数学建模 —— 灰色系统(4)

目录

什么是灰色系统?      

一、灰色关联分析

1.1 灰色关联分析模型

1.2 灰色关联因素和关联算子集

1.2.1 灰色关联因素

1.2.2 关联算子集

1.3 灰色关联公理与灰色关联度

1.3.1 灰色关联度

1.3.2 灰色关联度计算步骤

1.4 广义关联度

1.4.1 灰色绝对关联度

1.4.2 灰色相对关联度

1.4.3 灰色综合关联度

二、优势分析

2.1 灰色关联矩阵

2.2 几类灰色关联矩阵

2.3 系统优势关系

2.4 因素优势关系

2.5 系统准优势关系

2.6 准优特征与准优因素

三、生成数

3.1 累加生成数列

四、灰色模型(GM模型)

4.1 GM(1, 1)模型及定义

4.2 GM(1, 1)白化型

五、灰色预测

5.1 灰色预测的步骤

5.1.1 数据的检验与处理

5.1.2 建立模型

5.1.3 模型检验

5.2 数列预测


什么是灰色系统?      

        客观世界的很多实际问题,其内部的结构、参数以及特征并未全部被人们了解,人们不可能象研究白箱问题那样将其内部机理研究清楚,只能依据某种思维逻辑与推断来构造模型。对这类部分信息已知而部分信息未知的系统,我们称之为灰色系统。

一、灰色关联分析

1.1 灰色关联分析模型

        根据序列曲线几何形状的相似程度来判断其联系是否紧密曲线越接近,相应序列之间关联度就越大,反之就越小。

        灰色关联分析方法弥补了采用数理统计方法作系统分析所导致的缺憾。它对样本量的多少样本有无规律都同样适用,而且计算量小,十分方便,更不会出现量化结果与定性分析结果不符的情况

1.2 灰色关联因素和关联算子集

1.2.1 灰色关联因素

(1)行为序列

(2)行为时间序列

 

(3)行为指标序列

(4)行为横向序列

 

1.2.2 关联算子集

(1)初值化算子

(2)均值化算子

(3)区间值化算子

(4)逆化算子

(5)倒数化算子

(6)关联因子空间

1.3 灰色关联公理与灰色关联度

1.3.1 灰色关联度

1.3.2 灰色关联度计算步骤

e.g.

clc, clear
a=[0.83	 0.90	0.99	  0.92	0.87	  0.95
326	 295	 340  287	310	  303
21	 38	     25	  19	 27	  10
3.2	2.4	     2.2   2.0	 0.9   1.7
0.20	0.25	    0.12   0.33 	0.20	  0.09
0.15	0.20	    0.14   0.09	0.15   0.17
250	180	    300	   200	150   175
0.23	0.15	    0.27   0.30	0.18   0.26
0.87	0.95	    0.99	   0.89	0.82	  0.94];
for i=[1 5:9]    %效益型指标标准化
    a(i,:)=(a(i,:)-min(a(i,:)))/(max(a(i,:))-min(a(i,:)));
end
for i=2:4  %成本型指标标准化
   a(i,:)=(max(a(i,:))-a(i,:))/(max(a(i,:))-min(a(i,:))); 
end
[m,n]=size(a);
cankao=max(a')'  %求参考序列的取值
t=repmat(cankao,[1,n])-a;  %求参考序列与每一个序列的差
mmin=min(min(t));   %计算最小差
mmax=max(max(t));  %计算最大差
rho=0.5; %分辨系数
xishu=(mmin+rho*mmax)./(t+rho*mmax)  %计算灰色关联系数
guanliandu=mean(xishu)   %取等权重,计算关联度
[gsort,ind]=sort(guanliandu,'descend')  %对关联度按照从大到小排序

1.4 广义关联度

        三种关联度矩阵往往得出因素排序结果不完全相同,主要是因为绝对关联矩阵计算出的绝对关联序是从绝对量的角度考虑,相对关联矩阵得出的相对关联序是相对于原始点变化速率的角度考虑,而综合关联序是综合绝对量和相对变化速率的角度考虑,实际应用中,只要考虑绝对关联序即可。

1.4.1 灰色绝对关联度

(1)预备知识

(2)始点零化算子

(3)序列长度

(4)灰色绝对关联度

e.g.

(5)等时距序列

(6)1时距化

(7)灰色绝对关联度性质

1.4.2 灰色相对关联度

(1)定义和计算

 (2)性质

1.4.3 灰色综合关联度

(1)概述

 (2)性质

二、优势分析

2.1 灰色关联矩阵

2.2 几类灰色关联矩阵

2.3 系统优势关系

2.4 因素优势关系

2.5 系统准优势关系

2.6 准优特征与准优因素

 

关联度名称

准优特征

准优因素

绝对关联度

相对关联度

综合关联度

三、生成数

        灰色系统理论把一切随机量都看作灰色数即在指定范围内变化的所有白色数的全体。对灰色数的处理不是找概率分布或求统计规律,而是利用数据处理的办法去寻找数据间的规律。通过对数列中的数据进行处理,产生新的数列,以此来挖掘和寻找数的规律性的方法,叫做数的生成。数的生成方式有多种:累加生成累减生成以及加权累加等等。这里主要介绍累加生成。

3.1 累加生成数列

       把数列  x 各时刻数据依次累加的过程叫做累加过程,记作AGO,累加所得的新数列,叫做累加生成数列

特点:

        一般经济数列都是非负数列。累加生成能使任意非负数列、摆动的与非摆动的,转化为非减的、递增的。

四、灰色模型(GM模型)

        灰色系统理论是基于关联空间、光滑离散函数等概念定义灰导数与灰微分方程,进而用离散数据列建立微分方程形式的动态模型,由于这是本征灰色系统的基本模型,而且模型是近似的、非唯一的,故这种模型为灰色模型,记为GMGrey Model),即灰色模型是利用离散随机数经过生成变为随机性被显著削弱而且较有规律的生成数,建立起的微分方程形式的模型,这样便于对其变化过程进行研究和描述。

4.1 GM(1, 1)模型及定义

4.2 GM(1, 1)白化型

    值得注意的是:GM(1,1)的白化型(4)并不是由 GM(1,1)的灰微分方程直接推导出来的,它仅仅是一种借用白化默认

    另一方面,GM(1,1)的白化型是一个真正的微分方程,如果白化型模型精度高,则表明所用数列建立的模型 GM(1,1)与真正的微分方程模型吻合较好,反之亦然。

五、灰色预测

       灰色预测是指利用 GM 模型对系统行为特征的发展变化规律进行估计预测,同时也可以对行为特征的异常情况发生的时刻进行估计计算,以及对在特定时区内发生事件的未来时间分布情况做出研究等等

       这些工作实质上是将随机过程当作灰色过程随机变量当作灰变量,并主要以灰色系统理论中的 GM(1,1)模型来进行处理灰色预测在工业、农业、商业等经济领域,以及环境、社会和军事等领域中都有广泛的应用。特别是依据目前已有的数据对未来的发展趋势做出预测分析。

5.1 灰色预测的步骤

5.1.1 数据的检验与处理

首先,为了保证建模方法的可行性,需要对已知数据列做必要的检验处理。设参考数据为                        计算数列的级比

         如果所有的  级比   都落在可容覆盖

内,则数列 x(0) 可以作为模型 GM(1,1)的数据进行灰色预测。否则,需要对数列 x(0) 做必要的变换处理,使其落入可容覆盖内。

即取适当的常数c,作平移变换

                                    y^(0)  (k) = x^(0)   (k) + ck =1,2,…,n

5.1.2 建立模型

灰色预测方法建立模型 GM(1,1),则可以得到预测值

5.1.3 模型检验

(1)残差检验准则

设:

                

                 

 

(2)关联度检验准则

设:

 

(3)均方差比与小误差检验准则

(4)精度等级参照表

5.2 数列预测

(1)定性分析

(2)引入适当的序列算子

(3)建立预测模型

(4)精度检验

(5)预测

6)灰色决策模型

待续

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/670117.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

mysql表字段超过多少影响性能 mysql表多少效率会下降

一直有传言说,MySQL 表的数据只要超过 2000 万行,其性能就会下降。而本文作者用实验分析证明:至少在 2023 年,这已不再是 MySQL 表的有效软限制。 传言 互联网上有一则传言说,我们应该避免单个 MySQL 表中的数据超过 …

深入分析 Android Service (完)

文章目录 深入分析 Android Service (完)1. Service 的生命周期管理2. Service 的生命周期方法2.1 onCreate()2.2 onStartCommand(Intent intent, int flags, int startId)2.3 onBind(Intent intent)2.4 onUnbind(Intent intent)2.5 onRebind(Intent intent)2.6 onDestroy() 3.…

springboot 项目集成 knife4j

官方版本推荐 版本依赖 spring boot 2.3.12.RELEASE 和 knife4j 2.0.9 引入依赖 完整的pom.xml文件 <!-- https://mvnrepository.com/artifact/com.github.xiaoymin/knife4j-spring-boot-starter --> <dependency><groupId>com.github.xiaoymin</groupI…

JavaScript笔记二-JavaScript基础语法

1、标识符 命名规则 第一个字符必须是一个字母、下划线&#xff08; _ &#xff09;或一个美元符号&#xff08; $ &#xff09;。其它字符可以是字母、下划线、美元符号或数字。按照惯例&#xff0c;ECMAScript 标识符采用驼峰命名法。标识符不能是关键字和保留字符。 2、字…

CDN——内容分发网络

目录 为什么使用CDN CDN是如何工作的 类型 推模式&#xff08;Push&#xff09; 拉模式&#xff08;Pull&#xff09; 缺点 例子 内容分发网络&#xff08;CDN&#xff09;是一组在地理上广泛分布的服务器&#xff0c;它们一起工作以提供互联网内容的快速交付。通常静态…

以sqlilabs靶场为例,讲解SQL注入攻击原理【15-17关】

【less-15&#xff1a;布尔盲注】 单引号闭合 1. or (length(database())) -- 数字&#xff1a;判断数据库长度&#xff1b; 2. or (ascii(substr(database(),1,1))) -- 数字&#xff1a;获取组成数据库的字符&#xff1b; 3. or (ascii(substr((select table_nam…

机器学习学习

机器学习类型(按学习方式分):监督学习、半监督学习、无监督学习、强化学习; 通过已知标签训练集训练模型,使用模型及逆行预测、测试; 向量表示法,其中每一维对应一个特征(feature)或者称为属性,记为[x1,x2,...,xn] 特征值、特征、标签,共同完成训练集的数据填充,最…

STM32作业实现(二)串口控制led

目录 STM32作业设计 STM32作业实现(一)串口通信 STM32作业实现(二)串口控制led STM32作业实现(三)串口控制有源蜂鸣器 STM32作业实现(四)光敏传感器 STM32作业实现(五)温湿度传感器dht11 STM32作业实现(六)闪存保存数据 STM32作业实现(七)OLED显示数据 STM32作业实现(八)触摸按…

基于Chan-Vese算法的图像边缘提取matlab仿真

目录 1.算法运行效果图预览 2.算法运行软件版本 3.部分核心程序 4.算法理论概述 5.算法完整程序工程 1.算法运行效果图预览 2.算法运行软件版本 matlab2022a 3.部分核心程序 ............................................................ % 迭代更新水平集函数 err[]…

GIS Java 生成四至图

目录 前言 操作步骤&#xff1a; 1&#xff0c;求出多边形的四至点 2&#xff0c;下载地图 3&#xff0c;绘制多边形 前言 对于地图上的一个多边形地块&#xff0c;其四至图就是能够覆盖这个多边形的最小矩形&#xff0c;也就是求出这个多边形的最东点&#xff0c;最西点&…

CATIA进阶操作——创成式曲面设计入门(1)线架设计,三维点、直线、平面、曲线

目录 引出三维空间点生成三维直线三维平面三维曲线总结异形弹簧新建几何体草图编辑&#xff0c;画一条样条线进行扫掠&#xff0c;圆心和半径画出曲面上的螺旋线再次选择扫掠&#xff0c;圆心和半径 其他自定义信号和槽1.自定义信号2.自定义槽3.建立连接4.进行触发 自定义信号重…

搭建基于Django的博客系统数据库迁移从Sqlite3到MySQL(四)

上一篇&#xff1a;搭建基于Django的博客系统增加广告轮播图&#xff08;三&#xff09; 下一篇&#xff1a;基于Django的博客系统之用HayStack连接elasticsearch增加搜索功能&#xff08;五&#xff09; Sqlite3数据库迁移到MySQL 数据库 迁移原因 Django 的内置数据库 SQL…

亚马逊对IP的要求是什么?

IP的全称为Internet Protocol&#xff0c;是TCP/IP体系中的网际层协议&#xff0c;IP只为主机提供一种无连接、不可靠的、尽力而为的数据包传输服务。IP规定网络上所有的设备都必须有一个独一无二的IP地址&#xff0c;就好比是邮件上都必须注明收件人地址&#xff0c;邮递员才能…

鸿蒙OS初识

学习官网&#xff1a;https://www.harmonyos.com/cn/develop 准备 注册&#xff0c;安装软件&#xff08;node:12, DevEco Studio&#xff09;&#xff1a; https://developer.harmonyos.com/cn/docs/documentation/doc-guides/software_install-0000001053582415#ZH-CN_TOP…

OpenAI 推出ChatGPT Edu,为高校定制版本

近日&#xff0c;OpenAI 宣布推出 ChatGPT Edu&#xff0c;这是一款专为高校打造的 ChatGPT 版本&#xff0c;旨在帮助学生、教师、研究人员和校园运营部门以负责任的方式部署和使用 AI。 ChatGPT Edu 由 GPT-4o 提供支持&#xff0c;具备强大的文本和图像推理能力&#xff0c;…

【笔记】Sturctured Streaming笔记总结(Python版)

目录 相关资料 一、概述 1.1 基本概念 1.2 两种处理模型 &#xff08;1&#xff09;微批处理 &#xff08;2&#xff09;持续处理 1.3 Structured Streaming和Spark SQL、Spark Streaming关系 二、编写Structured Streaming程序的基本步骤 三、输入源 3.1 File源 &am…

微服务架构-微服务实施

目录 一、概述 二、微服务拆分 2.1 概述 2.2 拆分原则 2.3 拆分方法 2.3.1 以数据为维度进行拆分 2.3.2 按照使用场景拆分 2.3.3 重要和非重要的拆分 2.3.4 变和不变的拆分 三、微服务通信 3.1 概述 3.2 微服务通信方式选择 3.3 微服务编排 3.4 API接口设计 3.5 …

实验报告 Java输入和输出

实验目的&#xff1a; 掌握Java 输入输出流的应用 掌握缓冲流的应用。 实验要求&#xff1a; &#xff08;1&#xff09;掌握字节输入输出流的操作 &#xff08;2&#xff09;掌握字符输入输出流的操作 &#xff08;3&#xff09;理解字节流和字符流的区别 &#xff08;…

游戏找不到steam_api64.dll如何解决,全面解析原因及解决方法

在现代游戏中&#xff0c;Steam平台已经成为了玩家们下载、安装和玩游戏的主要渠道之一。然而&#xff0c;有些玩家可能会遇到一个问题&#xff0c;即游戏找不到steam_api64.dll文件。这个问题可能会导致游戏无法正常运行或启动。本文将详细介绍如何解决这个问题&#xff0c;帮…