数学建模 —— 灰色系统(4)

news2024/11/26 20:35:15

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:http://www.coloradmin.cn/o/1795321.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

[AI]大模型训练成本到底有多大?

大模型成本到底有多大,大到太平洋装不下。 上图是早前统计的,目前比较流行的大模型的厂家、模型名称、参数级别和类型。 大模型的成本主要有三块,分别是训练成本、推理成本、储存成本。 大模型的成本确实主要涉及训练成本、推理成本和储存成…

Python 包安装及常用命令【python 入门】

背景: 近期看到一个项目,做微信只能机器人,服务是使用python搭建的,于是拷贝下来自己打算跑一跑,部署一下,可是自己又没有python的经验,于是各种查资料学习,跟着敲一敲,顺…

Signac|成年小鼠大脑 单细胞ATAC分析(1)

引言 在本教程中,我们将探讨由10x Genomics公司提供的成年小鼠大脑细胞的单细胞ATAC-seq数据集。本教程中使用的所有相关文件均可在10x Genomics官方网站上获取。 本教程复现了之前在人类外周血单核细胞(PBMC)的Signac入门教程中执行的命令。…

【机器学习】使用Stable Diffusion实现潜在空间搜索

1、引言 1.1 潜在空间的概念 潜在空间(Latent Space)是在机器学习和深度学习中一个重要的概念,它指的是用于表示数据的一种低维空间。这个空间编码了数据中包含的所有有用信息的压缩表示,通常比原始数据空间的维数更低&#xff…

java守护线程介绍

在Java中,守护线程(Daemon Thread)是一种特殊类型的线程,它在后台默默地运行,为其他线程提供服务。当 JVM 中只剩下守护线程时,JVM 会退出。这意味着,守护线程不应该执行关键的任务,…

COMPUTEX 2024 国际电脑展即将举行,英伟达宣布将Copilot+引入RTX系列设备,赋能游戏本AI助理

COMPUTEX 2024 国际电脑展即将于2024年6月4日至7日在台北南港展览馆1馆及2馆盛大举行。作为业界瞩目的盛会,本次展会不仅吸引了全球各地的科技爱好者,更迎来了AMD CEO苏姿丰博士和NVIDIA首席执行官黄仁勋的精彩演讲。 在展会的开幕之际,图形…

【Python】教你彻底了解Python中的模块和包

​​​​ 文章目录 一、模块的概念1. 导入模块2. 导入特定对象3. 给模块或对象取别名 二、标准库模块1. 常用标准库模块2. 使用示例 三、自定义模块1. 创建模块2. 使用自定义模块 四、包的结构与使用1. 创建包2. 使用包中的模块 五、包的深入使用1. 相对导入2. 子包3. 使用子包…

策略模式+简单工厂

🍇工厂模式 🍈工厂模式向策略模式过度——工厂加一个保安 🍏策略模式 🍐策略模式简单工厂 声明本文需要理解多态的基础上才能来学习 欢迎前来学习——继承和多态 学习记录 工厂模式 需要什么就生成什么 // 工厂模式 class Fact…

DP读书:如何使用badge?(开源项目下的标咋用)

最近在冲论坛,很少更一些内容了。但遇到了一个真的有趣的: 开源项目下,蓝蓝绿绿的标是怎么用的呢? 这是我的主页Readme,在看一些NXP的主仓时,突然发现没有这个玩,就自己整了个 再比如我的CSDN专…

php高级之框架源码、宏扩展原理与开发

在使用框架的时候我们经常会看到如下代码 类的方法不会显示地声明在代码里面&#xff0c;而是通过扩展的形式后续加进去&#xff0c;这么做的好处是可以降低代码的耦合度、保证源码的完整性。我自己看着框架源码实现了这个功能。 以下是结果: base代码 index.php <?php…

WPS表格插件方方格子【凑数】功能:选出和等于固定数字的数

文章目录 后来发现可以下载方方格子插件&#xff0c;使用【凑数】功能https://ffcell.lanzouj.com/iwhfc1kjhayh【凑数】快速【凑数】 导师让沾发票&#xff0c;需要选出若干个数额的发票&#xff0c;使它们的和等于一个指定数。不知道怎么办了&#xff0c;查了一下&#xff0c…

【MySQL】数据库入门基础

文章目录 一、数据库的概念1. 什么是数据库2. 主流数据库3. mysql和mysqld的区别 二、MySQL基本使用1. 安装MySQL服务器在 CentOS 上安装 MySQL 服务器在 Ubuntu 上安装 MySQL 服务器验证安装 2. 服务器管理启动服务器查看服务器连接服务器停止服务器重启服务器 3. 服务器&…

三十九、openlayers官网示例Extent Interaction解析——在地图上绘制范围并获取数据

官网demo 地址&#xff1a; Extent Interaction 在openlayers中可以使用ExtentInteraction添加交互事件&#xff0c;配合shiftKeyOnly实现按住shift键绘制边界区域。 const map new Map({layers: [new TileLayer({source: new OSM(),}),],target: "map",view: new …

【贡献度分析(帕累托图)】

文章目录 前言一、贡献度分析是什么&#xff1f;二、使用步骤1. 准备数据2. 排序数据3. 绘制帕累托图4. 分析结果5. 实际应用 三、示例代码 前言 贡献度分析也称为帕累托分析。它可以帮助我们理解数据集中各个因素对整体影响的程度&#xff0c;从而优先处理最重要的因素&#…

oracle数据库通过impdp导入数据时提示,ORA-31684:对象类型用户xxx已存在,和ORA-39151:表xxx存在的解决办法

前提条件&#xff1a;首先备份原数据库中此用户对应的schemas 比如名为cams_wf的schemas 以便出了问题后还可以恢复原数据。 解决办法一、 通过命令或者数据库管理工具删除掉此schemas下的所有表&#xff0c;然后在impdp中加入ignorey 来忽略ORA-31684&#xff1a;对象类型用…

分享一个 .Net core Console 项目使用 SqlSugar 的详细例子

前言 SqlSugar 是一款老牌的 .NET 开源 ORM 框架&#xff0c;性能高&#xff0c;功能全面&#xff0c;使用简单&#xff0c;支持 .NET FrameWork、.NET Core3.1、.NET5、.NET6、.NET7、.NET8、.NET9 等版本&#xff0c;线上论坛非常活跃&#xff0c;今天给大伙分享一个 .Net c…

SCARA机器人中旋转花键的维护和保养方法!

作为精密传动元件的一种&#xff0c;旋转花键在工作过程中承受了较大的负荷。在自动化设备上运用广泛&#xff0c;如&#xff1a;水平多关节机械手臂&#xff08;SCARA&#xff09;、产业用机器人、自动装载机、雷射加工机、搬运装置、机械加工中心的ATC装置等&#xff0c;最适…

services层和controller层

services层 我的理解&#xff0c;services层是编写逻辑代码语句最多的一个层&#xff0c;非常重要&#xff0c;在实际的项目中&#xff0c;负责调用Dao层中的mybatis&#xff0c;在我的项目中它调用的是这两个文件 举例代码如下 package com.example.sfdeliverysystem.servic…

K8s资源管理Dashboard的搭建

一、准备 接上篇k8s集群搭建&#xff1a; https://blog.csdn.net/FORLOVEHUAN/article/details/139493668?spm1001.2014.3001.5501 Dashboard是官方提供的一个UI&#xff0c;可用于基本管理K8s资源。 与k8s版本对应关系&#xff1a; https://github.com/kubernetes/dashboard…

LLama2源码分析——Rotary Position Embedding分析

参考&#xff1a;一文看懂 LLaMA 中的旋转式位置编码&#xff08;Rotary Position Embedding&#xff09; 原理推导参考自上文&#xff0c;以下结合huggingface代码分析公式计算过程 1 旋转角度计算 计算公式如下&#xff0c;其中d为词嵌入维度&#xff0c;这部分和论文原文…