《第五章 灰色动态的基本理论》.docVIP

第五章 灰色动态建模基本原理 灰色动态建模是灰色系统理论中的重要内容之一。在本章中，我们将主要介绍灰色建模的技术路线，包括灰色动态建模的原理，以及常见的GM（1,1）和GM（1,n）模型的建模过程与步骤。 第一节 灰色建模的技术路线 一、灰色动态建模原理 灰色预测建模是以灰色模块概念为基础的。灰色系统理论认为一切随机量都是在一定范围内、一定时段上变化的灰色量及灰色过程。对于灰色量的处理，不是去寻求它的统计规律和概率分布，而是从无规律的原始数据中找出规律，即对数据通过一定方式处理后，使其成为较有规律的时间序列数据，再建立模型。因为在客观系统中，无论怎样复杂，系统内部总是有关联、有整体功能和有序的。因此，作为表现系统行为特征的数据，总是蕴含着某种规律。经过一定方式处理而生成的序列数据，我们称之为“模块”。其几何意义为生成序列数据在时间与数据二维平面上所给的连续曲线与其底部（即横坐标）所构成的总称。我们将由已知数据列构成的模块，称为白色模块，而由白色模块外推到未来的模块，即由预测值构成的模块，称为灰色模块。 一般情况下，对于给定的原始数据列 不能直接用于建模，因这些数据多为随机的、无规律的。若将原始数据列经过一次累加生成，则可获得新数据列 其中 新生成的数据列为一单调增长的曲线，显然它增强了原始数列的规律性，而随机性被弱化了。对于非负的数据列，累加的次数越多，则随机性弱化越明显，规律性也就越强，因而较容易用指数函数去逼近。经过处理后的数据弱化了原始数据列的随机性，从而找到了其变化的规律性，并为建立动态模型提供了中间信息。 对于生物学、社会经济学和环境生态系统，应用微分方程便于描述其内部物理或化学过程动态特征。灰色系统理论之所以能够用来建立微分方程模型，是因为灰色系统理论将随机量当作是在一定范围内变化的灰色量，将随机过程当作是在一定幅区和一定时区变化的灰色过程。其次灰色系统理论将无规律的原始数据生成后，使其成为较有规律的生成数列再进行建模。 所以，灰色GM建模实际上是生成数据模型，而一般建模所用的是原始数据模型。此外，灰色系统理论通过灰数的不同生成，数据的不同取舍，不同级的残差模型的补充，来调整、修正、提高模型的精度。 二、常见的GM （n, h ） GM （n, h ）n 阶h个变量的微分方程，不同n与h的GM模型有不同的意义和用途。GM模型大体可归为以下二类。 1，作为预测模型，常用GM （n, 1）GM （n, 1）GM模型。对数据列要求是“综合效果”的时间序列。由于n越大，计算越复杂，但精度未必就越高。因此一般情况下n值在3阶以下。最常用的n=1阶模型，计算简单，适用性广，记为GM（1, 1） GM （1, 1）。 系数向量=[a ,μ]T。 相应的时间函数为 求导还原后可得到： 上述两个方程为GM （1, 1） GM （2, 1）（） GM （2, 1） 其系数向量 其时间响应函数为： 式中 (1、(2为两个特征根，按以下不同情况可分析系统的主要动态特征。 ①若(1=(2，则动态过程是单调的。 ②若(1((2，且为实数，动态过程可能是非单调的。 ③若(1、(2为共轭复根，则动态过程是周期摆动的。 2，状态分析模型，常用GM （1, h） 上面介绍的GM （1, 1）GM （2, 1）GM （1, h）h-1个变量对于因变量一阶导数的影响。由于h1，故称为h个序列的一阶线性动态模型。其建模步骤如下： 设有h个变量X1, X2, …, Xh组成原始数列xi（0）{xi（0）（1）, xi（0）（2）, , xi（0）（）} （i=1, 2, , h）Xi （0） Xi（1）{xi（1）（1）, xi（1）（2）, , xi（1）（）} （ i=1, 2, , h） 其系数向量=（b1,b2, , bh-1）T =（BTB）-1BTYN B为累加矩阵，YN为常数项向量，分别为： YN＝[x1（0）（2）, x1（0）（3）, , x1（0）（）]T 第二节 GM（1，1）模型 GM（1, 1）GM （1, 1） 第1步：对数据序列X（0）{x（0）（1）, x（0）（2）, , x（0）（N）} X（1）{x（1）（1）, x（1）（2）, , x（1）（N）} 第2步：构造累加矩阵B与常数项向量YN， 即 YN＝[x1（0）（2）, x1（0）（3）, , x1（0）（ N）]T 3步：用最小二乘法解灰参数 第4步：将灰参数代入时间函数： 第5步：对求导还原得到 或 第6步：计算与之差(（0）（t）e（t） e（t）(（0）（t）/x（0）（t） 7步：模型精度检验及应用模型进行预报。 为了分析模型的可靠性，必须对模