金融时间序列模糊边界预测研究

传统的金融时间序列预测方法以精确的输入数据为研究对象,在建立回归模型的基础上做单步或多步预测,预测结果是一个或多个具体的值.由于金融市场的复杂性,传统的预测方法可靠度较低.提出将金融时间序列模糊信息粒化成一个模糊粒子序列,运用支持向量机对模糊粒子的上下界进行回归,然后应用回归所得到的模型分别对上下界进行单步预测,从而将预测的结果限定在一个范围之内.这是一种全新的思路.以上证指数周收盘指数为实验数据,实验结果表明了这种方法的有效性.     

基于长短期记忆神经网络的可用停车位预测

可用停车位预测是智能停车诱导系统的关键问题之一。当前基于神经网络的预测技术在较短预测周期内,预测准确度的平均绝对误差在 10 左右,但随着预测步长或周期的增加,预测精度急剧下降。针对这一问题,该文提出了一种在中长预测时间周期内可保持数据变化特征的泊位预测方法。该方法使用模糊信息粒化获取特征数据集,通过训练长短期记忆神经网络预测未来的特征数据集,基于数据插值方法重建出整个区间可用停车位的连续变化曲线。仿真结果表明,该方法在相同预测步长的可用车位预测上,比传统预测方法具有更高的预测精度;在保持相近预测精度的条件下,比传统预测方法具有更高的计算效率。     

基于模糊信息粒化与混合神经网络的混沌时间序列预测

为了提高对混沌时间序列预测的精准度,提出了一种基于模糊信息粒化和注意力机制的混合神经网络预测模型。首先对数据进行归一化处理,利用模糊信息粒化对数据的复杂度进行简化;然后将经过相空间重构后的样本输入卷积神经网络(CNN)提取空间特征;再利用长短期记忆神经网络(LSTM)进一步提取时间特征;最后将融合特征传递给注意力机制提取关键特征,得出预测结果。选取Logistic、洛伦兹和太阳黑子混沌时间序列进行实验,并与CNN-LSTM-Att模型、CNN-LSTM模型、FIG-CNN模型、FIG-LSTM模型、CNN模型、LSTM模型、支持向量机(SVM)及误差逆传播(BP)模型进行对比分析。结果表明,所提的预测模型预测精度更高,误差更小。     

数据合并的结构粒化方法与矩阵计算

为了研究数据合并问题,并使合并数据保持合并前的数据之间的关联关系,对各类数据信息给予了结构化的表示,对应产生了由数据集和加权关系组合构成的加权关联结构;进而通过数据集的合并粒化集,完成了加权关联结构向加权粒化结构的转换,使数据集中的数据依据粒化信息得到了合并,并保持或汇集了合并前的数据之间的关联信息,由此形成了数据合并的结构粒化方法。在此基础上,构建了加权关联矩阵和加权粒化矩阵,分别作为加权关联结构和加权粒化结构的矩阵表示。经中间变换和目标变换的矩阵计算,实现了加权关联矩阵向加权粒化矩阵的变换,产生了与结构粒化等价的矩阵变换方法,形成了程序设计的算法基础。     

一种具有层级结构的瓦斯浓度多模型预测方法北大核心CSCD

针对矿井中瓦斯浓度预测问题,提出一种具有层级结构的多模型预测方法。该模型不仅能够对不同区域的数据选择不同的子模型进行处理,而且每个数据都是由不同子模型中多个亚子模型协同处理。由于实测瓦斯浓度时间序列数据中含大量的噪声,采用经验模态分解将该时间序列数据分解成若干个独立的本征模函数,并将小尺度函数经低通滤波自适应除噪后进行相空间重构建立时间序列预测模型。用矿井实测瓦斯浓度数据进行试验,结果表明该模型较其他模型的预测精度有明显的提高。     

帆船VMG时间序列模糊边界研究

VMG（Velocity Made Good）是帆船在前进过程中船速在风的方向上的投影,它体现了帆船在风向上前进的能力,反映了帆船运动员利用风的能力.因此,对运动员而言,若能掌握VMG的变化范围,即为他们制定帆船航行方向决策提供了科学依据.基于与上海体育局合作的《帆船帆板赛场环境监测和运动技术分析系统开发》课题所采集到的有关帆船运动的原始数据,首先,采用基于模糊集的信息粒化方法将原始数据粒化,得到VMG的模糊粒子;之后,采用支持向量机（Support Vector Machine,SVM）的学习方法实现对模糊粒子的上下界的回归预测,从而实现了帆船VMG时间序列的模糊边界的变化范围预测.实验仿真结果证明了这种研究方法的有效性.     

数据关联的粒化树描述方法

为探讨数据关联问题,对数据集实施分层粒化处理,得到分层结构的粒化树.进而利用粒化树的层次信息和粒度的数值表示,并通过关联数据产生的数据联系,给出两棵粒化树之间数据关联的定义.文中视上近似为算子,借助上近似运算对应的粒,获得数据关联的判定定理,并基于粒度的数值信息判定关联紧密程度,形成数据关联的粒化树描述方法,其展示的粒化分层和粒度数值表示可看作粒计算研究的一种形式.实例的讨论表明粒化树方法的应用价值     

基于时间序列的瓦斯浓度动态预测

现有瓦斯浓度预测方法只能实现瓦斯浓度的静态预测,不能随着瓦斯数据的累积而及时更新,从而导致预测结果不具有及时性。针对该问题,提出了一种基于时间序列的瓦斯浓度动态预测方法。利用小波分解技术的多分辨率特性,将瓦斯浓度时间序列分解到不同尺度上,使时间序列平稳化;通过实时动态构建的自回归滑动平均(ARMA)模型,利用过去瓦斯浓度变化趋势预测未来一段时间的矿井瓦斯浓度值,得到时间序列预测结果;为提高瓦斯浓度预测精度,将ARMA模型的预测结果与矿井环境参数输入到训练好的BP神经网络模型中,通过BP神经网络模型对预测结果进行修正,从而获得最终的瓦斯浓度预测值。测试结果表明,该方法可对矿井瓦斯浓度进行准确预测,瓦斯体积分数预测平均相对误差从8%降低到了5%。     

一种粗糙不确定的图像分割方法

图像分割是计算机视觉领域的一个基础问题,涉及图像检索、物体检测、物体识别、行人跟踪等众多后续任务。目前已有大量研究成果,有基于阈值、聚类、区域生长的传统方法,也有基于神经网络的流行算法。由于图像区域边界的不确定性问题,现有算法并没有很好地解决图像部分区域渐变导致的边界模糊问题。粒计算是解决复杂问题的有效工具之一,在不确定的、模糊的问题上取得了良好的效果。针对现有图像分割算法在不确定性问题上的局限性,基于粒计算思想,提出了一种粗糙不确定性的图像分割方法。该算法在K均值算法的基础上,结合邻域粗糙集模型,先对类别边界区域的像素点进行粒化,运用邻域关系矩阵,得到各类别对各粒化像素点的包含度,从而对边界区域类别模糊的像素点进行重新划分,优化了图像分割的结果。在Matlab2019编程环境中,实验选取了BSDS500数据集中的一张马术训练图片和一张建筑物图片来测试算法性能。实验先对彩色图像进行灰度处理,用K均值算法对图像进行初步分割,再设置邻域因子值,依据边界像素点邻域信息重新划分边界点。对比K均值算法的分割结果可知,所提算法取得了更佳的效果。实验结果表明,该方法在粗糙度这一评价标准上优于K均值算法,可以有效降低图像区域边界的模糊性,实现灰度边界模糊的图像渐变区域的分割。     

基于MapReduce框架的分布式软K段主曲线算法

传统的主曲线算法在小规模数据集上能获得良好的效果,但单节点的计算和存储能力都不能满足海量数据主曲线的提取要求,而算法分布式并行化是目前解决该类问题最有效的途径之一。本文提出基于MapReduce框架的分布式软K段主曲线算法 (Distributed soft ｋ-segments principal curve,DisSKPC)。首先,基于分布式K-Means算法,采用递归粒化方法对数据集进行粒化,以确定粒的大小并保证粒中数据的关联性。然后调用软K段主曲线算法计算每个粒数据的局部主成分线段,并提出用噪声方差来消除在高密集、高曲率的数据区域可能产生的过拟合线段。最后借助哈密顿路径和贪婪算法连接这些局部主成分线段,形成一条通过数据云中间的最佳曲线。实验结果表明,本文所提出的DisSKPC算法具有良好的可行性和扩展性。     

基于模糊逻辑的多维时序软关联规则挖掘

针对时间序列片段归类时在边界状态上存在不确定性的问题,提出一种软化边界的方法.该方法对时间序列记录集属性序列进行滑窗以及正规化处理后用模糊聚类方法聚类,使样本个体不是简单地归于单个代表形态.通过样本点的隶属度计算关联规则的支持度和可信度,使这2个重要指标的计算更精确,并采用一种基于隶属度的J-measure测度对规则有...     

基于模糊知识粒度的混合属性约简算法

现实世界中常常包含着海量的、不完整的、模糊及不精确的数据或对象,使得模糊信息粒化成为近年来研究趋势。利用论域上的模糊等价关系定义了模糊粒度世界的模糊知识粒度,给出了新的属性约简条件和核属性计算方法,以便更好地挖掘出潜在的、有利用价值的信息。针对粗糙集在对连续属性约简的过程中容易造成信息缺失和不能对模糊属性处理的现象,提出了一种基于模糊知识粒度对混合决策系统约简的启发式算法,省去了连续属性离散化过程,减少了计算量,为离散值域和混合值域约简提供了统一的方法。最后通过实例验证了其有效性。     

时间序列模糊关联规则的挖掘

对于许多复杂系统产生的时间序列,研究序列的局部行为和局部关联特征往往比原来的研究系统全局性模型具有明显的优势。为研究时间序列内部或时间序列间局部形态的关联特征,文章借助模糊集来软化时间序列属性论域的划分边界从而研究时间序列局部形态的模糊关联规则、规则可信度和规则的评价方法。实际算例显示了算法的有效性。     

用HCM聚类和遗传算法实现多级模糊神经网络

模糊集理论适用于一些实验数据中不确定性和模糊性的建模问题,而模糊推理系统拥有模糊IF-THEN格式的结构化知识表示,但缺少适应性。神经网络本身具有对外部很强的适应性和从过去数据中学习的机制,但基于线性推理的模糊神经网络(FNN)模型作为模糊推理方法不能得到存在于参数间的最终关系,也不能影响接着发生的模糊集合。因此,我们提出了一个多级模糊神经网络(Multi-FNN),使用硬C均值聚类和进化模糊颗粒,利用处理为近似推理的一个线性推理,获得信息微粒和模糊集之间的关系。     

Adaptive consensus model with multiplicative linguistic preferences based on fuzzy information granulation

An adaptive consensus model based on fuzzy information granulation (fuzzy IG) is presented for group consensus decision-making problems with multiplicative linguistic preference relations (MLPRs). Firstly, a granular representation of linguistic terms is concerned with the triangular fuzzy formation of a family of information granules over given Analytical Hierarchy Process (AHP) numerical scales. On this basis, the individual consistency and group consensus measure indices using fuzzy granulation technique are constructed, respectively. Then, the optimal cut-off points of fuzzy information granules are obtained by establishing a multi-objective optimization model together with a multi-objective particle swarm optimization (MOPSO) algorithm. A novel group consensus decision-making approach where consensus reaching process (CRP) is achieved by adaptively adjusting individual preferences through the optimization of the cut-off points is proposed. After conflict elimination, the obtained group preference gives the ranking of the alternatives. Finally, a real emergency decision-making case for liquid ammonia leak is given to illustrate the application steps of the proposed method and comparative analysis with the existing GDM methods. Comparative results demonstrate that the proposed method has some advantages in aspects of avoiding information loss or distortion and improving consensus performance.     

基于知识粒度的异常数据挖掘算法

粒计算理论提供了一种新的处理不确定、不完全与不一致知识的有效方法。知识粒度是粒计算理论中度量不确定信息的重要工具之一。已有的异常数据挖掘算法主要针对确定性的异常数据挖掘,采用知识粒度度量不确定性数据,进行异常数据挖掘的研究尚未报道。为此,在引入知识粒度概念的基础上,定义了相对知识粒度及异常度来度量数据之间的异常程度,并提出基于知识粒度的异常数据挖掘算法,该算法可有效进行异常数据的挖掘。实例验证了该算法的有效性。     

Fuzzy rule interpolation based on the ratio of fuzziness of interval type-2 fuzzy sets

In recent years, some fuzzy rule interpolation methods have been presented for sparse fuzzy rule-based systems based on interval type-2 fuzzy sets. However, the existing methods have the drawbacks that they cannot guarantee the convexity of the fuzzy interpolated result and may generate the same fuzzy interpolated results with respect to different observations. Moreover, they also cannot deal with fuzzy rule interpolation with bell-shaped interval type-2 fuzzy sets. In this paper, we present a new method for fuzzy rule interpolation for sparse fuzzy rule-based systems based on the ratio of fuzziness of interval type-2 fuzzy sets. The proposed method can overcome the drawbacks of the existing methods. First, it calculates the weights of the closest fuzzy rules with respect to the observation to obtain an intermediate consequence fuzzy set. Then, it uses the ratio of fuzziness of interval type-2 fuzzy sets to infer the fuzzy interpolated result based on the intermediate consequence fuzzy set. We also use some examples to compare the fuzzy interpolated results of the proposed method with the results by the existing methods. The experimental results show that the proposed fuzzy rule interpolation method gets more reasonable results than the existing methods.