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.     

新息改进GM(1,1)模型参数估计的新方法

为了提高新息改进GM(1,1)模型的预测精度,引入累积法对新息改进GM(1,1)模型的参数进行估计,给出了新的参数估计公式。该方法避免了大量的矩阵运算,降低了计算量。数值计算结果表明,累积法新息改进GM(1,1)模型具有很高的预测精度,是一种值得推广的新模型。     

基于新陈代谢GM(1,1)模型对软件可靠性方法研究

软件可靠性是软件工程的一个重要的研究课题.软件可靠性模型可以预测软件产品的潜伏的故障敷.在GM(1,1)模型的基础上,对软件可靠性进行建模.通过理论分析和预测实验表明,该方法是可行的,拓宽了软件可靠性模型的研究方法.     

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。     

基于GM(1,1)模型的元规则挖掘研究

关联规则挖掘主要用于发现事务数据集中项与项之间的关系,由于事务数据通常具有时间特性,同一规则在不同的时间段,其支持度和置信度值也不尽相同。为关联规则建立元规则,对其支持度和置信度变化趋势进行分析和预测,有利于进一步指导挖掘和决策。本文通过一个例子,分析了使用GM(1,1)模型进行元规则挖掘的一般过程,评价了GM(1,1)模型在元规则挖掘中的优缺点。     

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.     

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。     

改进GM(1,1)模型的前车检测与跟踪研究

提出了一种改进灰色预测模型GM(1,1)的前方车辆检测与跟踪方法,利用Hough变换识别两侧车道标识线,缩小前方车辆检测与跟踪区域,完成对前方车辆的检测之后,通过改进GM(1,1)模型的持续更新,搜索其运动规律,并对前方车辆的运动轨迹进行预测,根据预测结果实现对前方车辆的跟踪。实验结果表明,该方法不需要对随机噪声序列和目标运动规律进行假设,克服了随机噪声和分离合并的影响,具有较好的实时性和鲁棒性,适合于范围较小的前方车辆检测与跟踪。     

基于GM(1,1)模型的蛋白质二级结构类型预测

蛋白质二级结构类型预测是当今生物信息学研究的热点之一。利用氨基酸数字编码模型将氨基酸序列转换成数字信号,得出此蛋白质的GM(1,1)模型参数,并将这些参数作为伪氨基酸成分,由于这些伪氨基酸成分具有描述氨基酸序列的总体特征的特点,使得预测成功率有较大的提高。     

灰色GM（1，1）模型在火炮初速测量中的应用

火炮初速测量是火炮进行弹道准备中的一项重要内容,运用灰色理论探讨火炮初速预测问题,既有利于提高火炮射击精度的修正,又有利于进一步完善火炮初速测量雷达的使用操作和改进设计。针对火炮初速随机变化的特点,基于灰色理论中的GM（1,1）模型,构建火炮初速灰预测模型,确定预测结果精度检验方法。最后通过一应用实例验证该方法具有一定的合理性与实用性。     

基于残差分析的GM(1,1)模型有效性研究

GM(1,1)模型是处理贫信息数据序列的有效工具,也是灰色理论体系中应用广泛、具有基础性地位的一类重要模型.从一个新的视角-残差的角度,对该模型的有效性和使用范围进行分析.结果表明,GM(1,1)除了对指数衰减趋0的序列实现+∞上的拟合外,对算术级数序列和指数增加的序列拟合效果不佳,残差分布是不均匀的,且有不断扩大的趋势.     

基于改进GM（1，1）的灌浆压力预测建模

为了解决灌浆手动控制系统控制精度较差和灌浆过程中不确定因素引起灌浆压力波动问题,确保灌浆工程质量,提出了灌浆压力的等维新息灰色预删GM（1,1）模型。并利用残差模型对原始数据模型进行修正。该算法不需要被控对象模型结构的先验信息,仅根据灌浆记录仪输出的压力离散值,利用灰色预测模型,实时进行一步预测,算法容易实现。仿真结果表明,预测平均误差小于3％,该方法的预测结果能够满足实际灌浆工程需要,而且预测压力输出比人工控制方式的输出压力波动小。     

GM（1，N）和QSIM结合的复杂系统的定性仿真建模方法

针对复杂系统仿真中系统信息缺乏、QSIM建模方法可使用微分方程的特点,在复杂系统仿真方法中,提出了一种GM（1,N）和QSIM相结合的定性建模方法.首先给出了相关研究的现状,然后提出了GM（1,N）和QSIM相结合的仿真建模方法的基本原理和主要过程.最后通过一个系统仿真建模实例验证了该方法的可行性.结果表明,该方法具有充分利用系统较少信息,能将定量和定性信息有效地融合与复杂系统的仿真建模之中的特点.     

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。     

灰色GM(1,1)模型及其在电力负荷预测中的应用

讨论了灰色模型GM(1,1)及其改进模型在电力负荷预测中的应用.从灰色理论建模特点出发,提出使用加权均值生成原始数据序列的数据生成方法,在进行平滑的非负电力负荷数据序列的预测中取得了较好的效果.通过后验差检验,对传统的灰色系统GM(1,1)模型和加权均值的GM(1,1)模型进行了比较分析.实例证明,加权均值生成数据的方法进行建模具有较好的精度,在实际电力预测系统中有很好的应用价值.     

参数最优化的GM（1，1）模型

灰色GM（1,1）模型的精度取决于参数[a]和[u],而参数[a]和[u]的获得依赖于初始条件的选择和背景值的构造。在背景值的计算中引入优化因子,通过最优初始条件和最佳优化因子的选择使预测结果与原始数据的平均相对误差最小,从而得到参数最优化的GM（1,1）模型。数值试验的结果表明,相对于传统的GM（1,1）模型及文献中的改进方法,参数最优化的GM（1,1）模型具有更高的预测精度。     

参数由递推辨识的新型GM(1, 2)预测模型

为改善模型预测性能,提出一种GM(1,2)预测新模型.根据模型定义式直接推导获得模型预测值递推表达式,应用粒子群算法对递推表达式参数进行辨识.典型算例表明,新模型收敛速度快,较普通及文献中改进GM(1,2)模型具有更高的预测精度.