基于模糊推理系统的非线性组合建模与预测方法研究

基于模糊推理系统在紧支集中能够逼近任意非线性连续函数的特性,提出了一种基于Takagi-sugeno模糊规则基的非线性组合建模与预测新方法,以克服线性组合预测方法在解决非平衡时间序列组合建模问题所遇到的困难和存在的不足,并给出了相应的基于学习自动机层次结构的优化算法确定模糊系统的参数和模糊子集的划分,理论分析和大量的经济预测实例表明：该方法具有很强的学习与泛化能力,在处理诸如经济时间序列这种具有一定程度不确定性的非线性系统组合建模与预测方法有很好的应用。     

联合EMD和FSVM的非平稳时间序列预测

提出一种基于经验模态分解(EMD)和模糊支持向量机(FSVM)的非平稳时间序列组合预测方法。首先,利用EMD对非平稳时间序列进行分解,将其分解为时间尺度特征较为单一的单模态分量,降低待预测信号的非线性复杂度;然后,利用模糊支持向量机对EMD分解后的各固有模态函数进行预测;最后将各固有模态函数独立预测的结果进行叠加,即可得到原始序列的预测值。以带噪声的Lorenz系统和太阳黑子月平滑值序列为实验数据,对提出的预测方法进行了仿真分析。实验结果表明,与BP神经网络预测和传统的SVM预测方法相比,提出的方法具有更好的预测精度,而且对带有孤立点、噪声的序列信号具有较强的适应能力。     

冥函数变换在短时交通流组合预测中的应用

实际交通流是一个明显含有噪声的非线性时间序列。针对这一特点提出对此时间序列进行冥函数变换,变换之后的噪声会比原始信号的压缩程度更大,从而降低白噪声对预测结果的不利影响;利用最小二乘支持向量机（LS-SVM）对自回归求和滑动平均（ARIMA）模型的预测结果进行循环补偿;通过冥函数反变换对输出结果进行相应的信号还原。实验预测结果表明,经过冥函数变换后的组合预测模型具有较高的预测精度。     

T-S模型的窑炉压力无超调快速广义预测控制设计

窑压是玻璃窑炉运行过程中重要的被控指标之一,直接影响窑炉能耗、寿命及产品成品率,优化窑炉压力控制具有重要的经济意义。由于受到众多因素的影响,窑压具有典型的非线性特性,现有方法的控制效果还有很大的提升空间。本文针对窑压设计了一套新型无超调快速模糊广义预测控制方法(NFGPC),先利用"离线+在线"组合辨识方法得到窑压对象的T-S模型;然后基于该模型对系统进行分片线性化得到时变CARIMA模型,以设计窑压广义预测控制律;结合柔化理论与新型滚动优化目标函数设计一种广义预测控制律,该方法无需求解逆矩阵即可得到控制输出,计算量更小;由于新目标函数的应用,该方法还能够克服传统GPC引起的超调效应。仿真结果表明该方法能够很好的处理窑压非线性系统建模问题,与PID控制、线性GPC(LGPC)以及模糊广义预测控制(FGPC)以及快速模糊广义预测控制(FFGPC)等方法控制效果的对比表明,NFFGPC在处理非线性系统控制问题上具有一定的优越性。     

ARIMA和RBF神经网络相融合的股票价格预测研究

针对股票价格的突变性、非线性和随机性,单一预测方法仅能描述股票价格片断信息等缺陷,提出一种股票价格组合预测模型。采用自回归移动平均模型（ARIMA）对股票价格进行预测,捕捉股票价格线性变化趋势。采用RBF神经网络对非线性、随机变化规律进行预测。将两者结果组合得到股票价格预测结果。采用组合模型对包钢股份（600010）股票收盘价进行仿真实验,结果表明,相对于单一预测模型,组合预测模型更加全面、准确刻画了股票价格的变化规律,提高了股票价格预测精度。     

中国油气资源生产发展最优组合预测模型研建

为了得到更合理、准确的未来能源发展趋势预测结果,利用非线性函数模型描述能源生产发展系统的非线性动态特征。分别采用非线性指数回归模型和灰色系统理论中的模型方法建立了中国油气资源生产发展预测模型。并利用组合预测理论及建模技术采用标准差法进行最优组合权重分配,建立了中国油气资源生产发展的组合预测模型。经检验达到了较好的预测精度。结果表明,这一模型适合于油气资源生产发展的趋势预测,为能源预测提供了新的方法,并在实例中进行了初步的预测应用,取得了较好的效果,为我国的能源发展战略提供可靠的科学依据。     

基于稳态非线性模型和线性ARX模型组合的非线性预测控制

通过点集映射来表示非线性系统的稳态模型,用系统的稳态增益来修正具有外界输入的线性自回归（AutoRegressive with eXternal input, ARX）模型的动态增益,提出了一种基于稳态非线性模型和线性ARX模型组合的非线性预测控制算法．该算法用递归最小二乘法在线辨识系统的动态模型参数,用序列二次规划算法求解目标函数．最后通过对典型化工非线性对象pH中和过程的仿真对本算法进行了验证．结果表明,本算法比广义预测控制算法具有更好的设定值跟踪性能和抗干扰能力．     

基于模糊模型的多变量预测控制算法

将模糊模型应用于模型预测控制，提出一种可用于非线性过程控制的模糊模型预测控制算法（ＦＭＰＣ）。模糊模型与单纯形调优的非线性规划方法相结合可获得优化的控制律。仿真结果表明，ＦＭＰＣ可获得良好的控制效果，具有较高的应用价值。     

基于满意优化的非线性预测控制

对多约束的非线性系统建立T—S模糊模型,采用局部线性化方法在每个采样点对非线性系统进行线性化,从而得到系统的线性化模型。针对传统的优化方法无法直接处理带有一定模糊不确定性的优化问题,该文在广义预测控制滚动优化的机制下把具有模糊边界约束的有限预测时域的优化问题,转化为等价的确定性规划问题,通过模糊规划方法来求解多约束的目标函数,从而用满意优化取代传统的二次型性能指标来求解模糊约束条件的预测控制。仿真结果表明了该方法的有效性。     

模糊组合神经网络智能选股模型的建立

针对传统的股票市场预测模型,为了准确地预测股票价格趋势、为广大投资者规避风险,应用模糊逻辑和组合神经网络,利用贝叶斯统计学与组合理论使二者有机结合,提出一种股票市场建模及预测方法。组合神经网络结合BP网络和径向基函数网络(RBF),神经元模糊系统有更强的学习和推理机制,能避免黑箱问题。实证研究结果表明,该方法有较高的预测精度和更好的稳定性。     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络（FCMAC）将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

改进的自回归AR（p）预测模型在WSN中的应用

自回归AR（p）预测模型是无线传感网络（WSN）中一种减少数据传输次数和降低能量消耗的方法。针对AR（p）模型在建模过程中忽略了不同时期的历史数据对预测值的影响存在的差异,导致模型预测精度不高、网络通信频率受影响的问题,提出了一种改进的预测模型FAR（p）。在AR（p）模型中引入一种新的模糊隶属度函数,通过模糊隶属度函数对预测模型的每个历史数据赋予权值,实现历史数据“重近轻远”的预测效果,并经二次加权平均算法处理后重新构建预测模型。仿真结果表明,改进的预测模型有效地提高了模型预测精度,减少了传感网络中数据传输次数,降低了能量消耗。     

基于层次分析法的电力负荷组合预测

应用组合预测理论,引入层次分析法（AHP）建立电力负荷组合预测的结构模型,利用AHP的1～9标度．计算相应权重．对电网负荷进行预测,从而获得电力负荷预测的满意解及推荐值。算例结果表明,所提出的基于层次分析法的电力负荷组合预测法具有较高的预测精度,有一定的实用性。     

基于经验模态分解的混合软件可靠性预测模型

基于经验模态分解结合支持向量回归算法与灰色系统理论提出一种混合软件可靠性预测模型,通过对原始软件失效数据使用经验模态分解方法进行预处理,将失效数据分解得到不同频段的本征模态分量和剩余分量,用支持向量回归算法对本征模态分量进行预测,用灰色系统模型GM（1,1）对剩余分量进行预测,然后将预测结果进行重构,得到最终软件可靠性预测值。为了验证所提混合预测模型的有效性,利用两组真实软件失效数据,与SVR可靠性预测模型和GM（1,1）可靠性预测模型进行实验对比分析,实验结果表明,所提混合预测模型较这两种可靠性预测模型具有更精确的预测精度。     

基于改进T-S模糊神经网络的交通流量预测

在萤火虫优化算法和T-S模糊神经网络的基础上,提出了一种采用萤火虫算法优化的T-s模糊神经网络预测交通流量的算法。该算法利用萤火虫算法得到T_s模糊神经网络的最优参数配置,从而能发挥T-s模糊神经网络泛化的映射能力。将该算法应用到实测交通流中进行算法的有效性验证,并与传统的T-s模糊神经网络和遗传算法优化的T-S模糊神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明了该算法在交通流量预测领域的可行性和有效性。     

改进IOWHA算子组合预测模型

针对现有单项预测模型提供信息有限,预测误差大的问题,引用最优加权组合建模理论,将灰色关联度与IOWHA算子相结合,提出一种新的组合预测模型权重确定方法,并应用该权重确定方法构建了一种基于RBF神经网络预测模型和GM预测模型的最优组合预测模型。该模型能够克服传统组合预测方法的两个缺陷：加权平均系数不变和以单一误差指标为准则。利用该组合模型对全国物流需求进行组合预测,并与RBF神经网络模型、GM模型的预测结果进行了对比分析。结果表明,相对于单项预测模型,该组合预测模型的预测精度更高,是一种有效的物流需求预测模型。     

P-集合与系统状态预测-识别

在P-集合(X^F,X^F)的基础上,给出了系统状态规律曲线生成模型,得到了系统的P-规律曲线(p^F(x),p^F(x))与系统状态偏离预测定理、系统状态不可分辨定理;并给出了表示系统偏离标准状态程度的量—P-偏离度(PDD^F,PDD^F)、系统状态预测模型及应用。     

基于ARIMA与SVM的国际铀资源价格预测

由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。     

一种输入数据为模糊数的模糊支持向量机

支持向量机所处理的数据绝大多数是精确值,但当训练样本中含有模糊信息时,支持向量机将无能为力。基于此,针对输入数据是模糊数的分类问题,提出一种带有去模糊函数的模糊支持向量机（FSVM*）。该算法采用模糊数间的距离作为模糊数去模糊的度量,从而构造去模糊函数将模糊值转化为精确值,同时将去模糊函数与模糊支持向量机相结合完成模糊数据的分类。数值结果表明：相比Forghani提出的FSVDD*算法,该算法更有效。     

基于ARIMA-GM的短期民航货邮周转量研究

ARIMA模型对季节特征有较好的拟合效果,灰色GM（1,1）模型能准确反映时间序列的增长趋势,结合民航货邮周转量的特点和ARIMA模型和GM（1,1）模型的优点,分别建立货邮周转量的ARIMA和GM（1,1）的时间序列模型,揭示出民航货邮周转量随时间推移而发展变化的动态规律,最后为更精确地预测月度民航货邮周转量,提出基于ARIMA-GM的组合预测模型,并对近几月民航货邮周转量进行较准确的短期预测,结果表明：组合模型能提高预测精度,在实际应用中ARIMA模型可用于非季节和季节的各类时间序列;灰色GM（1,1）模型能准确反映时间序列的增长趋势,两者相结合很好地解决了民航货邮周转量短期预测的实际问题,得到民航货邮周转量更精确的预测结论,能够对民航货邮市场的发展趋势进行宏观把握,有利于决策者的经济决策行为。