模糊序列的GM(1,1)建模

本文在不改变GM(1,1)模型建模机理的前提条件下,运用模糊回归理论对GM(1,1)模型进行优化,通过定义三角模糊数的左、中、右距离,将模糊序列的GM(1,1)模型的求解转化为线性规划模型的求解,并通过实例加以论证。研究表明模糊序列的GM(1,1)模型保留了GM(1,1)模型所需建模数据少和具有预测功能的特点,且能为决策者提供一个决策区间。

基于模糊序列电网异常检测建模方法与研究

采用序列模式挖掘算法构建电网异常检测模型,能够更好地表现电网异常行为。基于此进行了电网异常检测建模方法的研究,并提出了一个基于模糊序列模式的电网异常检测模型。通过理论分析和仿真实验证明,提出的模型不仅具有检测异常行为的实际能力,而且检测效率和检测性能都得到了很大的提高。

模糊序列模式在网络异常检测中的应用

数据挖掘中的关联原则挖掘和序列模式挖掘常用于网络入侵检测问题。在本文中 ,我们试图运用模糊集理论将序列挖掘算法进行改进 ,提出一种模糊序列模式用于网络异常检测 ,并用初步的实验对该算法进行证明。

一些特殊模糊序列的收敛性(英文)

收敛性是可信性理论中一个十分重要的概念,在可性信理论中有五种重要的模糊变量:等可能模糊变量、三角形模糊变量、梯形模糊变量、正态模糊变量、指数型模糊变量,本文在一给定的可信性空间上,讨论了五种特殊模糊序列的收敛性质.

模糊排序及模糊序列的反序度初探

本文从情报检索理论中就“匹配序列”如何吻合“相关序列”以提高检索效率的问题出发,提出了模糊排序及模糊序列的反序度问题,试图对模糊排序理论进行某些探讨,模糊序列的反序度已成功地应用到了情报检索理论中。

基于直觉时间模糊序列的财务风险精准预测研究

由于现有方法在偿债能力、盈利能力指标类别的风险预测方面存在一定问题,因此提出一种基于直觉时间模糊序列的医院财务风险精准预测方法。利用强关联规则挖掘医院财务风险数据,遵循四种基础原则选取医院财务风险指标。根据指标基于直觉时间模糊序列构建医院财务风险预测模型,实现财务风险的精准预测。经实验测试,设计方法预测误差率小,具有一定应用价值。

一种模糊序列模式挖掘的有效方法

基于模糊集理论,挖掘带有数量属性的序列模式称为模糊序列模式挖掘。源于AprioriAll算法的模糊序列模式挖掘算法需多次扫描数据库。针对该缺点,提出一种基于序列矩阵表示且只需扫描一次数据库的算法MFSPM。实验表明,算法效率有明显提高。

一种模糊时间序列概率预测方法

在时序预测任务中,历史观测值的不确定性给预测带来了困难。而模糊时间序列预测方法在处理数据不确定性方面具有独特的优势。概率预测则能够提供预测目标的分布情况,从而量化预测结果的不确定性。因此,为了减少不确定性对预测任务的影响,提出了一种基于概率加权策略的模糊时间序列概率预测方法。该方法利用预测目标的历史观测值建立概率加权的模糊时间序列预测模型,通过引入额外的观测值对预测模型的模糊规则库进行细化。在细化过程中,使用2种计算成本较低的算子重构模糊逻辑关系。具体地,交算子用于剔除干扰的信息,并算子则融合所有信息,从而得到2个不同的模糊逻辑关系组集合。当前时刻观测值在2个集合中对应的模糊逻辑关系组即为对下一时刻模糊集的预测,最后经过解模糊输出下一时刻的概率分布。在公开时间序列数据集上验证了该方法的准确性和有效性,与近期提出的PWFTS预测方法相比,预测精度有显著提高。

基于MEMD和空间层次聚类的PM2.5三角模糊序列多因子组合预测

日间PM2.5浓度受本地和邻近地区的多重因素影响,具有高度不确定性和不稳定性.常见的PM2.5实值序列和区间序列分别反映其日均和极值波动状况,三角模糊序列将两者优点相结合可包含更多的有效信息.基于此,提出基于多元经验模态分解(multiple empirical mode decomposition, MEMD)和空间层次聚类的PM2.5三角模糊序列多因子组合预测模型.首先,运用皮尔曼相关系数分析PM2.5与本地污染物浓度、气象要素间的关联度,选取本地影响因子;其次,计算PM2.5与空间污染物浓度间的关联度,并据此对邻近城市K-means空间聚类得到核心影响、一般影响和偏远影响城市群,并统计各城市群不同污染物的综合指数,即空间影响因子;进而,利用MEMD对PM2.5和影响因子的三角模糊序列同时进行分解,重构得到高频、低频以及趋势序列;最后,运用BP神经网络、长短记忆神经网络(long short-term memory, LSTM)、最小二乘支持向量回归(least squares support vector regression,LSSVR)分别对子序列进行多输入单输出的预测,并将上述单项预测结果相加,即得到PM2.5三角模糊序列的预测值.仿真实验结果表明,所提出的模型能够充分考虑气象条件和多种污染物的空间影响,具有较强的预测精度和良好的实用性.

模糊时间序列分析在肾综合征出血热发病率预测的应用初探

目的探讨模糊时间序列分析在传染病发病率预测的应用价值。方法采用模糊时间序列分析方法,对2004年1月～2010年7月我国内地法定报告的肾综合征出血热(HFRS)逐月发病率资料建立预测模型,并对2010年8月～2010年11月的相应数据进行预测,并将预测结果与传统SARIMA模型预测结果进行比较。结果本次研究结果显示,模糊时间序列分析相对于SARIMA模型,有较好的预测能力。结论模糊时间序列分析对于HFRS等传染病发病率的预测具有较好的应用价值。

一种新的基于模糊C均值算法的模糊时间序列确定性预测模型

模拟时间序列因为在处理数据采集中固有的不确定性和含糊性方面的显著能力而得到了越来越多的的关注,已经有许多模型致力于改进预测准确性和减少预测的计算开销,然而对于预测不确定性的控制、有效的分区间隔和对于不同的分区间隔达到一致的预测准确性方面研究较少。针对现有预测模型的不足,本文提出了一种新的预测模型,新模型增强了预测的性能并允许处理两因子预测问题。在新模型中,应用模糊均值算法来处理模糊时间序列的区间划分,划分时考虑了数据点的性质,产生不等大小的区间。最后在仿真实验中采用真实的观察数据,仿真实验结果表明本文提出的预测模型在预测准确性方面要优于现有的其他预测模型。

高阶直觉模糊时间序列预测模型

提出一种高阶直觉模糊时间序列预测模型。模型首先应用模糊聚类算法实现论域的非等分划分;然后,针对直觉模糊时间序列的数据特性,提出一种更具客观性的直觉模糊集隶属度和非隶属度函数的确定方法;最后,利用直觉模糊多维取式推理建立高阶模型的预测规则,进行预测。在Alabama大学入学人数和北京市日均气温2组数据集上分别与典型方法进行对比实验,结果表明该模型有效提高了预测精度,证明了模型的有效性和优越性。

基于SVM修正的模糊时间序列模型在沪指预测中的应用

传统股票指数研究方法多停留在经验判断或简单的数据分析阶段,主要方法有基本面分析法、交易指标分析法等,这类分析方法或是对以往数据包含的信息使用效率比较低,或是对使用者的经验积累要求很高.近年来,数据挖掘方法在股市中已有很多成功的应用.在上述工作的基础上,从以下三方面提出一种改进的糊时间序列(fuzzy time series,FTS)模型并将其应用于股市预测中:一是提出了新的区间划分方法;二是提出新的模糊集权重公式;三是运用SVM分类算法进行模型修正,提出组合FTS模型.样本是选取1996~2003年上证指数数据,利用提出模型进行指数预测.实验结果表明,与多种重要FTS模型进行比较,本文提出的改进模型效果更优.

基于直觉模糊推理的直觉模糊时间序列模型

由于受到模糊集理论的限制,模糊时间序列预测理论在不确定数据集的描述上有失客观,针对这种局限性,提出一种直觉模糊时间序列预测模型。应用模糊聚类算法实现论域的非等分划分;针对直觉模糊时间序列的数据特性,提出一种更具客观性的隶属度和非隶属度函数的确定方法;提出一种基于直觉模糊近似推理的模型预测规则。在Alabama大学入学人数和中国社会消费品零售总额数据集两组数据集上分别与典型方法进行对比实验,结果表明该模型有效提高了预测精度,证明了模型的有效性和优越性。

BP神经网络和模糊时间序列组合预测模型及其应用

为了解决非线性的时间序列预测问题,提出了BP神经网络和模糊时间序列相结合的预测模型。利用BP神经网络自学习和模糊集能够更客观反应实际情况,通过对时间序列差分模糊化建立数学模型,BP神经网络进行训练,最后去模糊化还原实际。将这种预测方法应用到矿产资源镍价格中,取得了较好的效果。

基于加权模糊度时间序列分析的大型变压器故障预报

分析了变压器油中溶解气体特性及其与故障的对应情况,确定了故障现象模糊集合和故障种类标准模型库(模糊集),根据现象子集对每个故障模型进行划分,形成多个模糊向量集合族;收集了大量故障变压器的历史数据,并用数理统计方法估算故障隶属度函数的参数;采用时间序列灰色预测法估计某时间内各故障隶属度及其发展趋势,对阈值原则进行改进,并根据改进后的阈值原则推断可能发生故障的种类及其发展趋势。最后,用实例验证了该方法的有效性。

一种新的模糊时间序列预测模型

利用模糊系数实变量的线性方程组建立了一种新的模糊时间序列预测模型。模型的求解被转化为一种二次规划问题 ,它可广泛地应用于不确定环境中的各种预测。

基于二阶马尔可夫模型的模糊时间序列预测

针对当前模糊时间序列模型存在的缺乏有效论域划分方法和模糊关系前件多为一阶的现状,提出了基于二阶马尔可夫模型的模糊时间序列预测方法。应用模糊C均值聚类方法,获得序列中元素的隶属度;引入二阶马尔可夫模型中的转移概率矩阵表示模糊关系,更新了传统的模糊关系表示和运算;预测待求元素在各个模糊聚类的隶属度,并利用重心法去模糊化。将该模型运用到移动3G网络的性能预测中,与传统模糊时间序列预测方法相比,其准确性有了较大提高。

基于模糊时间序列模型的股票市场预测

文章针对模糊时间序列模型目前存在的缺乏客观论域划分方法和模糊关系前件单一等缺陷,首先应用模糊聚类方法将数据分类,以相邻两个聚类中心的中点作为子区间的分界点来划分论域;其次将数据模糊化后根据证券市场主要量价指标建立了具有多个前件的高阶模糊关系;最后根据序列对比规则计算预测值。将该模型用于股票指数的价格预测和涨跌预测,与传统模型比较的结果表明其预测准确率有了较大提高。

模糊时间序列挖掘在复杂系统模糊建模中的应用

针对于复杂工业过程领域模糊建模问题 ,提出了一种基于时间序列的模糊定量数据挖掘方法 ,并讨论了其在复杂系统模糊逻辑推理模型结构辨识中的应用 .该方法建立在系统历史采集数据库基础之上 ,较好的解决了多入多出 (MIMO)非线性复杂工业过程模糊建模时初始模型的建立问题 .文章最后讨论了该方法在氧化铝熟料烧结回转窑建模中的应用 ,取得了良好的现场运行效果 .