函数系数时序模型基于各类进化算法的估计及其异常点检测

发布时间：2017-04-09 13:18

  本文关键词：函数系数时序模型基于各类进化算法的估计及其异常点检测，由笔耕文化传播整理发布。

【摘要】：函数系数时序模型,作为一种新的非线性时间序列模型,自1993年由Chen和Tsay提出以来,该模型的参数估计和异常点诊断问题近年来受到不少学者的关注,但参数估计效率不高成为了制约其发展的重要因素。遗传算法的成功运用,良好地解决了参数估计效率问题。遗传算法GA (genetic algorithms)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出。近年来,众多学者针对传统遗传算法(SGA)存在的弊端,提出了改进,使其更好的发展,改进后的遗传算法有分层遗传算法(HGA)、CHC算法、Messy GA.自适应遗传算法(AGA)、基于小生境技术的遗传算法、并行遗传算法等。本文首先介绍函数系数时序模型的基本概念,然后列出传统遗传算法(SGA)以及改进的遗传算法(HGA、AGA、Messy GA)估计函数系数时序模型参数及诊断异常点的基本流程,最后应用这些遗传算法(SGA、HGA、AGA、Messy GA)对给定的函数系数时序模型进行参数估计,并在此基础之上诊断函数系数时序模型中存在的异常点。在诊断异常点时,采用绝对值诊断统计量、平方诊断统计量、调整的平方诊断统计量,选定某显著水平下的近似Gumbel分位数作为异常点诊断的临界值,通过多次Monte Carlo随机模拟判断一串序列中异常点是否存在以及存在位置的方式,并提出累计p值的概念,辅助进行异常点类型的判断。随机模拟结果表明：SGA、HGA、AGA、Messy GA方法均能很好地估计给定的函数系数时序模型的参数：上述四种方法对解决单个异常点或者多个不连续异常点的情形,具有很好的效果；同时,对于连续多个10异常点及连续多个IO、AO异常点混合(仅含一个AO异常点)的情形,也能成功诊断。
【关键词】：函数系数时序模型 遗传算法 异常点
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：O211.61
【目录】：

• 摘要4-5
• Abstract5-8
• 第一章 绪论8-10
• 1.1 研究背景及研究现状8-9
• 1.2 本文主要工作9
• 1.3 本文的创新9-10
• 第二章 遗传算法及其改进10-18
• 2.1 传统遗传算法(SGA)10-13
• 2.1.1 传统遗传算法简介10-11
• 2.1.2 编码与解码11
• 2.1.3 适应度函数11-12
• 2.1.4 选择算子12
• 2.1.5 交叉算子12-13
• 2.1.6 变异算子13
• 2.2 遗传算法的改进13-17
• 2.2.1 分层遗传算法(HGA)14-15
• 2.2.2 自适应遗传算法(AGA)15-16
• 2.2.3 Messy GA16-17
• 2.3 小结17-18
• 第三章 函数系数时序模型参数估计及随机模拟18-24
• 3.1 函数系数时序模型简介18
• 3.2 SGA方法18-19
• 3.2.1 SGA算法步骤18-19
• 3.2.2 模型参数估计结果19
• 3.3 HGA方法19-21
• 3.3.1 HGA算法步骤19-20
• 3.3.2 模型参数估计结果20-21
• 3.4 AGA方法21-22
• 3.4.1 AGA算法步骤21-22
• 3.4.2 模型参数估计结果22
• 3.5 Messy GA方法22-23
• 3.5.1 Messy GA算法步骤22-23
• 3.5.2 模型参数估计结果23
• 3.6 小结23-24
• 第四章 异常点模型及诊断24-31
• 4.1 异常点的概念24
• 4.2 异常点模型24-25
• 4.3 极值理论25-26
• 4.4 异常点诊断统计量26-30
• 4.5 小结30-31
• 第五章 函数系数时序模型异常点诊断步骤及单个(或多个不连续)异常点随机模拟31-51
• 5.1 异常点模型诊断步骤31-33
• 5.1.1 绝对值诊断统计量诊断步骤31-32
• 5.1.2 平方诊断统计量诊断步骤32-33
• 5.1.3 调整的平方诊断统计量诊断步骤33
• 5.2 单个异常点或者多个不连续异常点诊断举例33-49
• 5.2.1 SGA方法34-39
• 5.2.2 HGA方法39-43
• 5.2.3 AGA方法43-46
• 5.2.4 Messy GA方法46-49
• 5.3 小结49-51
• 第六章 函数系数时序模型多个连续异常点随机模拟51-64
• 6.1 多个连续异常点诊断举例51-63
• 6.2 小结63-64
• 第七章 总结与展望64-65
• 7.1 本文结论64
• 7.2 有待进一步研究的问题64-65
• 致谢65-66
• 参考文献66-67

【相似文献】

中国期刊全文数据库 前10条

1 张春生;李艳;王海珍;张世铮;;基于纵横距离的单纯异常点检测算法及应用[J];内蒙古民族大学学报(自然科学版);2009年04期

2 颜庆茁;Java的异常设计原则[J];集美大学学报(自然科学版);2004年02期

3 王康宁;汪四水;;二值数据下模型和异常点的同时识别[J];苏州大学学报(自然科学版);2010年04期

4 成邦文,师汉民,王齐庄;多维统计数据质量检验与异常点识别的模型与方法[J];数学的实践与认识;2003年04期

5 郭庆然;;基于小波变换的股票异常点检测研究[J];统计与决策;2012年04期

6 杨丽丰;陈雄波;;一种判别实测资料中异常点的方法及应用[J];水运工程;2006年04期

7 陆介平;倪巍伟;孙志挥;;基于关联分析的高维空间异常点发现[J];应用科学学报;2006年01期

8 赵洁;;统计模型中几种异常点检测方法简介[J];吉林教育;2013年04期

9 杨延娇;门维江;;基于异常点挖掘的聚类算法比较研究[J];甘肃联合大学学报(自然科学版);2008年01期

10 成邦文,师汉民,王齐庄;多维统计数据对数正态分布检验与异常点识别[J];系统工程;2001年05期

中国重要会议论文全文数据库 前5条

1 张维;刘博;张小涛;;日内金融高频数据的异常点检测[A];全国自动化新技术学术交流会会议论文集（一）[C];2005年

2 刘晓艳;王丽珍;杨志强;陈红梅;;基于数学形态学的模糊异常点检测[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

3 王倩;刘奕群;马少平;茹立云;;面向用户互联网访问日志的异常点击分析[A];第五届全国信息检索学术会议论文集[C];2009年

4 王丽珍;周丽华;肖清;;基于数据仓库的动态异常点检测研究[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

5 张重生;冯海军;陈红;梁思维;李翠平;;一种分布式数据集上top-n异常点挖掘的高效算法[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

中国硕士学位论文全文数据库 前10条

1 何欢;基于概念漂移的异常检测技术研究[D];电子科技大学;2015年

2 杨宗羲;函数系数时序模型基于各类进化算法的估计及其异常点检测[D];东南大学;2015年

3 赵伯夷;基于神经网络的异常点挖掘[D];河北大学;2011年

4 孙易木;异常点挖掘及证券行业应用实例研究[D];同济大学;2006年

5 曹忠虔;时间序列异常检测的研究[D];电子科技大学;2012年

6 彭珊;线性回归模型中关于异常点的若干问题的分析[D];东北林业大学;2014年

7 杨金伟;基于距离和信息熵的不确定异常点检测研究[D];云南大学;2011年

8 庄雪鹏;基于小波的时间序列中异常点的检测[D];南京大学;2013年

9 王康宁;贝叶斯方法下二值与多值序次数据模型与异常点的同时识别[D];苏州大学;2011年

10 张洋;一种基于热计量数据的异常点挖掘算法研究[D];燕山大学;2012年

  本文关键词：函数系数时序模型基于各类进化算法的估计及其异常点检测，由笔耕文化传播整理发布。

，

本文编号：295353