基于基因表達式編程函數(shù)挖掘和時間序列分析關鍵技術研究.pdf

1、數(shù)據(jù)挖掘作為多領域的交叉學科，是近9年來數(shù)據(jù)庫界研究的熱點；進化計算模型不需要太多領域知識和建立先驗模型，在處理復雜的數(shù)據(jù)挖掘問題中得到了廣泛的青睞。在函數(shù)挖掘和時間序列分析的問題中，取得了很大的成功。 函數(shù)挖掘和時間序列分析的實踐已經(jīng)暴露出傳統(tǒng)GEP的缺陷：如難以挖掘分段函數(shù)和難以制定時間序列分析的嵌入維度等。在前人的工作基礎上，本文結合了統(tǒng)計學和小波分析的方法，對GEP在函數(shù)挖掘和時間序列分析的缺陷做出了一系列的改進。本文的

2、主要工作和貢獻如下： 1)分析了GEP用于分段函數(shù)挖掘存在的問題，提出了基于小波的函數(shù)分段點發(fā)現(xiàn)算法。該算法通過對待擬合數(shù)據(jù)進行離散小波變換，對小波細節(jié)系數(shù)進行分析，能夠比較準確的發(fā)現(xiàn)分段函數(shù)的分段點的所在，從而使得GEP能夠快速準確地挖掘分段函數(shù)。 2)在統(tǒng)計學理論的基礎上提出了根據(jù)自相關系數(shù)將時間序列分為強變化時間序列和弱變化時間序列，并提出了基于N-步相關序列制定時間序列嵌入維度的算法。對于強變化時間序列提出了差分

3、平均預測方法。通過對時間序列作一次差分的預處理后進行預測，取得了比原始GEP方法更好的預測效果。對于弱變化時間序列提出了菲波那契加權平均滑動窗口預測的方法，通過菲波那契線性濾波器濾波后進行預測，取得了比原始GEP方法更為準確的預測結果。 3)在小波變換的基礎上，提出了針對強變化時間序列的基于小波近似系數(shù)的嵌入維度制定算法和針對弱變化時間序列的基于小波細節(jié)系數(shù)的嵌入維度制定算法。提出了兩種基于小波濾波的GEP時間序列預測方法：基

4、 于Birge-Massart閾值策略的小波濾波預測方法和基于Stein無偏估計閾值策略的小波濾波預測方法。這兩種方法有效地濾除了時間序列中的噪聲數(shù)據(jù)，使數(shù)據(jù)更為平滑，有效地提高了GEP時間序列預測的準確度。 4)通過一系列的實驗驗證了本文提出的所有方法的有效性，證明使用這些方法能夠提高GEP函數(shù)挖掘和時間序列分析的準確性。 本文的組織如下：第一節(jié)函數(shù)發(fā)現(xiàn)和時間序列分析背景、成果和不足；第二節(jié)介紹了數(shù)據(jù)挖掘、進化計算和小