数学建模模型应用--灰色理论.ppt

灰色理论 1、灰关联理论 2、灰色预测模型 教师：郭文艳 1.1、灰关联分析方法概述 灰色系统是既含有已知信息，又含有未知信息或非确知信息的系统。灰关联分析是依据灰数列间几何相似的序化分析与关联测度，来量化不同层次中多个序列相对某一级别的关联性，其实质为灰色系统中多个序列之间接近度的序列分析，这种接近度称为数据间的关联度。 1.1、灰关联分析方法概述 关联度愈高，说明该样本序列隶属的关系愈贴近，这是综合评价的信息和依据。在数学理论上，它反映了离散数列空间的接近度，所以是一种几何分析法。灰关联度分析的基本思想是根据离散数据之间几何相似程度来判断关联性大小，并进行排序。 在此，我们通过两个实例给出灰关联分析方法的过程 1.2、灰关联分析的步骤 应用灰关联分析，一般包括下列的计算和分析步骤： 1）确定参考序列和比较序列； 2）作原始数据变换； 3）求绝对差序列； 4）计算关联系数； 1.2、灰关联分析的步骤 5）计算关联度； 6）排关联序； 7）列关联矩阵进行优势分析。 1.2.1 数据变换技术 为了保证建模的质量与系统分析的正确结果，对收集来的原始数据必须进行数据变换处理，使其消除量纲和具有可比性。 定义1 设有序列 称映射为序列到序列的数据变换。 1.2.1 数据变换技术 称映射 为序列 到序列 的数据变换 1）初值化变换： 2）均值化变换： 1.2.1 数据变换技术 3）百分比变换： 4）倍数变换： 5）归一化变换： 1.2.1 数据变换技术 6）极差最大化变换： 7）区间值化变换： 1.2.2 变换的性质 上述变换满足 1）当 ； 2）保序性： 3）保差异性：对任意的 ，有 1.2.3 多指标序列的数据变换 设有多指标序列 称映射 1.2.3 多指标序列的数据变换 为序列 到序列 的数据变换。 多因素指标的数据变换主要依赖于指标的属性类型，常用的属性类型有效益型（指标值越大越好型）、成本型（指标值越小越好型）、固定型（指标值越接近某固定值越好型）、区间型（指标值越接近某固定区间越好）、偏离型（指标值越偏离某固定值越好）、偏离区间型（指标值越偏离某固定区间越好）等。 1.2.3 多指标序列的数据变换 关联分析中常用的数据变换有 1）效益型： 2）成本型： 1.2.3 多指标序列的数据变换 3）固定型： 为固定值 4）区间 型： 1.2.3 多指标序列的数据变换 5）偏离 型： 6）偏离区间 型： 1.2.4 关联度 定义2：设为 灰关联因子集， 为参考序列， 为比较序列， 分别为 与 的第 个点的数， 1.2.4 关联度 定义 为灰关联系数。其中 为绝对差， 为两极最小差， 为两极最大差， 为分辨系数 1.2.4 关联度 定义3：设为 指标 的权重，满足 ， ，定义 为 对 的灰关联度， 是序列几何距离的一种度量。 1.3 实例 1.3.1 实例一：用灰关联分析的方法分析影响呼和浩特市大气污染的各主要因素的污染水平。 表1 1999-2003年城市大气污染监测数据 计算步骤： （1）将城市区域大气污染值作为参考序列 ，其他各因素作为比较因素序列 ，对各因素初值化处理，得各标准化序列 表2 标准化数据 （2）由上表求绝对差。得序列 （3）计算关联系数如下：取 （4）计算关联度 取 ，比较因素和参考因素的关联度为 结果分析 从结果可以看出，直接因素（前3个）关联度的排序为 ，说明在城市大气环境的影响因素中，TSP是主要因素；在间接因素（后5个）中，关联度的排序为 ，机动车数量是主要的间接影响因素。 1.3.2 实例二：基于灰度关联的多传感器融合目标识别方法 目标识别的基本任务就是利用样本的特征和目标库中已知目标的特征的比较，将待识别样本划分为相应的目标类型。目标识别技术是军用指挥自动化系统的关键技术之一，一直是该领域的研究重点和热点。 3.2.1单传感器灰色识别原理 设目标库 中有 个目标，每个目标