基于相似度证据理论的模糊时间序列模型的研究

为了提高模糊时间序列模型的预测效果，利用证据理论在处理不确定信息和信息融合方面的优越性，利用贴近度作为证据之间的相似度，对模糊规则进行合成，形成基于相似度的证据理论的多因素模糊时间序列模型．方法在支持证据“与”运算的合成和对冲突证据的比例分配上，充分考虑了证据的权重．最后，通过实例的比较研究验证模型的有效性．

一种基于D-S和ARIMA的多模型软测量方法

针对传统软测量方法存在的预测性能差、融合能力低等缺点,提出一种基于证据理论(D-S)合成规则和差分自回归滑动平均(ARIMA)模型的多模型软测量方法.首先利用自适应模糊核聚类方法和最小二乘支持向量机建立多个子模型;然后利用D-S合成规则构造的概率分配函数作为权值因子,对子模型输出进行融合以得到多模型的输出;最后结合ARIMA模型对静态多模型输出进行动态校正.仿真研究与工业应用的结果表明,所提出的方法具有良好的预测性能和融合能力.