小樣本可視化數(shù)據(jù)的智能預(yù)測與后處理.pdf

1、本文首先對小樣本可視化數(shù)據(jù)的特點進(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,并對眾多中外現(xiàn)代建模方法進(jìn)行了剖析,最后通過比較、驗證給出了幾種小樣本可視化數(shù)據(jù)的預(yù)測方法,重點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

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)解的特點來更好的解決問題.同時為了使預(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)動態(tài)模型,并在此基礎(chǔ)上建立一個更實用、預(yù)測精度更高的DGRBF動態(tài)預(yù)測模型,此模型能對小樣本數(shù)據(jù)進(jìn)行長期動態(tài)的精確預(yù)測.同時,本文對可視化后期計算出的結(jié)果數(shù)據(jù)運用神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的相關(guān)理論進(jìn)行了后處理,提出了一個基于神經(jīng)網(wǎng)絡(luò)