改进ANFIS-ABC算法研究

模糊规则提取和隶属度函数学习是模糊推理系统设计过程中重要而困难的问题。针对该问题,提出一种基于人工蜂群算法（ABC算法）训练自适应神经模糊推理系统（ANFIS）的新方法。神经网络采用5层ANFIS网络结构,并且描述了基本思想和算法实现过程。在ANFIS中引入ABC算法进行参数训练和优化,该方法适用于非线性系统辨识。实验结果表明,加入ABC算法之后,ANFIS训练和参数优化等取得了良好效果。     

ANFIS与BP算法在函数拟合中的应用和比较研究

介绍了自适应神经模糊推理系统ANFIS和BP的基本原理和建模方法。分别采用BP和ANFIS方法,拟合一非线形多峰函数,比较和分析了这两种方法的拟合能力和预测能力。实验结果表明,ANFIS具有比BP更优的拟合能力和预测能力,更适合于建立复杂参数间的非线形映射关系。     

基于ANFIS的自适应噪声抵消技术研究

在分析模糊神经网络的模型、系统结构和学习算法的基础上,提出了基于自适应神经模糊推理系统(ANFIS)的自适应噪声抵消算法,并对算法进行了仿真和分析.仿真结果表明,在合理选取隶属度函数类型及其数目的条件下,ANFIS能够根据训练样本对隶属度函数参数等系统参数进行优化设计,从而大大提高模糊滤波输出的信噪比.     

基于PCA和ANFIS的黄土湿陷系数预测

运用人工智能原理,提出一种基于主成分分析法（PCA）与自适应神经模糊推理系统（ANFIS）的黄土湿陷系数预测方法．首先通过主成分分析对黄土的物理指标提取主成分,以消除变量间的相关性和减少模型输入量的目的;再利用神经网络的高自适应性和模糊推理系统的推理能力建立ANFIS模型,提出一种新的黄土湿陷性预测方法．通过实测数据和预测数据的对比分析,平均误差0．29％,最大误差20％,在工程上可以接受的范围,实例说明这种预测方法是可行的．     

基于自适应模糊神经网络的可持续发展预测控制模型

生态经济系统是经济子系统、社会子系统、生态环境子系统相耦合的复杂巨系统。本文以模糊推理系统和BP神经网络相结合的自适应神经模糊推理系统(ANFIS)来模拟生态经济系统的功能，进行预测。通过确定7个指标，采集1991年-2003年的数据，构建模型，进行训练、检验，建立了以上海市为代表的基于ANFIS的可持续发展预测控制模型。     

基于EMD和PSO-SVM的通用航空飞机燃油流量预测

提出了一种EMD与SVM的组合预测模型,对通用航空飞机燃油流量进行预测。首先对数据缺失值与异常值进行处理,应用经验模态分解算法对燃油流量数据进行分解,得到各分量IMF,然后采用支持向量机对每一个分量进行预测。在预测过程中,采用PSO算法对支持向量机的参数进行优化,最后叠加各分量得到预测数据。采用通航飞机实际飞行数据进行验证,结果表明：该组合模型可以有效地预测燃油流量,准确率较高,其MSE可以达到0.254,高于传统的单一预测模型。     

基于量子粒子群方法训练ANFIS模型

论文提出一种基于量子行为粒子群算法优化自适应模糊推理系统模型(ANFIS)参数,与之前使用梯度下降方法(Gradient Decent Method)不同,论文使用QPSO方法来训练ANFIS模型中隶属度函数的参数.经过训练后的ANFIS模型可以应用到非线性系统模型和混沌时序的预测.通过几组仿真实验结果表明基于量子粒子群方法训练ANFIS模型要优于基于粒子群算法方法训练ANFIS模型.     

基于 ANFIS 的麦蚜种群模型的建立与分析

基于不同温度和大麦种群不同生长阶段（软组织、叶片发育阶段等）的麦蚜种群实验数据,首先利用自适应神经模糊推理系统（ ANFIS）,分别建立高斯型、三角型和梯型隶属度函数的麦蚜种群内禀增长率的T-S初始模糊模型。然后在误差允许范围内,应用ANFIS具体训练流程对相应初始模型进行修正,并通过误差选择与原始数据拟合程度最好的模型,最后利用数值模拟验证结论的正确性。     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势.本文以电力绝缘气体SF6为研究对象,在介绍EMD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频IMF分量与低频IMF分量叠加重构得到去噪后的信号.分析了在不同噪声水平上与小波阈值去噪方法的处理效果.实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势.     

EMD以及类EMD方法

经验模态分解(Empirical Mode Decomposition, EMD)是一种处理非线性、非平稳信号的时频分析方法。该方法依据输入信号自身的特点,自适应地将信号分解成若干个本征模态函数( Intrinsic Mode Function, IMF)之和。EMD被认为是对以线性和平稳假设为基础的傅立叶分析和小波变换等传统时频分析方法的重大突破。随着EMD的发展,很多类EMD方法逐渐出现。总结归纳了EMD以及类EMD方法的应用。     

均生函数和偏最小二乘回归神经网络集成的股市建模研究

建立股市预测模型是一个具有挑战意义的工作。利用均生函数（Mean generation Function,MGF）方法对股市时间序列重构,再利用偏最小二乘法提取对股市影响的综合变量作为神经网络的输入因子。利用Boosting技术和不同的神经网络算法,生成神经网络集成个体,用＂误差绝对值和最小＂作为最优准则,采用线性规划方法计算得到组合预测模型的各权系数,以此建立股市组合预测模型。通过S＆P500指数开盘价进行实例分析,并与传统的时间序列分析和其他集成方法对比,该方法能获得更准确的预测结果。计算结果表明该方法能充分反映股票价格时间序列趋势,为金融时间序列预测提供一个有效建模方法。     

融合Elman神经网络与EMD的交通拥堵指数预测

为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。     

EMD方法在局部放电超声信号提取中的应用

变压器局部放电超声波定位中,首要任务是对超声波信号的提取,其准确性将直接影响到定位的实现.EMD方法可以将非线性、非平稳信号分解为不同频率成分的内禀模态函数,从而提取超声波信号.以山西省高压电气设备局部放电定位项目为背景,详细分析了EMD方法的原理、实现过程,并用实例测试仿真,验证了该方法的有效性与准确性.     

基于改进EMD与FastICA—样本熵的齿轮故障特征提取方法

针对齿轮常见故障及信号在传统EMD算法分解中产生的端点效应,提出一种基于改进经验模态分解（EMD）与快速独立分量分析（FastICA）—样本熵的齿轮故障特征提取方法。首先对信号进行EMD分解,得到一系列IMF分量和残余量,在此过程中通过匹配差别最小的极值包络线段确定端点处极值,然后从每个信号中分别选取周期性明显的分量与原始信号组成混合信号作为FastICA的输入,获得ICA计算后的分量,最后分别计算EMD分量与各独立分量的样本熵。实验结果表明,改进后的EMD算法可以有效改善端点效应问题,并通过与EMD—样本熵的对比,表明FastICA—样本熵能更明显、稳定地反映齿轮故障,因此可作为一种有效的故障特征。     

金融危机前后世界主要股票指数的风险分析——基于t分布和GED分布自由度的实证研究

本文选取14只世界主要的股票指数,采用GARCH（1,1）和EGARCH（1,1）模型比较金融危机前后的股市风险变化.结果表明：收益率在不同分布假设下Var值均能很好模拟风险,同时,GARCH（1,1）-GED计算的CVar值在金融危机中能很好地模拟股市风险;由t分布和GED分布的自由度的变化得出,金融危机的蔓延使得各国股市的风险上升并且趋同,而且这一状况在危机后并没有得到显著改善;发达国家受金融危机的影响严重,恢复极其缓慢,而发展中国家恢复较快.     

基于EVT的EGARCH-M模型在动态VaR中的应用

综合考虑金融资产收益数据分布的波动集群性和厚尾的特征,尤其是波动的条件异方差对动态VaR估计的影响,运用极值理论建立EGARCH-M-GEV动态风险度量模型,并通过上证指数对其进行实证分析,为管理者和投资者提供了一个控制风险、预测收益的量化工具,为风险防范提供了参考.     

中国证券市场混沌动力性的统计检验

本文介绍了Nychka（1992）、M．Shintaniat和O．nnton（2004）提出的一种能对估算出的Lyapunov指数进行统计检验的方法。在噪音的影响下,该方法估算出的结果比实际值更小,而传统的Wolf法估算出的结果比实际值更大。对中国证券市场进行的实证研究验证了上述结论,也表明我国证券市场存在混沌动力性。     

基于灰色神经网络串联组合模型的涌水量预测

利用矿井涌水量实测值建立灰色理论与神经网络串联组合的预测模型,即利用不同灰色模型预测值训练神经网络进行预测,提高矿井涌水量的预测精度,先后建立了GM（1,1）、二次参数拟合GM（1,1）模型,将其与BP神经网络模型串联形成最终预测模型,以淮南矿区潘三矿西翼矿井涌水量预测为例,结果说明了该模型具有较高的准确性。     

我国股市初始阶段的特别功能

面对知识经济（法制经济）、经济全球化以及中国成为世贸组织成员的大背景,中国股市立足崇尚农耕的国情特色,发挥筹资功能之际,演绎了众多的特别功能,策应培育了由契约、规则、理财理念、人才发掘、营运现代企业制度、提升政府经济管理水平等诸多要件构筑的经济＂软环境＂,并释放了宽泛的社会、文化意义。     

A hybrid EMD-AR model for nonlinear and non-stationary wave forecasting

Accurate wave forecasting with a couple of hours of warning time offers improvements in safety for maritime operation-related activities. Autoregressive (AR) model is an efficient and highly adaptive approach for wave forecasting. However, it is based on linear and stationary theory and hence has limitations in forecasting nonlinear and non-stationary waves. Inspired by the capability of empirical mode decomposition (EMD) technique in handling nonlinear and non-stationary signals, this paper describes the development of a hybrid EMD-AR model for nonlinear and non-stationary wave forecasting. The EMDAR model was developed by coupling an AR model with the EMD technique. Nonlinearity and non-stationarity were overcome by decomposing the wave time series into several simple components for which the AR model is suitable. The EMD-AR model was implemented using measured significant wave height data from the National Data Buoy Center, USA. Prediction results from various locations consistently show that the hybrid EMD-AR model is superior to the AR model. This demonstrates that the EMD technique is effective in processing nonlinear and non-stationary waves.