模糊神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預(yù)測(cè)領(lǐng)域的應(yīng)用.pdf

1、數(shù)據(jù)預(yù)測(cè)指的是根據(jù)現(xiàn)有數(shù)據(jù)的基礎(chǔ)估計(jì)和推算未來數(shù)據(jù)的過程。隨著互聯(lián)網(wǎng)技術(shù)以及數(shù)據(jù)庫技術(shù)的迅速發(fā)展，人類進(jìn)入大數(shù)據(jù)時(shí)代。近幾年移動(dòng)互聯(lián)網(wǎng)和社交網(wǎng)絡(luò)的蓬勃發(fā)展更是推動(dòng)了這種趨勢(shì)的發(fā)展。我們身邊充斥著各種各樣的數(shù)據(jù)：醫(yī)療數(shù)據(jù)、電子購物數(shù)據(jù)、金融數(shù)據(jù)等。如何準(zhǔn)確的對(duì)未來的數(shù)據(jù)或者數(shù)據(jù)發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)具有積極意義。傳統(tǒng)的數(shù)據(jù)預(yù)測(cè)方法有：基于統(tǒng)計(jì)模型的預(yù)測(cè)、基于分類數(shù)據(jù)樹形的預(yù)測(cè)、基于時(shí)間序列分析的預(yù)測(cè)、以及基于神經(jīng)網(wǎng)絡(luò)等智能模型的預(yù)測(cè)方法。

2、>　　 現(xiàn)有的預(yù)測(cè)方法中，時(shí)間序列預(yù)測(cè)和回歸預(yù)測(cè)模型是最常用的基于統(tǒng)計(jì)的預(yù)測(cè)模型，但是由于復(fù)雜系統(tǒng)所表現(xiàn)出的復(fù)雜性，這就使得利用傳統(tǒng)的預(yù)測(cè)方法解決復(fù)雜系統(tǒng)預(yù)測(cè)問題，尤其是遇到內(nèi)部結(jié)構(gòu)不清晰的系統(tǒng)時(shí)用傳統(tǒng)預(yù)測(cè)方法進(jìn)行建模將會(huì)變得很困難。神經(jīng)網(wǎng)絡(luò)是計(jì)算機(jī)對(duì)人腦神經(jīng)元處理信息過程的簡(jiǎn)化、模擬和抽象得到的一種計(jì)算模型。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性建模能力，能夠自適應(yīng)的從數(shù)據(jù)中學(xué)習(xí)隱藏在數(shù)據(jù)背后的規(guī)律。它已經(jīng)被許多專家學(xué)者應(yīng)用在數(shù)據(jù)預(yù)測(cè)領(lǐng)域并且取得

3、了不錯(cuò)的成果，神經(jīng)網(wǎng)絡(luò)模型被證明在對(duì)大型復(fù)雜非線性系統(tǒng)進(jìn)行建模的時(shí)候結(jié)果要優(yōu)于傳統(tǒng)的基于統(tǒng)計(jì)分析的模型。但是目前基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型存在以下的問題：(1)神經(jīng)網(wǎng)絡(luò)模型是一種黑箱子模型，雖然能對(duì)結(jié)果進(jìn)行準(zhǔn)確的預(yù)測(cè)，但是它無法將得出的結(jié)果以一種人類容易理解的方式解釋和表達(dá)出來。然而實(shí)際預(yù)測(cè)中如果我們能直觀的將神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)得到的知識(shí)顯式的表示出來，那么我們將會(huì)對(duì)所預(yù)測(cè)的系統(tǒng)有更深入的理解。(2)神經(jīng)網(wǎng)絡(luò)中最流行的誤差反傳學(xué)習(xí)算法(Bac

4、kPropagationAlgorithm，BP)以及其他基于BP的改進(jìn)學(xué)習(xí)算法大都是基于梯度下降的，因此容易陷入局部最優(yōu)點(diǎn)并且收斂速度較慢。
　　 為了解決上面的問題，本文在對(duì)神經(jīng)網(wǎng)絡(luò)模型和模糊系統(tǒng)這兩種不同的智能模型進(jìn)行分析研究的基礎(chǔ)上，提出利用模糊神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行數(shù)據(jù)預(yù)測(cè)，從而克服神經(jīng)網(wǎng)絡(luò)黑盒子模型的缺點(diǎn)。本文提出一種基于模糊C聚類和ANFIS(AdaptiveNeuralFuzzyInferenceSystem)混合學(xué)

5、習(xí)算法的通用預(yù)測(cè)框架。很好的解決了模糊神經(jīng)網(wǎng)絡(luò)建模中的結(jié)構(gòu)辨識(shí)和參數(shù)辨識(shí)問題。同時(shí)我們對(duì)傳統(tǒng)模糊C聚類進(jìn)行了改進(jìn)，提出了改進(jìn)的基于密度加權(quán)的模糊C聚類(ImprovedDensityWeightedFuzzyCMeans，IDWFCM)，提高了傳統(tǒng)模糊C聚類的魯棒性和收斂速度。仿真結(jié)果表明，IDWFCM算法聚類效果不容易受到噪聲數(shù)據(jù)的影響，并且收斂速度比傳統(tǒng)FCM提高了60％，聚類準(zhǔn)確率也從88.4%提高到94.2%。最后我們利用IDW