基于灰色模型的预处理方法和智能模型

发布时间：2021-01-28 17:19

　　人工智能的兴起使得神经网络（NN）、支持向量机（SVM）、模糊系统等方法被广泛地应用于预测领域。然而,基于人工智能的方法,需要大量的训练数据和相对长的训练期,对于经济预测,满足这些条件很困难,因为经济时间序列高度非线性、随机性使得序列极不规范、极其灵活。灰色系统理论和单步预测方法（滚动机制）的引入很好地解决了这一问题,它仅仅只需要一个小的、或离散、或不完整的训练数据集来组建一个预测模型,还克服了因为数据混乱局限了灰色系统模型的预测性能的缺点。本篇硕士学位论文将粒子群智能算法（PSO）有机地融入到滚动灰色预测模型中,使得模型可以根据数据趋势变化自动优化参数而非传统方法的固定参数,适用性、精确度以及智能性明显增强。同时,提出一种适用于灰色预测的数据预处理模型,它源于数据挖掘中数据预处理理论又不同于已有的数据预处理方法针对海量数据的特点,特别适用于这种数据量小、指数趋势增长且越是时间序列靠后的数据对预测结果作用越大的预测。论文以逐渐深入地研究算法为目的,选取第三产业经济数据为实验对象,首先,以标准灰色预测算法GM（1,1）的预测结果作为一个评判基准衡量数据质量是否高噪声、不稳定、非线性且模型... 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 问题背景与意义
    1.2 本文工作及结构
第二章 灰色系统其理论体系及灰色模型
    2.1 灰色系统的理论体系
    2.2 基本灰色系统模型
    2.3 滚动灰色预测模型
    2.4 性能评测
        2.4.1 基本GM（1,1）模型性能
        2.4.2 RGM（1,1）模型性能
第三章 群智能理论与智能灰色系统模型
    3.1 群智能理论概述
    3.2 粒子群优化算法（PSO）
        3.2.1 PSO产生背景
        3.2.2 PSO算法描述
    3.3 基于基本GM（1,1）评价PSO算法有效性
        3.3.1 α-GM（1,1）模型
        3.3.2 利用PSO算法进行参数α寻优
        3.3.3 性能评估
    3.4 基于滚动模型的智能模型
        3.4.1 α-RGM（1,1）算法
        3.4.2 利用PSO优化计算α值
        3.4.3 基于滚动灰色模型的智能PRGM（1,1）模型性能评估
第四章 基于灰色模型的指数数据预处理模型
    4.1 模型构建之理论来源
    4.2 模型算法的数学描述
    4.3 基于实证数据的预处理结果以及性能
    4.4 基于四种预测模型的实证评估
第五章 结论
参考文献
攻读硕士学位期间发表论文及研究课题
致谢


【参考文献】：
期刊论文
[1]统计数据预处理的理论与方法述评[J]. 程开明.  统计与信息论坛. 2007(06)
[2]差分进化算法研究进展[J]. 刘波,王凌,金以慧.  控制与决策. 2007(07)



本文编号：3005373