

传统灰色Verhulst模型对于饱和发展状态的S型过程有较好的预测精度,但对于具有随机波动特征的S型过程预测效果并不理想。针对以上问题,为了提高预测精度,本文在传统灰色Verhulst模型及动力系统自忆性原理的基础上,构建了一类改进的灰色Verhulst自忆性模型,新模型充分利用了历史观测数据、克服了传统灰色Verhulst模型无法描述波动特征的局限性。通过实例分析,表明所构建模型能够充分体现S型过程中的随机波动特征,具有理想的拟合预测效果。     

灰色Verhulst预测模型的病态特性

为揭示灰色Verhulst模型的建模精度在原始序列存在微小扰动下的变化规律.采用矩阵谱条件数作为研究工具对该模型系数矩阵谱条件数的取值进行分类讨论.研究结果表明,当且仅当系统原始数据序列第一项为大于零的常数,其他所有项数据皆为0时,建立灰色Verhulst模型才会呈现严重病态性,而采用已呈现特定规律的数据序列构建灰色Verhulst预测模型毫无实际意义.研究结论认为,灰色Verhulst模型并不存在严重病态性.     

灰色Verhulst预测模型的病态特性

为揭示灰色Verhulst模型的建模精度在原始序列存在微小扰动下的变化规律,采用矩阵谱条件数作为研究工具对该模型系数矩阵谱条件数的取值进行分类讨论. 研究结果表明,当且仅当系统原始数据序列第一项为大于零的常数,其他所有项数据皆为0时,建立灰色Verhulst模型才会呈现严重病态性,而采用已呈现特定规律的数据序列构建灰色Verhulst预测模型毫无实际意义. 研究结论认为,灰色Verhulst模型并不存在严重病态性.     

基于灰色神经网络组合模型的故障预测

针对装备故障预测存在有效样本少、模型预测精度低等问题,集成灰色理论和神经网络方法,提出基于灰色神经网络的故障预测组合模型。基于新信息优先原理和重构背景值方法优化灰色GM（1,1）模型的初始值与背景值,利用Levenberg-Marquardt算法改进反向传播神经网络模型;采用组合预测思想,将多方法融合改进灰色模型和神经网络模型,分别构建基于权重分配、基于误差修正和基于结构优化的3种灰色神经网络组合模型。以某雷达发射机的故障预测为例,验证上述方法在故障预测中的有效性。结果表明,灰色神经网络组合模型的预测精度优于单一预测模型,可用于装备的故障预测和预测性维修。     

耦合三角函数的灰色GM(1,1,T)模型及其应用

针对小样本序列的周期性波动特征,将三角函数引入灰色预测模型,提出了耦合结构的灰色GM(1,1,T)模型,该模型适用于既存在周期性又具有趋势性的复合型序列.基于最小二乘思想,探讨了模型参数估计的非线性优化问题,利用Levenberg-Marquardt算法进行求解,并给出了初始点选取的经验方法;通过数值实验验证了模型的适用性和参数估计方法的可行性;最后将该模型应用于河南省获嘉县、禹州市、偃师市的农业干旱预测,结果表明2016-2017年河南省土壤含水量呈现出区域性差异,与实际干旱情势比较吻合.     

基于背景值和初值优化的灰色Verhulst建模方法与应用

针对灰色Verhulst模型的优化问题,提出从背景值和初值两个方面对灰色Verhulst模型进行优化,分别利用倒数变换和约束优化模型求解模型的背景值参数与初值参数,并给出基于背景值和初值优化的灰色Verhulst建模步骤,最后以案例验证了本文模型的有效性、适用性和优化效果。结果表明,利用背景值和初值的优化方法能够有效地提高Verhulst模型的模拟精度与预测精度。     

一种内涵式参数辨识的GM(1,1)新模型

针对普通GM(1,1)模型应用于非平缓变化序列预测时误差较大甚至失效的缺陷,提出了一种内涵式参数辨识的GM(1,1)新模型。推导了模型边值、背景值权重系数、发展系数以及灰作用量与预测值之间的非线性内涵表达式,并采用粒子群算法(particle swarm optimization, PSO)对内涵式参数进行辨识,建立了PSOGM(1,1)预测新模型。典型算例表明,PSOGM(1,1)模型收敛速度快,较普通GM(1,1)模型具有更高的预测精度,可应用于平缓变化及非平缓变化序列预测。     

含Caputo型分数阶导数的灰色预测模型

针对缺乏统计规律的小样本预测系统,如何挖掘其发展规律,一直是学术界的难点.本文依据分数阶微积分理论,将整数阶导数灰色模型推广到分数阶导数灰色模型,并从是否满足新信息优先原理、初值利用情况、还原误差大小和稳定性等方面说明了新模型的优势,以期用Caputo型分数阶导数的记忆性描述小样本预测系统.实例表明含有Caputo型分数阶导数的灰色预测模型的有效性与实用性.     

灰色Verhulst模型的背景值的改进及应用

基于灰色Verhulst模型的建模机理，分析了该模型的模型误差产生的原因，针对该原因构造了改进的背景值公式，使得模型的精度得到了有效的提高，扩大了模型的适用范围.实例证明，优化模型具有较高的理论意义和实际应用价值.     

基于GM(1,1)幂模型的振荡序列建模方法

针对小样本振荡序列的预测问题,提出了基于单变量一阶灰色幂模型（简称GM(1,1)幂模型）的振荡序列建模方法。基于GM(1,1)幂模型中参数之间的关系,构建了一个非线性优化模型来寻求模型参数的最佳值,以此实现对振荡序列的高精度预测。结果表明,建模方法能够较好地体现数据的波动特征,且易于在计算机上实现,进一步拓宽了灰色模型的应用范围。最后以实例验证了所建模方法实用性和有效性。     

Expansion modelling of discrete grey model based on multi-factor information aggregation

This paper aims to study a novel expansion discrete grey forecasting model, which could aggregate input information more effectively. In general, existing multi-factor grey forecasting models, such as one order and h variables grey forecasting model （GM （1, h））, always aggregate the main system variable and independent variables in a linear form rather than a nonlinear form, while a nonlinear form could be used in more cases than the linear form. And the nonlinear form could aggregate collinear independent factors, which widely lie in many multi-factor forecasting problems. To overcome this problem, a new approach, named as the Solow residual method, is proposed to aggregate independent factors. And a new expansion model, feedback multi-factor discrete grey forecasting model based on the Solow residual method （abbreviated as FDGM （1, h））, is proposed accordingly. Then the feedback control equation and the parameters＇ solution of the FDGM （1, h） model are given. Finally, a real application is used to test the modelling accuracy of the FDGM （1, h） model. Results show that the FDGM （1, h） model is much better than the nonhomogeneous discrete grey forecasting model （NDGM） and the GM （1, h） model.