分数阶离散灰色GM(1,1) 幂模型及其应用

针对GM(1,1)幂模型时间响应式由离散估计到连续预测所存在的固有误差,建立离散灰色GM(1,1)幂模型,并将该模型扩展为分数阶离散灰色GM(1,1)幂模型;以最小化平均相对误差为目标、参数之间的关系为约束条件,构建关于序列累加阶数和幂指数的优化模型,并运用量子遗传算法确定模型的最优累加阶数和幂指数。通过对高速公路地基沉降和中国高新技术产业R&D发展两个实例的预测结果表明,分数阶离散灰色GM(1,1)幂模型具有良好的建模精度。     

基于向量变换的离散GM(1,1)模型病态性

离散GM(1,1)模型建模时的病态性会导致模型的不稳定.运用向量的数乘和旋转变换研究离散GM(1,1)模型的 病态性问题, 发现离散GM(1,1)模型的病态性产生的原因与累加向量和全1向量的长度比值和夹角有关.运用数乘 和旋转变换将矩阵转化为良态矩阵, 用以解决离散GM(1,1)模型的病态性问题.算例结果表明, 向量变换是解决离散GM(1,1)模型 病态性的一种有效的方法.     

振荡序列的分数阶离散GM(1,1)幂模型及其应用

针对GM(1,1)幂模型从离散的参数估计到连续的预测函数所产生的固有误差, 提出一种新的分数阶离散GM(1,1)幂模型, 并针对可能存在的病态性, 利用正则化算法替代最小二乘法估计部分参数以提高参数估计的精度; 为了提高模型的预测精度, 提出新的累加阶数及幂参数的确定方法. 对工业废水排放率及城市用水量两个实例的预测结果表明, 所提出的模型及确定参数的方法对于振荡时间序列有着很好的预测精度.     

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.

     

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.

     

渐消记忆离散GM(1,1)模型及其递推算法

考虑新旧数据对预测效果具有不同影响,对原始数据建立了一种改进的滑动平均预处理方法.在此基础上,通过引入遗忘因子对新旧数据进行不同加权,提出了渐消记忆离散GM(1,1)模型.针对GM(1,1)模型求解计算开销大的问题,给出一种渐消记忆离散GM(1,1)模型的在线实时递推预测算法.将该模型及递推算法用于交通事故预测和区域货物周转量预测,结果表明渐消记忆离散GM(1,1)模型加强了模型的实时跟踪能力,在避免矩阵求逆的同时,提高了预测精度.     

指挥控制系统效能评估指标值灰色预测模型

开展指挥控制系统效能预测性评估研究是提高评估准确性和预判战争发展的重要支撑.首先提出基于区间数的混合数据统一转换方法,解决了指标值为混合数据类型难于评估的问题;其次提出基于最近数据优先累积法的区间GM(1,1)模型,对累积法累加过程进行优化,体现最近数据对预测更重要的特点,用于GM(1,1)模型的参数估计,同时根据区间数整体性改进GM(1,1)模型,解决了传统灰色预测方法预测平均误差较大和无法对区间数时间序列进行预测的问题,最后利用新陈代谢思想对模型进行完善.以某次装备试验评估数据为例进行实例分析,结果表明,改进后的区间数GM(1,1)模型预测精度高,满足试验评估数据多样性和动态性特点,证明了该模型的可用性.     

基于初始条件优化的一种非等间距GM(1,1) 建模方法

针对非等间距GM(1,1) 模型的预测问题, 提出一种优化初始条件的方法. 以非等间距一阶累加生成序列各分量的加权平均作为优化的初始值, 根据新信息优先原理, 将一阶累加生成序列的序数序列的单位化序列中各分量作为权重, 利用原始序列与模拟序列误差平方和最小的原则确定初始条件中的时间参数, 建立优化的非等间距GM(1,1) 模型. 最后, 通过算例验证了所提出的非等间距优化模型的有效性和可行性, 同时表明了该优化模型可以提高预测精度.

     

时变参数GM(1, 1) 幂模型及其应用

为了进一步增强灰色预测模型对原始数据的适应能力,提出一种时变参数GM(1,1)幂模型,通过引入多项式函数描述GM(1,1)幂模型的结构参数随时间的动态变化规律。根据建模样本量的不同,分3种情形给出了模型的参数辨识算式,同时给出了时变参数GM(1,1)幂模型白化方程的解析解,利用积分复合梯形公式将其转化为可用于预测的离散时间响应式,并提出了参数优化方法。应用实例表明,时变参数GM(1,1)幂模型比固定参数GM(1,1)幂模型具有更高的模拟和预测精度。     

灰色预测控制的无偏GM(1,1)模型

灰色预测控制已在过程控制中得到了广泛应用,控制器的核心模型是GM(1,1)模型,该模型是有偏差的指数模型.作者导出了GM(1,1)模型的偏差公式,并在此基础上提出了无偏GM(1,1)模型.本文介绍无偏GM(1,1)模型,并用实例显示了无偏GM(1,1)模型的优越性.     

渐消记忆离散GM(1,1)模型及其递推算法

考虑新旧数据对预测效果具有不同影响,对原始数据建立了一种改进的滑动平均预处理方法。在此基础上, 通过引入遗忘因子对新旧数据进行不同加权,提出了渐消记忆离散GM (1,1)模型。针对GM(1,1)模型求解计算开 销大的问题,给出一种渐消记忆离散GM(l,1)模型的在线实时递推预侧算法。将该模型及递推算法用于交通事故预 测和区域货物周转量预测,结果表明渐消记忆离散GM(1,1)模型加强了模型的实时跟踪能力,在避免矩阵求逆的同 时,提高了预测精度。     

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。     

Using improved grey forecasting models to forecast the output of opto-electronics industry

Numerous forecasting models have been developed. Each has its own conditions of application. However, it has always been an important research objective to improve prediction accuracy with a small amount of data. In recent years, the grey forecasting model has achieved good prediction accuracy with limited data and has been widely used in various research fields. However, the grey forecasting models still have some potential problems that need to be improved. Therefore, this study proposed an improved transformed grey model based on a genetic algorithm (ITGM(1,1)), and used the output of the opto-electronics industry in Taiwan from 1990 to 2008 as an example for verification. Three grey forecasting models, GM(1,1), rolling GM(1,1), and the transformed GM(1,1), were chosen for the purpose of comparison with ITGM(1,1) by mean absolute percent error and root mean square percent error. The results show that ITGM(1,1) is more accurate than the other three models in both in-sample and out-of-sample forecasting performance, and can greatly improve the accuracy of short-term forecasts.     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

壳聚糖胃滞留-漂浮微球体外释药模型研究

通过建立壳聚糖胃滞留-漂浮微球（CGRM）缓释性能的GM（1,1）模型、零级释放动力学模型（ZODM）、Higuchi模型和Ritger-Peppas（RPeppas）模型,并对各模型的模拟和预测性能进行了研究。结果表明四个模型均能较好地模拟和预测CGRM的缓释性能,模拟精度与预测精度优劣顺序相同,依次为：GM（1,1）>Higuchi>ZODM>RPeppas,其中GM（1,1）模型最优。     

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.