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

25 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。

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。

下载资源悬赏专区

13,656

社区成员

12,674,768

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