1) recurrence of new information with equal dimension
等维新息递推
2) equal dimension new information recurrence model
等维新信息递推模型
1.
Load is forecasted by equal dimension new information recurrence model, and result shows improved model has higher forecast accuracy.
对灰色GM(1,1)模型进行必要的改进,利用等维新信息递推模型进行负荷预测,通过实例分析表明,可提高预测的精度。
3) equal dimension recurrence
等维递推
1.
Prediction accuracy and practicability can be further improved by the use of equal dimension recurrence in GM (1,1) model.
将等维递推处理技术应用于预测模型中,还可进一步提高该模型的预测精度和实用
4) equal dimension and new information
等维新息
1.
Based on the theory of grey system,the paper discusses a method for building a weighted model of equal dimension and new information that is to use a time-change increasing factor from deformation observing time series according to the peculiarity of reliability of these data being in direct proportion to time.
从灰色系统理论入手 ,针对已发生的时间序列的一组变形观测数据 ,按其可靠性随时间成正比例变化的特性 ,引入时变递增因子来定权 ,并及时更新数据 ,用最新的数据替换老的数据 ,建立等维新息模型 ,以保证原始数据对模型的作用 ,使模型更能反映实际 。
2.
On the basis of traditional Grey Model,the article improves Grey Model by the combination of equal dimension and new information and Residual error correction.
其中,在传统灰色预测模型的基础上,本文提出了等维新息和残差校正相结合的改进灰色预测模型,并在残差校正中引入了马尔可夫过程。
5) equal dimension new information method
等维新息法
6) equal dimension new information model
等维新息模型
1.
The modelling methods of old information model,new information model,equal dimension new information model and modified model of residual based on GM(1,1)are introduced;the equal dimension new information model and the modified model of residual are set up separately.
介绍了GM(1,1)的原息模型、新息模型和等维新息模型及残差修正模型的建模方法,分别建立了长江水质预测的等维新息模型和残差修正模型。
2.
The modelling methods of old information model, new information model and equal dimension new information model based on GM(1,1) are introduced; and a comparison between reliabilities of the gray unweighted model and the gray weighted model is made.
介绍了GM(1,1)的原息模型、新息模型和等维新息模型的建模方法,比较分析了GM(1,1)加权预测模型和非加权预测模型的可靠性问题。
补充资料：递推估计算法
利用时刻t上的参数估计孌(t)、存储向量嗘(t)与时刻 t+1上测量的输入和输出值u(t+1)和y(t+1)计算新参数值孌(t+1),再根据孌(t+1)计算出新参数值孌(t+2)，直到获得满意的参数值为止。这种算法的每一步计算量都比较小，能够使用小型计算机进行离线或在线参数估计，可以估计时变参数，也可以实时估计适应控制器的参数（见适应控制系统）。20世纪60年代，递推估计算法得到迅速发展，到了70年代产生了许多不同的方法，例如，有离线方法的各种变形、卡尔曼滤波法、随机逼近方法和模型参考适应参数递推估计法等。递推估计算法的各种方法可以用一个统一的公式来描述：
给孌(t),F(t),嫓(t)和w(t)不同的值就得到各种不同的方法：①递推最小二乘法；②递推增广最小二乘法；③递推近似极大似然法；④递推辅助变量法；⑤递推广义最小二乘法；⑥卡尔曼滤波参数估计；⑦随机逼近法；⑧模型参考适应法；⑨时变参数递推估计法。
参考书目
Lennart Ljung，Torsten Soderstrom， Theory and Practice of Recursive Identification，MIT Press., Combridge, Mass., 1983.
给孌(t),F(t),嫓(t)和w(t)不同的值就得到各种不同的方法：①递推最小二乘法；②递推增广最小二乘法；③递推近似极大似然法；④递推辅助变量法；⑤递推广义最小二乘法；⑥卡尔曼滤波参数估计；⑦随机逼近法；⑧模型参考适应法；⑨时变参数递推估计法。
参考书目
Lennart Ljung，Torsten Soderstrom， Theory and Practice of Recursive Identification，MIT Press., Combridge, Mass., 1983.
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条