基于模糊信息粒化与马尔科夫修正的瓦斯浓度预测下载

weixin_39821620 2020-10-02 06:00:32

基于模糊信息粒化对原始数据进行处理,利用支持向量机(SVM)以及差分进化算法(DE)建立预测模型,根据马尔科夫链进行残差修正,预测瓦斯浓度变化趋势。通过实验表明,该方法相较于直接对粒化数据进行SVM预测有了较大的效果提升,此外,对原始数据进行了FIG处理,实现了降维,算法运行时间得到减少,算法效率得到提升。
相关下载链接：//download.csdn.net/download/weixin_38625143/12521210?utm_source=bbsseo

...全文

24 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

基于模糊信息粒化对原始数据进行处理,利用支持向量机(SVM)以及差分进化算法(DE)建立预测模型,根据马尔科夫链进行残差修正,预测瓦斯浓度变化趋势。通过实验表明,该方法相较于直接对粒化数据进行SVM预测有了较大的效果提升,此外,对原始数据进行了FIG处理,实现了降维,算法运行时间得到减少,算法效率得到提升。

本博客整理自研读的论文，文末会附上出处。基于张量的多元多阶马尔科夫多模态预测方法一.问题背景二.多元多阶马尔科夫模型1.张量连接和张量统一乘2.多元多阶马尔科夫转移模型3.多元多阶马尔科夫多步转移模型三.多元多阶马尔科夫稳态联合主特征张量四.多元多阶马尔科夫多模态预测一.问题背景基于马尔科夫理论进行预测被认为是一种可行的方法。近年来，结合张量理论和马尔科夫理论进行精准预测，已成为学术界的一种新趋势。在早期对多阶马尔科夫模型的研究中，是通过多个时刻的线性组合近似为一阶马尔科夫链来处理，但是

本文提出了一种基于灰色残差马尔可夫模型的时序预测方法。该方法将灰色残差模型与马尔可夫模型相结合，充分利用了灰色残差模型的鲁棒性和马尔可夫模型的预测能力，提高了时序预测的准确性和可靠性。

马尔科夫链是一种进行预测的方法，常用于系统未来时刻情况只和现在有关，。用下面这个例子来讲述马尔科夫链。如何预测下一时刻计算机发生故障的概率？当前状态只存在0（故障状态）和1（正常状态）两种，每种状态下各存在两个未来状态（00,01,11,10），那么统计出这整个序列中00,01,11,10出现的次数。即求得。进而求得如果当前是0，那么下一个是0的概率为30.77%，下一步为1的概率为69.23%。对当前数据，最后一个为1，那么预测下一步，有74.3%的概率不发生故障。

马尔科夫预测模型是一种基于马尔科夫过程的预测方法。马尔科夫过程是一类具有马尔科夫性质的随机过程，即未来的状态只依赖于当前状态，而与过去状态无关。这种过程通常用状态空间和状态转移概率矩阵来描述。在马尔科夫预测模型中，系统被建模为处于一系列离散状态之一的马尔科夫链。每个状态表示系统可能的一个状态或情境，状态之间的转移由概率矩阵定义。这个概率矩阵描述了系统从一个状态转移到另一个状态的可能性。马尔科夫预测模型的基本思想是利用已知的状态序列来预测未来状态。

下载资源悬赏专区

13,657

社区成员

12,694,171

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章