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。     

多变量时间序列分析及其应用

在非线性动力系统中,单变量应用于预测已进行了大量研究,在讨论多个变量间依赖性的基础上,将其应用于预测,并对小波神经网络和主成分分析法进行了推广.由预测结果可知,当时间序列很短而同时有多个变量的时序可测时,多变量比单变量更能提供有效信息;从而获得更好的预测结果.     

组合时间序列方法在长沙人口预测中的应用

选择ARIMA模型作为基本的基因模型。先把时间序列过程分为几代,再应用模糊隶属函数和遗传进化理论求出各代的主导模型,最后通过设计进化过程对时间序列模型进行最优组合。通过这种方法,可以克服很多时间序列模型存在的假定整个动态过程没有结构变化的缺陷。检验结果也表明该模型具有较好的预测效果。     

用遗传算法划分模糊量的语言变量覆盖范围

在模糊控制器设计中．模糊规则的确定以及模糊变量隶届函数的选取都是非常重要的，隶属函数的形状、模糊划分的覆盖范围对模糊推理有很大影响。本主要介绍在模糊规则确定时用遗传算法划分模糊量的语言变量覆盖范围，利用调整已给定形状下隶属函数参数的方法改变各语言变量的语言值所覆盖范围，以模糊控制器的推理结果与专家经验控制结果的方差最小作为遗传算法进行优化的目标函数。     

时间序列模糊滑动预测

在时间序列经典滑动预测基础上,给出了模糊滑动预测方法,并举例说明了它比传统的滑动预测有更强的修匀能力。     

关于股票价格的二阶模糊时间序列

由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用三角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立三层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama 大学的入学人数进行预测,预测结果精度较高.     

气候变量时间序列的尺度分解的讨论

从理论和实例两方面,对采用不同方式进行气候变量时间序列的尺度分解时,所得结果出现的差异及其原因进行了分析讨论。结果表明,采用不同时间分辨率的序列进行时间尺度分解的结果的真正物理意义是有差别的。另外,个例分析还发现,对时间分辨率高的序列进行时间尺度分解产生的截断误差较小,而时间分辨率低的序列的截断误差较大。     

单变量时间序列预测:综述与评价

对目前常用的和较有发展前途的单变量时间序列预测方法进行了评述,分析了这些方法的长处和不足,并指出了一些值得研究的问题。     

广义模糊时间序列模型模糊区间划分研究

在模糊时间序列模型的构架中,介绍了广义模糊时间序列模型建立过程和常用的模糊区间划分方法,提出了基于均匀划分、模糊C均值聚类和自动聚类3种模糊区间划分方法的广义模糊时间序列模型,并用Alabama大学入学人数和沪市股指两组数据对模型进行了详细的分析.实验结果不仅揭示了这3种方法对模型预测结果的影响,还证明了广义模型优于传统模型.     

基于FCM聚类的时间序列模糊关联规则挖掘

在微分系统建模理论的基础上,构建了互联网市场中存在细分市场的网站竞争模型,用全局定性分析的方法对三网站竞争模型进行了稳定性分析.分析结果显示:在强竞争市场中,市场细分为弱势网站提供了在竞争中生存甚至胜出的机会,而在弱竞争市场中,市场细分为网站带来的却是较低的市场份额;数值仿真验证了稳定性分析结果的正确性.     

混沌时间序列预测及在股票市场中的应用

提出一种基于嵌入理论和确定集上的预测误差的混沌时间序列预测方法．该方法不仅克服了仅用延迟嵌入技术的弊端，而且也降低了直接使用预测误差决定模型状态向量的盲目性．实证分析结果表明该方法在实际预测中是有效的．     

水文时间序列的相似性搜索研究

将时间序列相似性搜索的数据挖掘方法应用于水文时间序列数据中,挖掘相似的水文过程.在分析欧氏距离和动态时间扭曲距离两种相似性距离度量方法特点的基础上,采用对时间轴的伸缩和弯曲具有较好适应性的动态时间扭曲距离法对塔里木河流域源流区出山口水文站沙里桂兰克站1961—2000年共220场洪水流量过程进行相似性搜索,基于相似性距离度量矩阵,挖掘出相似的洪水流量过程.结果表明,沙里桂兰克站洪水过程虽形态多样,但也表现出一定的相似性,基于动态时间扭曲法的相似性搜索能有效挖掘出相似的水文过程.     

基于可变模糊集的模糊聚类迭代模型及其应用

针对经典模糊聚类迭代模型中不考虑聚类指标权重的缺点,基于可变模糊集理论给出了考虑模型参数指标权重变化的可变模糊聚类迭代模型.当模型中优化准则参数α等于2,模型参数指标权重为等权重时,可变模糊聚类迭代模型为广泛采用的Bezdek模糊聚类ISODATA (iterative self organizing data)迭代模型(Bezdek参数β等于2),即ISODATA迭代模型是可变模糊聚类迭代模型的特例.水资源系统中应用的实例及计算结果表明聚类成果符合实际,模型具有收敛于全局极小点的良好性能.     

基于时态逻辑的多时间序列挖掘模型

为了从多时间序列之间发现的定性的时态相关模式可而更全面的理解和把握系统的演化特性,提出了一种基于时态逻辑的多时间序列挖掘模型.它首先将多时间序列转化为多事件序列,然后将预处理后的多事件序列利用区间时态逻辑(ITL)关系子集来定义多事件序列中事件间的时态相关模式.其次进行多状态序列融合和局部时态观测序列的生成,之后采用频繁模式挖掘算法发现多时间序列的频繁时序模式.该模型有助于解决时间序列挖掘所面临的若干挑战和难题,有助于扩展现有时间序列挖掘系统的功能,从而指导时间序列等复杂类型数据的知识发现过程.实验结果表明了该模型及算法的有效性和优越性.     

打折最小平方RBF网络及其时间序列预测研究

借用打折最小平方(DLS)原理构建了基于误差平方准则的DLS-RBF网络的学习算法.打折最小平方原理考虑了时间序列本身的结构性变化,较好地刻画了预测点与其他时刻数据的相关性,而这些恰恰是现有的径向基函数神经网络(RBF)在预测过程中所忽视的.实验表明DLS-RBF网络在非平稳方差时间序列和某城市自来水实际的月用水量预测中的效果明显,并优于RBF网络,但在混沌时间序列预测的实验中,因其自身的混沌特性,预测效果并不十分明显.     

工程可变模糊集理论与模型--模糊水文水资源学数学基础

系统阐述了作者创建的模糊水文水资源学新学科的数学基础——工程可变模糊集理论、模型及其建立的思维过程.指出1965年Zadeh创立的模糊集合隶属函数概念惟一化或静态化的理论缺陷,建立了以相对隶属函数为基础的相对差异函数与模糊可变集合的概念、定义与模型,拓展了模糊集合隶属函数的静态概念与定义,是工程可变模糊集理论的核心内容,不仅可用于模糊水文水资源学,同样可用于其他工程领域.最后论述了相对差异函数与可拓集合中关联函数的区别,指出并证明1983年蔡文在《科学探索》上发表的、以后又多次在可拓学论著中介绍的关联函数公式的错误,遗漏了重要约束条件,不能用于工程领域.     

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.     

用模糊层次分析法选择最佳回采方式

利用模糊数学理论,提出了评价回采工艺方式的多层次多因素的模糊数学模型,并用此模型实例评价了一个回采工作面工艺方式的最佳选择。本模型具有较大的实用价值。