

版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、作為一門(mén)迅速發(fā)展著的學(xué)科,預(yù)警系統(tǒng)建模提供了由有限維數(shù)的觀測(cè)數(shù)據(jù)構(gòu)成的信息系統(tǒng)探究高維背景系統(tǒng)的動(dòng)力特征的理論方法。在預(yù)警系統(tǒng)方面,趨勢(shì)預(yù)測(cè)模型是一種比較新穎、實(shí)用的思路,它從信息系統(tǒng)中抽取出決定系統(tǒng)的行為發(fā)展趨勢(shì)的數(shù)據(jù),構(gòu)成一個(gè)時(shí)間序列數(shù)據(jù)庫(kù),然后應(yīng)用特定領(lǐng)域較為有效的預(yù)測(cè)技術(shù)來(lái)對(duì)系統(tǒng)建模,從而對(duì)系統(tǒng)行為發(fā)展趨勢(shì)作出預(yù)測(cè),達(dá)到監(jiān)控、預(yù)警等目的。
有效的預(yù)測(cè)技術(shù)是提高預(yù)警系統(tǒng)性能的關(guān)鍵,本文第三章對(duì)常用的幾種預(yù)測(cè)模型進(jìn)行分
2、析;一般地,預(yù)測(cè)模型都存在參數(shù)選取的問(wèn)題,這些參數(shù)取值直接影響著預(yù)測(cè)模型的優(yōu)劣,本文第四章提出了幾種較為流行的群智能算法,這些方法可以來(lái)優(yōu)化預(yù)測(cè)模型中的參數(shù)取值,從而提高了模型的預(yù)測(cè)精度。同時(shí)群智能算法與預(yù)測(cè)模型參數(shù)取值問(wèn)題的結(jié)合也是優(yōu)化模型結(jié)構(gòu)的切入點(diǎn)。
為了進(jìn)一步提高預(yù)測(cè)模型的準(zhǔn)確性,文中提出混合建模方法,混合建模的關(guān)鍵在于找到混合建模的切入點(diǎn)和結(jié)構(gòu)。因?yàn)橹С窒蛄炕貧w(SVR)有很強(qiáng)的非線性建模能力,ARIMA有很強(qiáng)的
3、線性建模能力,所以我們對(duì)上述兩種模型結(jié)合形成文中的混合模型。
在本文中,我們先對(duì)預(yù)警系統(tǒng)做了簡(jiǎn)單介紹,然后將重點(diǎn)放到它的核心模塊-預(yù)測(cè)算法研究。針對(duì)預(yù)測(cè)算法提出了多種不同的數(shù)學(xué)模型,并且探討了不同數(shù)學(xué)模型的差異性;考慮到各模型都有自身的優(yōu)缺點(diǎn),我們提出使用混合模型來(lái)提高預(yù)測(cè)準(zhǔn)確度的想法;由于先用線性模型建模會(huì)影響系統(tǒng)的非線性特征,反之亦然,那么尋找混合模型切入點(diǎn)問(wèn)題成為了研究要點(diǎn)二受到SVR模型的ε一不敏感性特征和系統(tǒng)一般
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 燒結(jié)混合料制粒效果預(yù)測(cè)模型研究.pdf
- 基于混合模型的商品購(gòu)買(mǎi)預(yù)測(cè).pdf
- 基于混合模型的股票趨勢(shì)預(yù)測(cè)方法研究.pdf
- 棉紗性質(zhì)預(yù)測(cè)的混合方法模型.pdf
- 基于ARIMA-LSSVM混合模型的股指預(yù)測(cè)研究.pdf
- 基于混合多步Markov模型的位置預(yù)測(cè)方法研究.pdf
- 混合邏輯動(dòng)態(tài)建模及其模型預(yù)測(cè)控制研究.pdf
- 瀝青混合料路用性能預(yù)測(cè)模型的研究.pdf
- 豆瓣網(wǎng)站電影在線評(píng)分的混合預(yù)測(cè)模型研究.pdf
- 模糊時(shí)間序列的一類(lèi)混合預(yù)測(cè)模型研究.pdf
- 中度混合動(dòng)力汽車(chē)模型預(yù)測(cè)控制研究.pdf
- 基于多種網(wǎng)絡(luò)模型混合的流量預(yù)測(cè)技術(shù)研究.pdf
- 道路旅游客運(yùn)運(yùn)力預(yù)測(cè)混合模型構(gòu)建.pdf
- 凝膠因子對(duì)混合溶劑可凝膠化預(yù)測(cè)模型的研究.pdf
- 基于小波分解混合模型的股票指數(shù)預(yù)測(cè)研究.pdf
- 基于混合模型的風(fēng)電場(chǎng)短期風(fēng)速風(fēng)功率預(yù)測(cè)研究.pdf
- 面向股票價(jià)格指數(shù)多步預(yù)測(cè)的混合模型研究.pdf
- 基于改進(jìn)的混合蛙跳算法的短期燃?xì)庳?fù)荷預(yù)測(cè)模型研究.pdf
- 基于混合模型的濃密洗滌過(guò)程關(guān)鍵變量預(yù)測(cè).pdf
- 機(jī)場(chǎng)道面使用性能預(yù)測(cè)的混合效應(yīng)模型.pdf
評(píng)論
0/150
提交評(píng)論