不确定信息教学课件2灰色GM[1,1]模型.docVIP

第二单元 灰色预测模型GM(1,1) §1前言 80年代初，华中理工大学邓聚龙教授提出了灰色系统理论，先后发表过灰色控制、灰色预测、灰色决策、灰色系统理论等多部专著，较详细在阐述了灰色系统理论的产生、理论、方法与应用。在80年代中后期到90年代初，举行了十数次国际、国内有关灰色系统理论的研讨会，在全国形成一股灰色系统理论研究与应用热潮。邓聚龙先生因灰色系统理论方面的贡献，获得国家科技进步一等奖。 什么叫灰？用邓先生自己的话来讲：“完全已知的系统称作白系统；完全未知的系统称作黑系统或黑箱；部分已知、部分未知的系统称作灰色系统。”在此，已知或未知到什么程度没有具体说明。所以，“灰”的内涵不是很清楚。举个例子讲，已知某量的真值在闭区间上，不可能落在之外，但具体落到区间的什么位置则是完全不知道的。那么，这个量称作灰量，可具体表示为 ，称其为区间灰数。显然，区间灰数是客观实际中存在的，除了知道真值在上，而不在之外，不再有任何已知信息，这就是灰量的最基本原型。 由于灰色系统理论从一开始就没有建立在严格的集合论基础之上，使之缺乏必要的数学支撑，这大大限制了灰色系统理论和应用的发展。虽然灰色系统理论在控制、预测、决策等领域有着广泛的应用；但就其精华而言，还在于GM(1,1)模型。即便是现在，在特定情况下，GM(1, 1)还有用，还在被应用，并且预测效果很好。其使用限制条件是：原始数据单调，预测背景呈现稳定发展趋势；其优势是：适用于原始观测数据较少的预测问题，由于数据量很小，无法应用概率统计方法寻找统计规律，而GM(1, 1)模型恰恰弥补了这个空白，由于GM(1, 1)算法简单易行，预测精度相对较高，所以在一些特定问题中，GM(1, 1)仍然是决策者乐于选择的预测模型。 上面讲到的背景稳定的发展趋势是指下述情况：如化工设备的腐蚀量，随着使用时间的推移腐蚀不断增加，呈现出稳定的发展趋势，并且腐蚀量的测量通常比较困难(如停产才能测量)，所以实际观测数据较少。这类问题很适合GM(1, 1)模型预测。 §2 预备知识 1.1 线性回归 设平面上有数据序列，大致分布在一条直线上。 设回归直线为，求的值使误差平方和 最小。 是关于的二元函数，由 则得使取极小的必要条件为： (1) 由(1)式求出，则为所求的回归直线，或数据序列的拟合直线。 以上是最小二乘法的推导过程。下面给出一种记法，不是推导。 求回归直线的本质是用实际观测数据、去表示，使得误差平方和取最小值，即从近似方程 中形式上解出a与b。令 ， 则 两边左乘得 注意到BTB是二阶方阵，且其行列式不为零，故BTB1可逆。 在上式两边左乘得 （2） 这与按最小二乘法求得的结果（1）完全相同。 因此，只要数据点列大致在一条直线上，即近似有 可令 ， 则有 从而按最小二乘法可求出数据列的回归直线。 1.2 多元线性回归 设有数据序列，且设 试确定的值，使误差平方和 最小。 方程组 可表示为 令 ， 则 (3) 由此可解出的值，求出多元回归直线方程。 1.3 一阶常系数线性微分方程 对于一阶常系数线性微分方程 (4) 其通解为： (5) 令，则 其中a，u为给定的常数。 一阶常系数线性微分方程(4)的解是指数曲线，如下图所示： 图象 图象 图象 §3 GM(1，1)模型 G表示Grey(灰)，M表示Model(模型)，前一个“1”表示一阶，后一个“1”表示一个变量，GM(1, 1)则是一个变量的一阶微分方程模型。 给定等时间间隔的数据列，且设数据列单调： 表示t＝k时刻某量的观测值，不妨设，。将数据列记成： 表示原始数据序列。比如： 。 对原始数据作一次累加生成，令 得一次累加生成数序列为： 在此，={2.874, 6.152, 9.489, 12.879, 16.558} 给定的原始数据序列已经是单增序列，经一次累加生成的累加序列具有更强烈的单调性。我们知道指数序列是单调的，但是，单调序列却不一定是指数型的，不过强烈的单调序列可近似看做是指数的，即可用指数型曲线进行拟合。如果用指数曲线来拟合一次累加生成序列，那