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DTW的长期直觉模糊时间序列预测模型

针对现有直觉模糊时间序列模型中直觉模糊关系组和确定性转换规则过度依赖训练数据规模的问题,提出一种基于动态时间弯曲（DTW, dynamic time warping）距离的长期直觉模糊时间序列预测模型。通过直觉模糊C均值（IFCM, intuitionistic fuzzy C mean）聚类构建直觉模糊时间序列片段库,动态更新和维护规则库,减少系统复杂度。提出基于DTW距离的直觉模糊时间序列片段相似度计算方法,有效解决不等长时间序列片段匹配问题。通过对合成数据以及包含不同时间序列模式的气温数据的实验,与其他相关模型比较,说明该模型对于不同时间序列趋势变化模式中均具有较高的预测能力,克服传统模型提高模型只能满足单一模式时间序列预测,提高模型的泛化性能。     

一种新型复杂时间序列实时预测模型研究

针对复杂时间序列难以使用单一预测方法进行有效预测的问题，本文提出一种新型多分辨率增量预测模型．该模型首先使用经验模式分解方法对复杂时间序列分解，然后对各分量分别进行增量核空间独立向量组合预测建模，最后对各个分量预测结果等权求和集成为综合预测结果．该预测模型可以实现对复杂时间序列的快速实时预测，实验结果显示该模型在复杂时间序列预测上有良好的性能．     

一种新型时间序列多分辨预测模型研究

使用单一模型实现复杂时间序列预测一直是一个研究热点和难点问题.本文采用经验模式分解方法首先将复杂时间序列分解为一系列本征模式函数之和,然后对各个本征模式进行径向基神经网络预测建模,在此基础上,通过各个分量预测结果的等权求和得出综合预测结果.此外,各RBF网络核函数的最优参数对数值与各本征模式分量呈近似线性关系,利用该线性关系可以减少交叉验证求参数的次数,从而降低计算负担.仿真结果表明分解域多RBF网络预测模型对复杂时间序列预测性能好于单一的RBF网络预测模型.     

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。     

混沌时间序列预测的改进型加权一阶局域法

提出了一种用于混沌时间序列预测的改进型加权一阶局域法.用衰减系数对分维指数加权一阶局域法的向量距离公式进行修正,调节邻近点与中心点的相关性,也调节了同一邻近点的各个分量和中心点的最后一个分量的关联程度.利用该方法对Logistic混沌时间序列进行预测的结果表明,衰减系数取最佳值时,相对于现有算法,该方法可以更精确地预测...     

一种新型的动态递归-直觉模糊神经网络及其学习算法

通过对直觉模糊集理论和动态递归神经网络理论的研究,提出了一种新型的动态递归-直觉模糊神经网络,并根据动态递归-直觉模糊神经网络的数学模型推导其改进的动态反向传播学习算法.     

基于多级直觉模糊综合的信息安全评估

以ISO 17799为依据建立信息安全评估指标体系,结合多级综合评估以及AHP方法,并利用直觉模糊算子进行运算,建立了一种新的信息安全评估模型.解决了信息安全评估过程中数据采集困难、描述不够全面、评估主观成分多、定性与定量结合不好的问题,具有很好的理论和应用价值.     

一种分层递阶的模糊决策方法

针对条件属性是模糊属性的决策信息系统,提出了处理模糊决策信息系统的新方法,即利用模糊属性的海明贴近度,建立对象之间的模糊相似关系,并利用模糊聚类的方法,得到分层递阶的划分空间,再根据Pawlak的粗糙集模型,在分层递阶的划分空间上分别提取相应的规则.还讨论了模糊信息系统属性约简的问题,并得到约简的规则.     

直觉模糊集理论及其在模糊信息处理中的应用

介绍直觉模糊集(IFS)基本概念和运算及其表示形式,讨论了直觉模糊集(IFS)与Fuzzy集之间的区别和联系,回顾了直觉模糊集理论的研究进展及其在决策、近似推理领域的应用现状,最后指出直觉模糊集理论存在的一些问题和发展趋势。     

基于自适应直觉模糊推理的威胁评估方法

将直觉模糊集理论引入信息融合领域,提出一种基于自适应直觉模糊推理的威胁评估方法。首先,分析了现有威胁评估方法的特点与局限性,建立了基于自适应神经-直觉模糊推理系统(ANIFIS)的Takagi-Sugeno型威胁评估模型。其次,设计了系统变量的属性函数和推理规则,确定了各层输入输出的计算关系,以及系统输出结果的合成计算表达式。再次,分析了模型的全局逼近性,设计了网络学习算法。最后,以20批典型目标的威胁评估为例,给出相应的评估结果,验证了方法的有效性和模型的正确性。实践结果表明,该方法可以提高威胁评估的可信度,改进评估质量,提高推理结果综合值的精度。     

基于核空间的加权邻域约束直觉模糊聚类算法

该文针对直觉模糊聚类算法不考虑空间邻域信息的缺点,提出一种基于核空间和加权邻域约束的直觉模糊C均值聚类算法。该算法首先在直觉模糊C均值(Intuitionistic Fuzzy C-Means, IFCM)算法的基础上加入空间邻域约束关系,且赋予邻域内每个点不同的权重;接着采用核诱导函数代替欧氏距离计算各点到聚类中心的距离;然后创建包含邻域信息的新的目标函数,最优化该目标函数得到新的隶属度及聚类中心的迭代表达式。利用所提出的新算法与同类聚类算法及基于显著过渡区域的二值化算法进行图像分割,并对结果进行定量分析后可知,所提出的算法最高能够得到0.9776的F度量值。实验结果表明新算法性能稳定并且具有较高的分割精度。     

基于区间值直觉模糊集的距离测度

区间值直觉模糊集是直觉模糊集的进一步推广,具有比直觉模糊集更强大的模糊信息表达能力.基于区间值直觉模糊集理论,给出了三种基于海明距离、规范化海明距离、欧氏距离、规范化欧氏距离的扩展区间值直觉模糊集距离测度公式,对它们进行了比较分析,并给出了相应的定理和证明.     

抑制式非局部空间直觉模糊C-均值图像分割算法

针对传统的模糊C-均值(FCM)算法没有考虑图像像素的空间邻域信息,对噪声敏感,算法收敛较慢等问题,该文提出一种抑制式非局部空间直觉模糊C-均值图像分割算法。首先,通过计算像素的非局部空间信息提高抗噪能力,克服传统的FCM算法只考虑图像单个像素的灰度特征信息的缺陷,提高分割精度。其次,根据直觉模糊集理论,通过“投票模型”自适应生成犹豫度作为抑制因子修正隶属度,提高算法的运行效率。实验结果表明,该算法对噪声鲁棒性较强并且有较好的分割性能。     

An Automatic Forecasting Method for Time Series

An automatic forecasting method is pro-posed concerning automation problem in the field of lin-ear time series forecasting. The method is on the basis of econometric theory and overcomes the difficulty to mine and forecast automatically with econometric models. The proposed algorithm is divided into 4 stages, i.e. preprocess-ing, unit root testing and stationary processing, modeling, and ultimately forecasting. Future values and trends would be estimated and forecasted precisely through the 4 stages of the algorithm according to input data without man-ual intervention. Experimental comparisons were made be-tween the proposed algorithm and the 2 data driven fore-casting algorithms, i.e. moving average method and Holt exponential smoothing method. It was demonstrated with the experimental results that automatic forecasting is fea-sible utilizing the proposed algorithm and higher accuracy can be acquired than these 2 data driven-based methods.     

一种预测频段占用度的时间序列分析方法

提出了一种基于实际测试数据的频段占用度短期预测方法,该方法首次将经济学中常用的自回归移动平均模型(ARIMA)用于频段占用度的预测,并分析给出了判定模型参数和分析结果。短期预测结果与实际测试结果证明了这种预测方法可以为无线电频率主管部门提供更为精确地掌握频率资源的使用及发展变换情况,为制定政策和指配频率提供基础。     

流量异常检测中的直觉模糊推理方法

针对网络流量特征属性不确定性和模糊性的特点,将直觉模糊推理理论引入异常检测领域,该文提出一种基于包含度的直觉模糊推理异常检测方法。首先设计异常检测中特征属性的隶属度与非隶属度函数,其次,给出基于包含度的强相似度计算方法并生成推理规则库,再次给出多维多重式直觉模糊推理规则,最后建立异常检测中的直觉模糊推理方法。通过对异常检测标准数据集KDD99的实验,验证该方法的有效性,与常见经典异常检测方法对比,该方法具有更良好的检测效果。     

基于直觉模糊推理的威胁评估方法

该文针对威胁评估问题,提出一种基于直觉模糊推理的评估方法。首先,分析了联合防空作战中空天来袭目标影响威胁评估的主要因素、威胁评估的不确定性,以及现有威胁评估方法的特点与局限性,建立了威胁程度等级划分的量化模型。其次,设计了系统状态变量的属性函数,讨论了在模糊化策略方面对输入变量进行的量化和量程变换方法。再次,建立了系统推理规则,设计了推理算法和清晰化算法,分析了规则库中所包含规则的完备性、互作用性和相容性,给出了规则库的检验方法。最后,以20批典型目标的威胁评估实例,验证了方法的有效性。     

基于组合SVR的非平稳时间序列的模糊建模方法

本文介绍一种对非平稳时间序列建模的新方法.参考Janos Abonyi提出的应用于时间序列的模糊分块算法,将该算法与改进的支持向量回归模型结合起来.首先,提出一种改进的支持向量回归的表达形式;然后,通过启发式的加权方法将模糊分块的信息与SVR结合起来;最后,提出一种基于组合SVR的建模方法.实验结果表明,本文提出的方法对于非平稳时间序列的建模具有较高的实用价值.     

Self-adaptive Processing and Forecasting Algorithm for Univariate Linear Time Series

As the Box-Jenkins method could not grasp the non-stationary characteristics of time series exactly, nor identify the optimal forecasting model order quickly and precisely, a self-adaptive processing and forecasting algorithm for univariate linear time series is proposed. A self-adaptive series characteristic test framework which employs varieties of statistic tests is constructed to solve the problem of inaccurate identification and inadequate processing for non-stationary characteristics of time series. To achieve favorable forecasts, an optimal forecasting model building algorithm combined with model filter and candidate model pool is proposed, in which a univariate linear time series forecasting model is built. Experimental data demonstrates that the proposed algorithm outperforms the comparativemethod in all forecasting performance statistics.