基于格点场数据的沙尘暴双预报模型

为提高沙尘暴预报的准确率，以描述大气环流形式的物理场格点数据作为建模样本，采用自组织神经网络对物理格点场数据样本进行聚类，构建出由大规模阵列式数据格式表示的建模样本的低维特征，再用模糊神经网络综合建模样本的一般性规律，用非典型样本进行二次建模以反映建模样本的特殊性，并设计隶属度调整方案对一般性和特殊性进行协调，由此形成兼顾建模样本一般性和特殊性的双预报模型．测试结果表明，基于特征提取方案的双预报模型体系使沙尘暴预报准确率达到80．4％．     

航空兵战术训练空域规划方案安全性评估

根据航空兵战术训练的特点和实际情况,结合层次分析法(AHP)、熵值理论与模糊物元理论,构建了基于AHP-熵权的航空兵战术训练空域规划方案安全性的评级指标体系模糊物元模型。并在此基础上利用该模型对方案体系中的环境与管理、装备和任务等方面进行了系统的分析和评价。结果显示,这一模型能够用于评价样本和评价标准的远近程度关系计算,且能够同时对各个评价样本进行评价,基于熵权法和AHP的有机结合,使评价的主观性与客观性都被充分考虑,具有较好的实用性。     

一种新的确定K-均值算法初始聚类中心的方法

针对传统的K-均值算法聚类时初始聚类中心难以确定的缺点，利用超立方体技术，并依据同类样本中多数样本具有类似的子向量的特点，将落入同一超立方体的样本认为是一类。然后以这些样本的均值作为初始聚类的中心，实现了聚类中心的确定。通过仿真实验和应用于沙尘暴和非沙尘暴样本的分类，验证了此方法的有效性。     

改进的模糊神经网络学习规则研究

在S Stoeva提出的基于相同样本及网络输出的模糊反向传播算法基础上,通过对基于极大-极小模糊算子的模糊神经元模型的研究,对含有一个隐含层的单输出模糊神经网络,提出了依赖于各模糊神经元输出的调整模糊权值的网络学习算法,该算法具有直观和可操作性强的特点.并以汽轮发电机组的状态监测为例进行仿真,仿真结果表明网络学习效果较好.     

模糊物元模型在区域水安全评价中的应用

结合熵值理论与模糊物元理论,建立了基于熵权的水安全模糊物元模型.根据水安全评价的特点和评价区域的实际情况,构建了区域水安全的评价指标体系,并利用水安全模糊物元模型对水安全体系中生命安全、经济安全、生态环境安全、社会安全和管理安全的23个指标进行了评价.引用信息熵所反映的数据本身的效用值来计算指标的权重系数,有效地避免了指标权重分配困难的问题.对山东省2005年的水安全状况进行了评价,并与基于AHP的模糊综合评价结果进行了比较分析.结果表明:模糊物元模型能计算各评价样本与评价标准之间的远近程度关系,并且可以同时评价多个样本;引进熵权后减少了评价的主观性,评价结果客观合理,具有较好的实用性.     

基于SVM的沙尘暴预测模型

根据沙尘暴天气的特点和支持向量机（support vector machine，SVM）方法在解决小样本学习问题中的优势，提出基于SVM的沙尘暴预测模型．首先利用主成分分析法进行数据预处理，然后选择了径向基核函数，并通过分析惩罚参数和核参数对SVM分类器性能的影响，确定了参数的搜索空间，继而利用网格搜索法对其进行优化．在此基础上，构建并实现了基于SVM的沙尘暴预测模型．该模型与BP神经网络模型的运行结果对比表明，基于SVM的沙尘暴预报模型稳定性好，运行速度快，预报准确率提高了71．2％．     

模糊反向传播算法及其收敛性

针对S.Stoeva提出的基于相同样本及网络输出的模糊神经网络模型,通过对基于极大-极小模糊算子的模糊神经网络模型的研究,证明了其与S.Stoeva提出的网络模型的等价性.在此基础上提出了依赖于模糊逻辑神经元输出的调整模糊权值的模糊反向传播学习算法,并进一步研究了其收敛性.最后以汽轮发电机组的状态监测为例进行仿真分析.结果表明:在网络输入神经元满足样本输出介于样本输入的极大与极小之间时,所提出的模糊反向传播学习算法是收敛的.     

高职毕业生综合素质变权评价与模糊变权评价

研究高职毕业生综合素质评价问题。根据高职教育的特点构造了高职毕业生综合素质的评价指标体系，然后基于变权评价理论构造高职毕业生综合素质的变权评价模型，再将变权理论和模糊数学理论结合，构造模糊变权综合评价模型。评价实例说明了这些模型的实用性和有效性。     

模糊神经网络的记忆

讨论了一种模糊神经网络实现记忆的条件和记忆的特点,并给出了样本组格子点分布的概念。通过定理,证明了在这种情况下,样本组可被模糊神经网络所记忆;证明了若样本组前n-1个样本和整个样本组的模糊矩阵的秩相等,则权向量不能调整, 否则会使模糊神经网络“丧失记忆”同时,也说明了选择记忆法所采用的选择方法中减少运算量,又可保证网络的记忆。     

模糊聚类、识别、优选统一理论与循环迭代模型

模糊聚类、识别与优选是系统优化模糊集分析理论的数学基础．通过以全体样本对全体类别加权广义欧氏权距离平方和最小为目标函数,建立了模糊聚类、识别与优选决策统一的理论与循环迭代模型．其中模糊聚类是核心,模糊识别与优选决策模型均由模糊聚类导出．该模型发展了模糊数学关于模糊聚类、模糊模式识别、模糊决策理论．循环迭代模型及其多种组合模型,不仅可用于水资源系统,对其他学科领域模糊集分析同样适用．     

一种模糊组合预测方法

针对预测问题的不确定性,提出一种将组合预测结果扩展到置信集合的模糊组合预测方法.该方法利用概率中置信区间原理并结合模糊数概念,对观测值和各单项预测值进行模糊描述;以组合预测值对观测值的拟合度最高为目标,建立模糊规划模型,求解权重系数.该组合预测方法与单项预测方法相比,预测精度有所提高,具有一般组合预测方法的优点,并以模糊数的形式将预测结果确定在一置信集合内.最后以实例证明了该方法的有效性.     

空间电力负荷预测小区用地分析的模糊推理新方法

提出了一种在知识不完备情况下，能够同时考虑推理前提重要性权重和观察事实及规则知识等的不确定性和不精确性因素的新的基于模糊逻辑的推理方法，并将其应用于空间电力负荷预测的小区用地分析中，最后通过实例检验了该方法的有效性。     

砂体分类评价的模糊综合评判

依据模糊综合评判法,分别采用相关分析法和相对值比较法确定了砂体分类的评价标准;用层次分析法确定了因数权重;用函数分段法确定了单因数隶属度。经过多个变换模型的对比分析,选择合适的模型,利用最大隶属原则评价出砂体类属。大芦家地区东营组13个单砂层砂体分类的实验表明,正判率达90%以上。     

电力系统中长期负荷预测的模糊算法

介绍了用模糊指数平滑法和模糊线性回归法进行电力系统中长期负荷预测的方法，以实际预测为例，给出预测结果，实践证明了上述2种方法虽然以传统预测方法为基础，但具有算法简单，计算速度快，预测精度高，预测误差小，并能提供负荷的一个预测区间等优点，尤其在原始数据存在不确定性和模糊性时，更有着常规预测方法无可比拟的优越性。     

基于模糊物元方法的上市公司财务失败预测

基于财务失败预测概念的模糊性和评价指标的不相容性,以模糊物元分析为基础,将熵值理论与模糊集和贴近度相结合,建立了基于熵权与专家打分法所获权重的组合权重的模糊物元模型预测上市公司的财务失败,并以＊ST夏新为例进行实证研究,研究结果表明,运用模糊物元模型预测上市公司的财务失败,其方法是可行的,为上市公司的财务失败预测提供了一种新方法。     

基于二型模糊逻辑的交通流量预测

提出了一种改进的模糊c均值聚类算法,该算法将模糊聚类的对象从单值扩展到区间,在构造二型模糊系统时,通过对历史数据的学习提取二型模糊规则,克服了专家方法不能对未知领域提取规则的不足.在此基础上,针对智能交通系统,提出一种新的基于二型模糊逻辑的交通流量预测方法.该方法应用区间型二型模糊集具有上下限隶属度函数的性质构造预测区间,适合于处理具有复杂不确定性的情况.通过隶属度函数可以反映出该区间中预测值的可靠性,从而克服了其他预测方法仅给出单值且稳定性不高的缺点.仿真结果表明,基于二型模糊逻辑的流量预测区间具有较高的准确度,其平均相对误差低于6%.     

二级模糊因素的负荷预测线性回归法

基于经典的线性预测回归模型，引入了模糊因素对预测结果的影响，构成了二级模糊因素的多元线性回归法。最后对两种方法作出了比较，说明本文所述方法是比较理想的。     

模糊逼近算法与人工神经网络预测功能

有些实际问题是无法用已知的很多定量预测方法预测的，这更是在预测中有极大局限性的人工神经网络难以解决的问题．本文通过对预测问题模糊逼近算法的研究，提出新的模糊逼近泛函微分方程定量预测方法，并从而化为能用人工神经网络预测的方法，扩充人工神经网络解决实际问题的功能．     

一种改进的模糊变权重组合预测方法

在对FVW方法的实质进行分析的基础上,根据预测对象的变化趋势对加权系数的影响,利用预测相对误差、预测对象的变化趋势,对曹长修等提出的FVW方法加以改进,克服了原有FVW方法中用预测绝对误差和预测绝对误差的变化率为模糊控制因素时的因素相关性;通过灰色关联度引入基本权重概念,以刻画各种方法在某时刻前一段时期内全面的、平均的预测效果对加权系数的影响.仿真结果表明,采用改进后的FVW法,预测平均误差和预测平方根误差均较小.     

煤与瓦斯突出预报的模糊聚类关联分析法

首先采用模糊聚类分析对煤与瓦斯突出的样本集合进行分类，建立不同突出程度的模糊模式。然后用关联分析确定待预报样本与模式的关联程度，以此预测预报样本的煤与瓦斯突出危险程度。这种预报方法相对于模糊聚类分类后，将模式与待预报样本组成新的样本集合，再进行聚类分析，以此分类结果进行预报法。不仅可靠程度高，而且能定量描述待报样本与模式的亲和程度。