基于时间序列的模糊聚类与规则提取信用评价模型

提出基于多维时间序列模糊聚类与模糊规则提取技术相结合的模糊分类系统,将其应用于信用评价研究.该方法利用投影寻踪技术对多维时间序列数据进行降维处理并进行模糊分类;根据分类结果和最佳投影值提取模糊规则,采用梯形分布法生成三个模糊隶属函数;最后根据计算模糊贴近度确定样本的信用级别.实例证明该方法具有良好的评价效果和实用价值.     

基于最小规则自组织映射的入侵检测算法

为了解决入侵检测模型中海量数据处理问题,降低计算复杂度,提高检测精度,提出基于最小规则自组织映射的入侵检测算法;通过在真实的入侵检测数据集上进行仿真实验,将该算法与普通椭圆补丁算法、简单矩形补丁算法以及决策树算法进行对比.结果表明,该算法在检测精度、稳定性和计算时间方面优于对比算法,验证了该算法的有效性.     

多粒度时间序列中模糊规则的提取

介绍了一种从多粒度时间序列中提取模糊规则的数据挖掘方法,该方法在时间序列中引入多重时间粒度,以模糊规则的形式给出数据挖掘的结果,建立多粒度时间序列的数学模型,并对提取模糊规则中所涉及的一些基本概念作出定义,在此基础上,给出数据挖掘的具体算法,通过实验证明了该挖掘算法的有效性。     

自组织映射网络的应用与探讨

自组织映射可用于学习识别数据的类型，对同类样本聚类，文章探讨自组织映射网络的训练方法，并通过训练自组织映射网络实例来分析训练的可视化结果。     

带模糊语义的神经网络规则提取

针对传统的规则提取方法在处理连续值输入属性时带有很大的盲目性,且其描述也不符合人类的认知习惯的弊端,在对比原有方法的基础上,引入模糊语义,提出了新的处理连续值函数的方法,从神经网络中提取出带模糊语义的符号规则,提高了规则的可理解性。因此,使用者可以很方便地验证它的正确性。通过把连续值神经网络转化成二值网络,利用二值网络布尔规则提取方法来提取带模糊语义的规则,更符合人们的思维习惯。     

基于自组织特征映射网络的综合评价模型

首先根据人脑思维的模糊性特点 ,以模糊集合论为基础 ,构造一种用于指导自组织特征映射网络学习过程的模糊熵准则 ,可以在较大范围内有效地解决自组织特征映射网络 (SOFM )的学习问题 .然后提出一种基于模糊自组织特征映射网络的综合评价模型 .该模型通过确定标准对象 ,数据的标准化处理 ,网络自适应学习和评价结果输出等环节 ,可以有效地解决一类综合评价问题 .最后通过一个实例进一步说明其灵活性与实用性 .参 6 .     

散热器试验台送风系统规则自提取模糊控制试验

提出了环境试验室送风系统规则自提取模糊控制方法,试验研究了基于送风加热器调节的送风温度与测试室温度的模糊控制和比例积分(PI)控制效果.试验结果表明,对于无滞后环节的送风加热器-送风温度控制回路,传统PI控制方法具有较好的控制性能,收敛速度快;基本模糊控制方法收敛较慢,存在稳态误差;规则自提取模糊控制方法超调大,但收敛速度加快,稳态误差减小.对于具有滞后环节的送风加热器-测试室温度控制回路,规则自提取模糊控制方法超调小、稳态误差小、控制效果最好.可见,对于无滞后环节的被控过程,采用PI控制方法即可满足要求;而规则自提取模糊控制方法非常适用于具有大滞后环节的过程控制.     

具有模糊联想神经网络的自组织模糊控制器

在分析了几种用神经网络实现的模糊控制器不足的基础上,提出一种用模糊联想记忆神经网络实现的自组织模糊控制器;该控制器由２个模糊联想记忆神经网络分别记忆校正规则表和修正控制规则表,并通过网络权值矩阵的在线修正完成控制规则的实时修正。模糊推理则由网络的自联想功能完成。     

自组织特征映射（SOM）神经网络对模糊规则的优化

模糊系统规则库中的规则数目多,有时规则之间会发生重复、矛盾或冗余,为了避免这些情况的发生,本文利用自组织特征映射（SOM）神经网络对模糊规则进行优化,可以剔除对系统无用的规则,从而简化规则库,避免系统的多余计算,提高模糊推理系统的性能。     

转移双边序列空间移位自映射强混沌的充要条件

将单边序列空间移位口映射强混沌的充要条件推广到双边序列空间,给出其存在双向混沌集的充要条件和一系列等价条件。     

基于多因子高阶模糊变动的飞机操纵面故障趋势预测

针对飞机操纵面故障趋势预测问题,结合系统可测状态参量能间接表现操纵面故障情况的特点,提出一种基于多因子高阶模糊变动的方法。将传统的模糊时间序列预测方法进行扩展,利用多元时间序列的变动值构建多辅助因子模糊逻辑关系。采用自组织映射（SOM）方法将整个论域划分为不等长度的多个论域区间,并重新设定所属论域区间的隶属度。根据时间序列的周期性特点,建立多因子高阶模糊变动预测模型。为了验证算法的有效性,针对飞机转弯时左副翼损伤故障趋势进行预测和分析,并与传统模糊时间序列预测方法进行对比,用两种方法得到的预测结果通过建立好的故障映射模型进行故障类型和故障程度的判别,仿真结果充分表明了多因子高阶模糊变动预测模型具有更好的故障趋势预测能力。     

基于SOFM 网络的多层模糊关联规则挖掘算法

为了表示复杂庞大的概念层次树,文中提出了一种更加通用的编码方案,将概念分层应用于模糊关联规则的挖掘.此外,为解决隶属度函数难以主观确定的问题,引入一种SOFM 网络来确定样本数据的隶属度函数.基于改进的概念层次树的编码方案和SOFM 网络,将模糊集引入关联规则挖掘中,设计了一种新的多层模糊关联规则挖掘算法.实验结果表明,该算法可以有效地挖掘出易于理解的、有意义的多层次模糊关联规则,具有很好的效率和伸缩性.     

混沌时间序列控制方法研究

分析了混沌控制的任务、目标和一般方法,认为混沌时间序列源于混沌系统,用系统的观点讨论了一种对混沌时间序列进行控制的最小参数扰动方法及其步骤。     

柔性结构的自组织模糊主动振动控制

Proposed in this paper is the design of an on-line self -organizing fuzzy logic controller （FLC）‚which isapplied to the vibration control of flexible structures containing piezoelectric actuator．In this design‚fuzzy rulesare generated by using input／output historical data without modeling．The generated rules are stored in the fuzzyrule base and updated on-line by a self -organizing procedure．A simulation experiment of the fuzzy active controlof a cantilever beam with transient and sinusoidal vibrations was carried out‚thus reaching the conclusion thatthe proposed controller has more distinct control effect on the two vibrations than conventional FLCs．     

基于模糊竞争学习和UD分解的模糊建模

为解决复杂系统模糊建模问题,研究了利用模糊竞争学习实现非线性系统的模糊建模方法.首先,利用模糊竞争学习方法划分输入变量的模糊输入空间,确定模糊模型的规则数、规则,实现模糊模型的结构优化.另外,为了克服递推最小二乘出现的误差积累、传递现象,采用基于矩阵UD分解的递推最小二乘方法确定模糊模型的结论参数,从而实现模糊模型的结构和参数优化.采用该方法对M ackey-G lass混沌时间序列进行建模研究,结果表明可以在线或者离线对M ackey-G lass混沌时间序列进行准确预测,效果较好.     

基于混沌时间序列法的瓦斯涌出量预测

利用相空间重构技术,并借助C-C方法和小数据量法从一维瓦斯涌出量时间序列中提取最大Lyapunov指数。结果表明：最大Lyapunov为0.28126的瓦斯浓度时间序列具有混沌特性,且在短期内,预测结果与实际情况符合较好。     

基于数据挖掘的金融时序频繁模式的快速发现

针对金融时间序列分析中注重快速作出趋势判断的特点,利用数据挖掘的思想和工具,提出一种金融时间序列模式快速发现算法.与传统的预测算法相比较,该算法对数据的分布和平稳性等方面的要求不高,不基于任何假设,能够非常快速地发现时间序列中的频繁模式,经过模式匹配后,可以用于金融时间序列的分析与预测.以实际汇率数据为例,证明了该算法的有效性.     

时空多特征流域场景模式库构建方法

通过构建流域时空场景表征水文事件,提出一种创新的时空多特征流域场景模式库构建方法。对水文原始数据进行事件化分割,去除场景要素数据的时空冗余;基于要素关联关系分析,以多类型方法构造场景要素的对应特征;通过特征选择算法,选取场景关键特征,实现场景初始化;以初始化场景为特征空间,通过聚类提取场景模式,完成场景模式库构建。试验结果表明,创新的时空多特征流域场景模式库构建方法能高效提取水文事件中关键的时空场景数据,挖掘场景模式,形成场景模式库,可以为小样本条件下的水文事件预测提供准确高效的结果。     

旅游客流量预测的模糊时间序列模型--以黄山风景区为例

以黄山风景区1979－2004年的年度旅游人数数据为训练集,运用模糊聚类算法客观地分割论域,然后建立了一种模糊时间序列的加权模型以充分利用观测样本的初始信息。通过对传统的模糊时间序列模型与基于模糊聚类算法的加权模糊时间序列模型两种预测结果均方误差的比较,可见基于模糊聚类算法的加权模糊时间序列模型不但具有更高的预测精度而且也具有更好的稳定性。