LS-SVM模糊时序分析:一种新的预测方法
需积分: 9 196 浏览量
更新于2024-08-13
收藏 3.98MB PDF 举报
"基于最小二乘支持向量机的模糊时序分析方法 (2005年),由沈斌、姚敏和易文晟提出,应用于工程技术领域,主要涉及论文研究。"
本文介绍了一种创新的模糊时序分析方法,该方法结合了最小二乘支持向量机(Least Squares Support Vector Machines, LS-SVM)的优势,以提高分析精度和泛化能力。传统的模糊时序分析通常依赖于模糊关系计算,但这种方法可能存在精度不足的问题。为了克服这一挑战,作者提出了将LS-SVM引入到模糊时序处理中。
在模糊时序处理阶段,首先通过定义启发式规则、模糊变量、论域、模糊集合以及隶属度函数,将历史数据转化为模糊形式。模糊变量和论域用于定义系统的不确定性和复杂性,而模糊集合和隶属度函数则用来描述数据的模糊特性。这个过程将精确数据转化为具有模糊边界的模糊值,有助于捕捉数据中的不确定性。
接着,LS-SVM作为核心工具,用于处理模糊化的数据。LS-SVM是一种在模式识别和回归估计方面表现出色的机器学习算法,它能够有效地处理非线性问题,并且具有良好的泛化能力。在本文中,LS-SVM代替了传统的模糊关系计算,通过对模糊化的历史数据进行分析,构建出一个能够反映数据趋势和模式的模型。
在分析完成后,通过去模糊化步骤,将LS-SVM得到的结果转换回非模糊的数值,从而获得最终的预测结果。实验对比表明,这种方法相比于传统的模糊时序分析方法,具有更高的预测精度和更好的泛化性能,充分体现了支持向量机的推广优势。
关键词:模糊时序分析、最小二乘支持向量机、模糊逻辑,反映了本文的核心研究内容和技术手段。中图分类号和文献标识码分别指明了文章所属的学科类别和信息类型,文章编号则为该论文的唯一标识。
这项工作不仅提出了一种新的模糊时序分析方法,而且展示了如何将先进的机器学习技术——最小二乘支持向量机,有效地应用于模糊系统中,提高了分析效率和预测准确性,为模糊时序分析领域的研究提供了新的思路。
2019-08-13 上传
2019-07-22 上传
2014-10-19 上传
2021-05-10 上传
2021-01-31 上传
2021-03-17 上传
weixin_38737283
- 粉丝: 3
- 资源: 904
最新资源
- diagwiz:ASCII图作为代码
- userscripts:一些改善UI的用户脚本
- bsu:FAMCS BSU(专业计算机安全)上用于大学实验室的资料库
- krip:彻底的简单加密,在后台使用WebCrypto
- 费用追踪器应用
- 111.zip机器学习神经网络数据预处理
- 财务管理系统
- NNet:用于手写识别的神经网络
- 加州阳光咖啡书吧创业计划书.zip
- Pricy - Amazon Price Watch-crx插件
- AMONG_py-0.0.3-py3-none-any.whl.zip
- MIUI12.5-其他:MIUITR Beta其他语言翻译
- SnowCat:薛定谔的猫
- AMD-1.2.1-py3-none-any.whl.zip
- Slider popover(iPhone源代码)
- 实现一个3D转盘菜单效果