模糊神經(jīng)網(wǎng)絡在數(shù)據(jù)預測領域的應用.pdf

1、數(shù)據(jù)預測指的是根據(jù)現(xiàn)有數(shù)據(jù)的基礎估計和推算未來數(shù)據(jù)的過程。隨著互聯(lián)網(wǎng)技術以及數(shù)據(jù)庫技術的迅速發(fā)展，人類進入大數(shù)據(jù)時代。近幾年移動互聯(lián)網(wǎng)和社交網(wǎng)絡的蓬勃發(fā)展更是推動了這種趨勢的發(fā)展。我們身邊充斥著各種各樣的數(shù)據(jù)：醫(yī)療數(shù)據(jù)、電子購物數(shù)據(jù)、金融數(shù)據(jù)等。如何準確的對未來的數(shù)據(jù)或者數(shù)據(jù)發(fā)展趨勢進行預測具有積極意義。傳統(tǒng)的數(shù)據(jù)預測方法有：基于統(tǒng)計模型的預測、基于分類數(shù)據(jù)樹形的預測、基于時間序列分析的預測、以及基于神經(jīng)網(wǎng)絡等智能模型的預測方法。

2、>　　 現(xiàn)有的預測方法中，時間序列預測和回歸預測模型是最常用的基于統(tǒng)計的預測模型，但是由于復雜系統(tǒng)所表現(xiàn)出的復雜性，這就使得利用傳統(tǒng)的預測方法解決復雜系統(tǒng)預測問題，尤其是遇到內部結構不清晰的系統(tǒng)時用傳統(tǒng)預測方法進行建模將會變得很困難。神經(jīng)網(wǎng)絡是計算機對人腦神經(jīng)元處理信息過程的簡化、模擬和抽象得到的一種計算模型。神經(jīng)網(wǎng)絡具有很強的非線性建模能力，能夠自適應的從數(shù)據(jù)中學習隱藏在數(shù)據(jù)背后的規(guī)律。它已經(jīng)被許多專家學者應用在數(shù)據(jù)預測領域并且取得

3、了不錯的成果，神經(jīng)網(wǎng)絡模型被證明在對大型復雜非線性系統(tǒng)進行建模的時候結果要優(yōu)于傳統(tǒng)的基于統(tǒng)計分析的模型。但是目前基于神經(jīng)網(wǎng)絡的預測模型存在以下的問題：(1)神經(jīng)網(wǎng)絡模型是一種黑箱子模型，雖然能對結果進行準確的預測，但是它無法將得出的結果以一種人類容易理解的方式解釋和表達出來。然而實際預測中如果我們能直觀的將神經(jīng)網(wǎng)絡模型預測得到的知識顯式的表示出來，那么我們將會對所預測的系統(tǒng)有更深入的理解。(2)神經(jīng)網(wǎng)絡中最流行的誤差反傳學習算法(Bac

4、kPropagationAlgorithm，BP)以及其他基于BP的改進學習算法大都是基于梯度下降的，因此容易陷入局部最優(yōu)點并且收斂速度較慢。
　　 為了解決上面的問題，本文在對神經(jīng)網(wǎng)絡模型和模糊系統(tǒng)這兩種不同的智能模型進行分析研究的基礎上，提出利用模糊神經(jīng)網(wǎng)絡模型來進行數(shù)據(jù)預測，從而克服神經(jīng)網(wǎng)絡黑盒子模型的缺點。本文提出一種基于模糊C聚類和ANFIS(AdaptiveNeuralFuzzyInferenceSystem)混合學

5、習算法的通用預測框架。很好的解決了模糊神經(jīng)網(wǎng)絡建模中的結構辨識和參數(shù)辨識問題。同時我們對傳統(tǒng)模糊C聚類進行了改進，提出了改進的基于密度加權的模糊C聚類(ImprovedDensityWeightedFuzzyCMeans，IDWFCM)，提高了傳統(tǒng)模糊C聚類的魯棒性和收斂速度。仿真結果表明，IDWFCM算法聚類效果不容易受到噪聲數(shù)據(jù)的影響，并且收斂速度比傳統(tǒng)FCM提高了60％，聚類準確率也從88.4%提高到94.2%。最后我們利用IDW