一种新的基于模糊预测的实时运动跟踪算法

针对模糊规则基难以自动在线设计问题,提出一种利用观测数据直接构造模糊规则基中心的新方法,并将其用于对运动过程的准确预测。该方法首先用较少的有限次状态和误差的观测数据,在不同时刻直接构造状态和误差的模糊规则基中心,然后,根据最大熵原理,求取当前状态的隶属度函数值。为使此方法适合于不同状态的运动跟踪,在确定最大熵原理的关键参数中,不使用经验方法,而利用粒子群算法在规定的进化代数内求取参数,在保证实时性要求的前提下,完成对参数的优化。为提高模糊推理的精确性,在模糊推理中设计加权因子,对下时刻的状态和预测误差进行预测,利用预测误差对预测状态进行修正。预测误差仅由有限次测量数据决定,消除了误差累积现象。分别对两类不同的运动进行对比跟踪实验,结果表明,此方法具有对先验知识的弱依赖性,较强的实时性和较高的预测精度。     

基于误差修正与分解的区间值股价时间序列预测研究

与点值数据相比,区间数据更能够从全局上刻画股票市场的内在结构特征.然而,已有关于区间数据的预测研究只关注误差序列的单次预测或原始序列的预处理,并且所采用的方法通常不能充分地提取区间值股价时间序列的主要特征.因此,本文提出了对区间值股价时间序列进行预测的误差修正与分解方法.鉴于误差序列在组合预测模型中的作用,本文首先采用Ljung-Box检验和机器学习模型对原始序列产生的区间值误差序列进行检验和修正.接着,利用双变量经验模态分解技术将修正后的误差序列分解成多个本征模态函数(IMFs)和一个残差.随后,利用单个机器学习模型对除了IMF1分量外的各个IMFs分量和残差分别进行预测.最后,将原始序列和误差序列的预测值进行组件聚合,重构出区间值股票价格的预测值.进一步,在提出方法的基础上,本文构建了基于误差修正和分解的区间值股价预测模型,并利用真实的股票市场数据进行实证分析.实验结果表明,所提出的方法在预测精度方面明显优于一些传统方法.     

基于核和灰度的灰色马尔可夫预测模型及应用

在处理预测问题时,常有原始数据为区间数组成的随机波动性较大的区间数列的状况。为进一步提高区间灰数预测精度,提出基于核和灰度的灰色马尔可夫预测模型。该方法以区间灰数核序列为依托建立预测模型,实现区间灰数核的预测;又根据“灰度不减公理”,由灰数核为中心延伸得出区间灰数的上下界;在保持区间灰数独立完整的前提下,构建了区间灰数预测模型,在此基础上用马尔可夫预测模型修正预测结果。该模型在航空货运量的趋势预测中显示马式链修正结果较区间灰数预测数据呈低估状态。结果有助于加强市场参与者对航空货运市场的宏观认识,并为经济决策行为提供参考。     

基于灰色组合模型的河南省粮食产量预测

一元线性回归有直线趋势,而GM(1,1)能较好地模拟指数变化的趋势。但是,如果原始序列整体上是直线趋势,在少数点上,数据模拟值和回归直线偏离较大时,线性函数已不能很好地预测数据序列的变化了。对于此类问题,将数据分为跳变点(即模拟值偏离回归直线较大)和非跳变点数据,并将跳变点又分为上、下跳变点,借鉴灰色灾变预测原理,用GM(1,1)模型预测跳变点数据,而对其他非跳变点使用去掉跳变点后的数据形成的新的线性回归方程进行预测。通过对河南省粮食产量的预测,结果表明该方法很好地克服了GM(1,1)模型和线性回归模型的缺陷,具有较好的实际应用价值。     

基于模糊预测系统的观测数据野值剔除方法

针对观测数据序列中影响数据处理和分析的野值,提出了一种在线辨识和剔除野值的方法。该方法利用梯度下降法构造最小均方准则下最优的观测序列模糊预测系统,从而获得预测值与观测值的残差序列,然后基于狄克松准则快速辨识并剔除观测数据中的异常值。对实测数据的仿真实验表明:该方法能够准确跟踪观测信号的变化,适合于各种观测信号单个性野值的辨识和剔除。     

自适应局部线性化法预测混沌时间序列

提出一种基于奇异值分解最小二乘法的自适应局部线性化预测方法.它要求数据矩阵的条件数不大于给定阈值,并据此自适应地确定当前相空间的维数,然后根据新的嵌入维数重构数据矩阵,进行模型的参数估计和计算当前预测值.实验结果说明所提方法精度高且稳健.特别是当嵌入维数接近最邻近向量的数目时,其性能显著优于普通局部线性化方法.     

基于K近邻非参数回归的短时交通流预测方法

采用K近邻的非参数回归方法对短时交通流量进行了预测,考察了模型中关键因素对预测效果的影响.在4种不同状态向量和预测算法组合下的实验方法比较中,以相邻四个时间间隔的流量和占有率数据作为状态向量,并采用带权重的预测算法取得了良好的效果.将利用K值构造的预测区间用于特殊路况的预测中,得到了明显的改进效果.最后,对非参数回归和神经网络的方法进行了比较,结果表明了非参数回归预测方法的高精度和强移植性.     

基于改进回声状态网络的高炉煤气产耗预测

以钢铁企业高炉煤气系统为背景，针对其产生量和消耗量的预测问题，提出一种改进回声状态网络时间序列方法进行系统仿真预测。并根据最小均方差准则，以最小化网络训练误差为目标，采用随机梯度下降法对网络参数进行优化。该方法对于不同预测对象，可计算出合适的网络连接权值、储备池谱半径等参数，避免了传统回声状态网络方法中单凭经验选择网络参数的现状，提高了预测精度。采用该方法对高炉煤气系统现场实际产耗数据进行了仿真预测，仿真结果表明所提出方法的有效性。     

基于粒子群优化算法的KK分布参数估计方法

针对KK分布的参数估计,首先介绍了半经验估计法,然后提出了一种基于粒子群优化的估计方法。该方法将杂波数据统计直方图与KK分布概率密度函数在部分采样点上的差异作为代价函数,通过粒子群优化搜索参数的最优值。通过蒙特卡罗方法对半经验估计法在权重参数不同时的性能进行了仿真,然后分析了杂波数据样本点数的多少等因素对所提算法精度的影响,最后基于实测合成孔径雷达图像杂波数据对该算法进行了验证。仿真结果表明,该算法对KK分布参数具有良好的估计性能,KK分布与K分布等相比,对合成孔径雷达图像杂波数据具有更强的拟合能力。     

两端固定弦振动方程的Kriging校正模型

系统误差和随机误差的存在使生产过程中的观测值偏离工程模型的理论设计值,影响预测和控制的效果。针对两端固定弦的振动特点,结合观测数据用Kriging模型拟合系统误差和随机误差,校正振动方程的理论预测。通过分析外部随机扰动引起的系统误差的特点,为Kriging模型选择一组特定的基函数。模型还被推广到振动方程无解的情况。基于观测数据的交叉检验结果说明模型能够有效改善预测效果。通过模型不仅能控制振动过程的设计值,还能控制系统误差,为研究弦振动的控制问题提供了新的方法。     

参数自适应的长期IFTS预测算法

针对模糊时间序列预测理论多局限于短期时间范围预测以及对不确定数据集模糊变化趋势描述和论域区间划分研究不足的问题,构建了参数自适应的长期直觉模糊时间序列预测模型。新模型通过引入滑动窗口机制和参数自适应的直觉模糊C均值聚类算法优化论域区间划分,利用矢量预测技术解决时间序列长期范围预测误差积累的问题,有效地提高了复杂环境下时间序列长期趋势预测的精度,扩展了直觉模糊时间序列预测理论的应用范围。最后,通过典型实例验证了该方法的有效性和优越性。     

Fuzzy控制预报模型及其应用

论述了 Fuzzy控制预报模型的建模方法 ,并探讨了该模型在麦长管蚜发生期预报中的应用 :我们将麦长管蚜发生期的预报过程拟成一个 Fuzzy控制系统 ,预报因子作为系统的输入 ,预报对象作为系统的输出 ,根据历年系统观测资料 ,建立了 Fuzzy控制预报模型 .对历史资料进行回代验证 ,其历史拟合率达 1 0 0 %.将 1 995年观测数据作为独立样本进行试报 ,预测结果与实际一致 .     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

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。     

线性模糊预测模型

本文论述了几类模糊数的线性模糊预测模型的模糊参数确定方法,给出了相应情况下线性模糊预测模型均值及上、下限的预测公式。     

一种新的基于模糊模型的非线性组合预测方法及其应用

针对线性组合预测方法的局限性，提出了一种基于T－S模糊模型的非线性组合预测新方法，并给出了相应的反向传播学习算法．理论分析和应用实例表明：该方法具有很强的学习与泛化能力，在处理诸如非线性系统中时间序列的组合建模与预测方面有很好的应用价值．     

Research on the Method of Nonlinear Combining Forecasts based on Fuzzy System

1　ＩｎｔｒｏｄｕｃｔｉｏｎＯｎｅｏｆｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｆｕｎｃｔｉｏｎｓｏｆｍａｎａｇｅｍｅｎｔａｔａｌｌｌｅｖｅｌｓｉｎａｎｏｒｇａｎｉｚａｔｉｏｎｉｓｐｌａｎｎｉｎｇ ,ａｎｄｆｏｒｅｃａｓｔｓｐｌａｙａｋｅｙｒｏｌｅｉｎｔｈｅｐｌａｎｎｉｎｇｐｒｏｃｅｓｓ .Ｍａｎａｇｅｍｅｎｔｎｅｅｄｓｔｏｒｅｄｕｃｅｔｈｅｒｉｓｋｓａｓ ｓｏｃｉａｔｅｄｗｉｔｈｄｅｃｉｓｉｏｎ ｍａｋｉｎｇ ,ａｎｄｏｎｅｏｆｔｈｅｗａｙｉｎｗｈｉｃｈｔｈｉｓｃａｎｂｅｄｏｎｅｉｓｂｙａｎｔｉｃｉｐａｔｉｎｇ…     

基于多属性模糊Petri网的知识化制造系统产品需求预测

为强化模糊Petri网的知识表示能力, 提出了一种多属性模糊Petri网(AFPN), 即在模糊Petri网的基础上, 为每个库所及权值赋予与实际系统相对应的多个属性, 以简单模型结构完成具有多个属性的系统的建模．利用知识化制造系统的知识库, 对多属性模糊Petri网进行属性分解、属性合并以及训练更新, 并对不规则模型进行规则化, 可以在原有产品的AFPN模型基础上简单快速建立后续产品的AFPN新模型．在产品需求预测的实例中, 采用原材料和产品的各需求相关因素建立产品的需求预测AFPN, 实现了产品需求的快速预测．     

企业财务危机非线性组合预测方法及实证

针对组合预测比单项预测具有更高的预测精度,而线性组合预测方法在建模与预测方面存在着较大的局限性,提出了一种基于模糊神经网络的预测上市公司财务危机的非线性组合建模与预测方法,并给出了相应的混合学习算法。通过与多元线性回归模型、Fisher模型和Logistic回归模型的预测结果对比表明,该方法具有预测精度高、学习与泛化能力强和适应性广的优点。