Tìm thấy 20+ kết quả cho từ khóa "Nhóm quan hệ mờ phụ thuộc thời gian"
tailieu.vn Xem trực tuyến Tải xuống
CHƢƠNG 3 ỨNG DỤNG NHÓM QUAN HỆ MỜ PHỤ THUỘC THỜI GIAN TRONG DỰ BÁO DÂN SỐ. Mối quan hệ mờ. Các nhóm mối quan hệ mờ. Nhóm quan hệ mờ theo Chen , theo Yu và nhóm quan hệ mờ phụ thuộc thời gian. Các nhóm mối quan hệ mờ phụ thuộc thời gian. Nhóm mối quan hệ mờ. đã đƣa ra khái niệm chuỗi thời gian mờ không phụ thuộc vào thời gian (chuỗi thời gian dừng) và phụ thuộc vào thời gian (không dừng) để dự báo. bậc cao của chuỗi thời gian mờ để tính toán.
tailieu.vn Xem trực tuyến Tải xuống
Một cách tương tự để xác định các quan hệ mờ bậc hai khác tại thời điểm khác nhau.. Thiết lập nhóm quan hệ mờ phụ thuộc thời gian. Trong bước này, chúng tôi tạo nhóm quan hệ mờ dựa trên định nghĩa 4 về nhóm quan hệ mờ phụ thuộc thời gian bậc 1 và bậc cao. Khi đó, tại các thời điểm t lần lượt là chúng ta nhận được ba nhóm quan hệ theo thứ tự thời gian trên là G 1. Một cách tương tự cho nhóm quan hệ mờ bậc cao..
tailieu.vn Xem trực tuyến Tải xuống
Dựa trên khái niệm nhóm quan hệ mờ phụ thuộc thời gian đề xuất trong tài liệu [11] và khái niệm về chuỗi mờ bậc cao hai nhân tố. Chúng tôi đưa ra khái niệm về quan hệ mờ phụ thuộc thời gian bậc m hai nhân tố như sau:. Quan hệ mờ giữa m quan sát liên tiếp của chuỗi thời gian hai nhân tố. và được gọi là nhóm quan hệ mờ phụ thuộc vào thời gian bậc cao m (m ) hai nhân tố. MÔ HÌNH DỰ BÁO DỰA TRÊN FTS BẬC CAO HAI NHÂN TỐ VÀ PSO.
tailieu.vn Xem trực tuyến Tải xuống
Nguyễn Công Điều, Nghiêm Văn Tính, Dự báo chuỗi thời gian mờ dựa trên nhóm quan hệ mờ phụ thuộc thời gian và tối ưu bầy đàn, Hội nghị FAIR 2016.
tailieu.vn Xem trực tuyến Tải xuống
Trong mô hình dự báo đề cập đến hai vấn đề chính được xem là ảnh hưởng lớn đến độ chính xác dự báo, đó là vấn đề xác định khoảng chia từ tập nền và cách thiết lập nhóm quan hệ mờ. Để khắc phục những hạn chế của các mô hình chuỗi thời gian mờ cùng sử dụng nhóm quan hệ mờ, mô hình đề xuất sử dụng khái niệm nhóm quan hệ mờ phụ thuộc thời gian được chứng minh là hiệu quả và phù hợp với điều kiện thực tế hơn.
www.academia.edu Xem trực tuyến Tải xuống
Trong mô hình dự báo đề cập đến hai vấn đề chính được xem là ảnh hưởng lớn đến độ chính xác dự báo, đó là vấn đề xác định khoảng chia từ tập nền và cách thiết lập nhóm quan hệ mờ. Để khắc phục những hạn chế của các mô hình chuỗi thời gian mờ cùng sử dụng nhóm quan hệ mờ, mô hình đề xuất sử dụng khái niệm nhóm quan hệ mờ phụ thuộc thời gian được chứng minh là hiệu quả và phù hợp với điều kiện thực tế hơn.
tailieu.vn Xem trực tuyến Tải xuống
Hướng phát triển tiếp theo có thể là dựa vào các chuỗi con khác nhau để dự đoán chuỗi thời gian chứ không xét một chuỗi con.. Dũng, “Dự báo giá chứng khoán bằng phương pháp chuỗi thời gian,”. Em, “Nghiên cứu ứng dụng chuỗi thời gian trong việc dự báo kinh doanh xăng dầu”.. Điều, “Dự báo chuỗi thời gian mờ dựa trên nhóm quan hệ mờ phụ thuộc thời gian và tối ưu bầy đàn,” in Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX “Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR'9.
tailieu.vn Xem trực tuyến Tải xuống
Chen và Chung (2006) đã sử dụng giải thuật gen để điều chỉnh độ dài của khoảng cho mô hình bậc một và bậc cao của chuỗi thời gian mờ. (2010) đã chú ý đến yếu tố thời gian trong nhóm quan hệ logic mờ của Yu và đề xuất khái niệm nhóm quan hệ logic mờ phụ thuộc thời gian và ứng dụng trong dự báo.. Như đã trình bày ở trên, mô hình chuỗi thời gian mờ đang có nhiều ứng dụng trong công tác dự báo.
tailieu.vn Xem trực tuyến Tải xuống
Quy tắc 2: Nếu ta có các mối quan hệ logic mờ hình thành nhóm quan hệ logic mờ sau: A i →A j1 , A j2 ,…A jn thì giá trị dự báo A i là nhóm n phụ thuộc thời gian A j1 , A j2 ,…A jn. Quy tắc 3: Nếu A j → Ø thì giá trị dự báo là A j. Bước 6: Giải mờ các kết quả dự báo.. Quy tắc 2: Nếu A i → A j1 , A j2 ,…A jn thì giá trị dự báo sẽ là:.
ctujsvn.ctu.edu.vn Xem trực tuyến Tải xuống
KHAI KHOÁNG VÀ ỨNG DỤNG CỦA MẪU EPISODE MỞ RỘNG TRÊN DỮ LIỆU PHỤ THUỘC THỜI GIAN. Dữ liệu phụ thuộc thời gian, khai khoáng mẫu episode, mẫu episode mở rộng Keywords:. Trong bài viết này, chúng tôi giới thiệu mô hình mẫu episode mở rộng phát triển từ mô hình mẫu episode với dữ liệu phụ thuộc vào thời gian.. Dựa trên mô hình vừa trình bày, chúng tôi giới thiệu giải thuật khai khoáng mẫu episode mở rộng chỉ duyệt qua chuỗi dữ liệu sự kiện 1 lần.
tailieu.vn Xem trực tuyến Tải xuống
Điều kiện cho tính co suy rộng của hệ phƣơng trình sai phân phi tuyến cĩ chậm. Trong mục này chúng tơi nghiên cứu điều kiện co suy rộng của lớp hệ phương trình sai phân phi tuyến phụ thuộc thời gian cĩ chậm dưới dạng sau. 1, m là các hàm chậm cho trước thỏa điều kiện. với mọi k. Xét hệ phương trình sai phân phi tuyến phụ thuộc thời gian (2.1).
tailieu.vn Xem trực tuyến Tải xuống
Trong nhiều trường hợp, ta thu được hệ điều khiển tuyến tính không phụ thời gian như sau:. Trong ba phương pháp giảm bậc ở trên thì phương pháp Chặt cân bằng là phương pháp hữu hiệu hơn cả. Do vậy chúng tôi quyết định chọn đề tài "Giảm bậc của hệ điều khiển tuyến tính không phụ thuộc thời gian bằng phương pháp Chặt cân bằng". Mục đích của luận văn này là nhằm tìm hiểu về phương pháp giảm bậc của hệ điều khiển tuyến tính không phụ thuộc thời gian.
www.academia.edu Xem trực tuyến Tải xuống
Giải mờ các kết quả dự báo. 2.3 Mô hình dự báo Chen Do mô hình dự báo chuỗi thời gian mờ của Song & Chissom khá phức tạp trong bước 5 và bước 6, vì vậy Chen [4] đã cải tiến cách tính toán sao cho chính xác hơn cho các mô hình dự báo chuỗi thời gian chỉ sử dụng các phép tính số học đơn giản trên cơ sở thông tin từ các quan hệ mờ và nhóm quan hệ mờ theo các bước sau đây: Bước 1. Giải mờ đầu ra dự báo.
www.academia.edu Xem trực tuyến Tải xuống
F(t), khi đó quan hệ mờ giữa F(t) và F(t−1) đƣợc mô tả bằng phƣơng trình: F(t)=F(t−1)*R(t−1, t) (2.3) Quan hệ mờ R thể hiện mô hình bậc nhất của F(t). Nếu R(t−1, t) không phụ thuộc t, sao cho với mọi t1 và t2 khác nhau, R(t1 , t1−1)=R(t2 ,t2−1), thì F(t) đƣợc gọi là chuỗi thời gian mờ dừng, còn lại đƣợc gọi là chuỗi thời gian mờ không dừng. Giả sử có các quan hệ mờ: Ai Aj1. Mô hình dự báo của Q. Song và B.S Chissom Mô hình dự báo chuỗi thời gian mờ lần đầu tiên đƣợc Q.
tailieu.vn Xem trực tuyến Tải xuống
DỰ BÁO CHUỖI THỜI GIAN MỜ SỬ DỤNG ĐẠI SỐ GIA TỬ. Song, Chissom [1, 2] lần đầu tiên đã đưa ra khái niệm mới về chuỗi thời gian mờ. Tuy nhiên mô hình tính toán nhóm quan hệ mờ trong mô hình dự báo chuỗi thời gian mờ quá phức tạp và do đó độ chính xác của dự báo không cao. Chen [3] đã thay đổi cách tính toán nhóm quan hệ mờ bằng các phép tính số học đơn giản để có được kết quả dự báo tốt hơn.
tailieu.vn Xem trực tuyến Tải xuống
Quan hệ mờ. Các quan hệ mờ. Biến ngôn ngữ. CHƢƠNG 2: DỰ BÁO CHUỖI THỜI GIAN MỜ. Thuật toán dự báo chuỗi thời gian mờ của Song và Chissom. Thuật toán dự báo mờ của Chen. Thuật toán của Chen phƣơng pháp ứng dụng vào dự báo tuyển sinh đại học Alabama . So sánh các kết quả của các Thuật toán dự báo chuỗi thời gian mờ. 2 NQHNN Nhóm quan hệ ngữ nghĩa. Bảng 2.1: Chuyển đổi các giá trị lịch sử thành giá trị ngôn ngữ. Nhóm mối quan hệ logic mờ. Kết quả dự báo của Chen.
dlib.hust.edu.vn Xem trực tuyến Tải xuống
CSDL mờ chứa cỏc giỏ trị ngụn ngữ 45 Chương 4: Đại số quan hệ và cỏc ràng buộc dữ liệu trong CSDL quan hệ mờ chứa cỏc giỏ trị ngụn ngữ 53 4.1. Đại số quan hệ 53 4.2. Cỏc ràng buộc dữ liệu 69 4.2.1. Phụ thuộc hàm và cỏc luật suy dẫn 73 Kết luận 79 Tài liệu tham khảo 81 Cơ sở dữ liệu quan hệ mờ với cỏc giỏ trị ngụn ngữ Phan Anh Phong – ITBK02 3 Danh mục cỏc hỡnh vẽ Hỡnh 1. Một vớ dụ biểu diễn cỏc giỏ trị mờ theo số mờ hỡnh thang Hỡnh 7. giữa một giỏ trị rừ và một giỏ trị mờ Hỡnh 8.
tailieu.vn Xem trực tuyến Tải xuống
Ngoài ra việc tăng bậc chuỗi thời gian mờ cũng tạo ra khả năng tăng thêm độ chính xác của mô hình dự báo. Từ đó xây dựng được nhóm quan hệ mờ hợp lý có lợi cho dự báo. thời gian mờ như thế nào để có dự báo tốt nhất cho các dữ liệu trong nhóm quan hệ mờ.. Tuy nhiên, độ chính xác của dự báo trên quan điểm xem xét chuỗi thời gian theo tiếp cận mờ của Song &. S.M Chen (1996) đã đề xuất mô hình dự báo chuỗi thời gian mờ rất hiệu quả, chỉ sử dụng các tính toán số học đơn giản.
tailieu.vn Xem trực tuyến Tải xuống
Chương 2: Mô hình dự báo chuỗi thời gian mờ.. Chương 3: Mô hình dự báo mờ sử dụng ĐSGT với ngữ nghĩa định lượng tối ưu và ứng dụng.. Số hóa bởi Trung tâm Học liệu và Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn - U là miền các giá trị vật lý mà x có thể nhận. Chia khoảng giá trị. Dự báo theo nhóm quan hệ mờ. Giải mờ các kết quả dự báo. Gọi đó là mô hình dự báo bậc m của chuỗi thời gian mờ..
ctujsvn.ctu.edu.vn Xem trực tuyến Tải xuống
Mối tương quan tuyến tính giữa biến động giá vàng và tỷ giá ngoại tệ qua thời gian dựa vào giả định chuỗi thời gian có phân phối chuẩn mặc dù mối quan hệ này có thể bị sai lệch trong điều kiện biến động bất thường.. Bài viết này áp dụng phương pháp copula để ước lượng mối quan hệ phụ thuộc giữa tỷ suất sinh lợi của vàng và tỷ giá ngoại tệ USD/VND trong điều kiện nền kinh tế bình thường và cả trong nền kinh tế biến động cực biên.