小樣本可視化數(shù)據(jù)的智能預(yù)測與后處理.pdf

1、本文首先對(duì)小樣本可視化數(shù)據(jù)的特點(diǎn)進(jìn)行了研究,然后詳細(xì)分析了小樣本可視化數(shù)據(jù)預(yù)測的復(fù)雜性和特殊性,并對(duì)眾多中外現(xiàn)代建模方法進(jìn)行了剖析,最后通過比較、驗(yàn)證給出了幾種小樣本可視化數(shù)據(jù)的預(yù)測方法,重點(diǎn)提出了將前沿的智能方法——灰色預(yù)測方法和神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合的思想.本文在對(duì)灰色系統(tǒng)理論和神經(jīng)網(wǎng)絡(luò),尤其是RBF網(wǎng)絡(luò)進(jìn)行深入研究的基礎(chǔ)上,建立了灰色GM(0,N)與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的SGRBF靜態(tài)預(yù)測模型,此模型利用灰色GM(0,N)模型專門針對(duì)

2、"小樣本"的特性以及RBF網(wǎng)絡(luò)良好的非線性函數(shù)逼近能力,和不易陷入局部最優(yōu)解的特點(diǎn)來更好的解決問題.同時(shí)為了使預(yù)測精度更高,將采用FCM-ROLS算法來訓(xùn)練網(wǎng)絡(luò).本文還建立了一種最優(yōu)初始條件的新陳代謝GM(1,1)動(dòng)態(tài)模型,并在此基礎(chǔ)上建立一個(gè)更實(shí)用、預(yù)測精度更高的DGRBF動(dòng)態(tài)預(yù)測模型,此模型能對(duì)小樣本數(shù)據(jù)進(jìn)行長期動(dòng)態(tài)的精確預(yù)測.同時(shí),本文對(duì)可視化后期計(jì)算出的結(jié)果數(shù)據(jù)運(yùn)用神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的相關(guān)理論進(jìn)行了后處理,提出了一個(gè)基于神經(jīng)網(wǎng)絡(luò)