多阶灰色支持向量机集成预测模型研究

对灰色预测模型GM(1,1)和支持向量机SVM预测模型进行分析,提出了多阶灰色支持向量机集成预测模型Dm_GM(1,1)-SVM。通过多阶缓冲算子改进灰色预测模型的预测精度,对最终预测值的各个相关指标进行预测;同时,采用粒子群优化算法对支持向量机模型进行径向基核参数和惩罚参数寻优,得到最佳参数对(c,g),从而确定支持向量机的最佳回归模型;最后将各指标预测值作为支持向量机模型的输入,依据预测模型和预测模型的输入值求得预测结果。实验实例表明,多阶灰色支持向量机集成模型和传统的预测模型相比,在本例中预测精度更高,说明多阶灰色预测模型和支持向量机模型相结合在解决实际预测问题中具有实用价值。     

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.     

基于灰色支持向量机的网络舆情预测模型

为了提高网络舆情预测精度,建立一种基于灰色支持向量机的网络舆情预测模型。首先对网络舆情数据预处理,然后建立网络舆情的GM(1,1)模型,并采用支持向量机对GM(1,1)模型的预测结果修正,最后通过仿真实验对模型性能进行测试。仿真结果表明,相对于传统预测模型,灰色支持向量机提高了网络舆情的预测精度。     

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。     

基于灰色GM(1,1)模型的故障预测方法

首先介绍灰色GM(1,1)模型,但该模型的预测精度往往受原始序列光滑度的影响,对于不能够满足光滑度的序列,预测精度并不高。提出一种通过变换原始序列来改善光滑度的方法,并将此方法应用于故障预测中,取得了良好的效果。通过用MAT-LAB对实例仿真并进行精度检验说明,提出的方案在故障预测精度上有明显的提高。     

灰色-周期外延模型的动态关联规则元规则挖掘

提出了一种把灰色-周期外延模型应用到动态关联规则元规则挖掘中并提高元规则预测精度的方法。该方法首先对动态关联规则元规则支持度计数建立GM(1,1)模型;然后对建模时产生的残差序列建立周期外延模型并且提取最优周期;其次将周期外延模型作为GM(1,1)模型的残差补偿,把GM(1,1)模型以及周期外延模型得到的结果进行叠加得到最终的预测模型。最后通过实验证明了该方法有较高的预测精度。     

改进的灰色预测模型在导弹中的应用

灰色预测模型的预测精度往往依赖于原始数据序列的光滑度,然而在实验中得到的原始数据序列通常并不满足光滑性要求。为了提高灰色预测模型的预测精度,保障武器系统的可靠性,提出了一种提高原始数据序列光滑度的方法。方法基于传统灰色GM（1,1）模型,利用更具广泛性的对数——幂函数变换法来改善原始数据序列的光滑度。并应用于导弹故障预测中,取得了良好的效果。仿真结果表明,方法有效地改善了原始数据序列的光滑度,明显地提高了故障预测的精度,可以有效地预测导弹故障。     

基于灰色预测的大时滞过程的控制研究

针对传统PID控制对大时滞过程控制效果不佳的情况,采用基于GM(1,1)灰色模型对被控对象系统行为进行预测,并用等维新息、提高原始数据列的光滑度和改变初始条件三者结合的方法对该模型进行改进,得到一个改进的GM(1,1)模型.同时以GM(1,1)模型的发展系数a作为决定预测步长的依据,将其与传统PID结合,组成灰色预测控制系统对大时滞过程进行控制.仿真结果表明,与传统PID控制相比,该方法具有较强的适应性和鲁棒性,控制性能也得到了较明显的改善.     

灰色GM(1,1)模型优化研究进展综述

灰色预测技术是灰色系统理论的重要分支之一。 分别从灰生成技术、边值条件的改进、背景值的改进、模型参数估计方法改进、残差序列的优化、综合优化6个方面对近年来灰色预测模型中的GM(1,1)模型优化研究现状进行了比较全面的介绍,同时也对灰色GM(1,1)预测模型未来的发展方向提出了一些建议。     

基于变权优化背景值改进的GM(1,1)灰色预测模型及其应用

针对传统的GM(1,1)灰色预测模型背景值采用均等权值导致预测精度不高的缺点,本文提出一种变权优化选择背景值方法。首先将黄金分割搜索和抛物线插值法相结合确定改进GM(1,1)模型的背景值;然后将改进后的背景值代入灰色预测代数递推方程,从而代替传统的GM(1,1)模型中的白化方程;最后选取指数数列进行模拟并结合某高校教师人数的实际统计数据进行仿真实验。结果表明,改进的GM(1,1)模型减少了平均相对误差,提高了预测精度,具有一定的应用价值。     

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...     

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。     

基于最小误差化的GM(1,1)模型的优化及应用

预测是适应社会经济的发展和需要而产生的对未来发展趋势进行分析的一种手段,灰色预测模型是预测理论在应用中被广泛使用的一种预测方法,和其他预测方法一样灰色预测模型存在着一定的局限性,因此对灰色预测模型的研究具有重要意义。本文论述了灰色预测模型GM(1,1)的使用现状,通过对模型公式的分析,指出了该预测模型存在的缺陷,结合对模型初值合理选取和利用积分中值定理拟合真实背景值的方法,对模型进行优化改进。最后以上海白莲泾河监测数据作为原始数据序列,对模型进行了应用和验证,实践证明,优化前后模型精度有了一定提高。     

An accurate signal estimator using a novel smart adaptive grey model SAGM(1,1)

Grey system theory has been developed for almost 30 years and has obtained many great successes in practical real-life applications. However, conventional grey models show some limitations which affect directly to the model applicability as well as prediction accuracy. Hence, the aim of this paper is a proposition of a novel grey model named ‘Smart Adaptive Grey Model’ – SAGM(1,1) in order to overcome the disadvantages existing in the original grey model – GM(1,1). The proposed model was developed from the GM(1,1) model with three remarkable improvements. The first one is a use of two smartly additive factors to convert any raw data into a grey sequence which satisfies both the raw data checking condition and quasi-smooth condition to perform the grey estimation. The second one is a modification in calculating the background series which affect to the grey model accuracy. And the final improvement is a modification in computing the model output by using a so-called error correcting accumulation (ECA) to eliminate the residual prediction errors. As a result, the SAGM(1,1) model can be applied easily to any practical prediction problem and achieve higher prediction accuracy comparing with the conventional GM(1,1) model. Numerical simulations have been carried out to verify the proposed model.     

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。     

2种灰色模型在矿区地表沉陷预计中的适用性

目前矿区地表单点沉陷动态预计方法主要基于传统的水准测量数据,监测方法单一,成本高,观测点易破坏,不能保证地表形变信息的实时性,且采用灰色模型进行地表沉陷预计时只针对单一模型的应用,没有结合模型自身特点分析其适用性。以袁店二矿7221工作面为试验区域,采用合成孔径雷达差分干涉测量技术监测矿区地表沉陷量,分别建立了描述沉陷量与时间关系的GM(1,1)与灰色Verhulst模型进行地表沉陷量预计,实现了矿区地表沉陷监测与动态预计一体化。通过比较、分析GM(1,1)与灰色Verhulst模型对地表沉陷量的拟合及预计结果,得出了2种灰色模型在矿区地表沉陷预计中的适用性:在矿区开采沉陷开始至活跃前期,若地表单点沉陷量曲线呈近似单峰型,则宜采用GM(1,1)进行短期预计;当矿区地表沉陷进入衰退阶段,单点沉陷量曲线呈平底饱和状态,则宜采用灰色Verhulst模型进行中长期预计。     

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。     

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.