经验模态分解方法(EMD)在数据挖掘中的应用

股市数据无时无刻不在变化,然而带有明显的时序性。从直观上说,数据值的变化直接受到时间参数的影响,因此直接利用原始数据不仅简单明了,而且容易发现数据瞬时变化的特性。本文阐述了经验模态分解(EMD)方法的原理和思想,利用经验模态分解方法在提取数据时存在的优势,解决了在股票预测时由于数据量大不利于判断股票走势的问题。我们把经验模态方法和多层反馈神经网络FP算法相结合对现实中的股票数据进行相似模式匹配,简化股票趋势预测的复杂性,为股市的预测提供了一种简单有效的方法。

语义网中的本体映射研究

本体映射的关键是概念相似度的计算。本文提出的方法从三个方面来计算这一相似度,首先计算概念的语义相似度,其次计算概念描述相似度,最后计算邻近层次概念的相似度。