[发明专利]基于直觉循环模糊神经网络的时间序列预测方法及装置

说明书

本发明公开了一种基于直觉循环模糊神经网络的时间序列预测方法及装置，该预测方法接收时间序列数据样本，并划分为若干组子样本；将若干组子样本依次输入区间二型直觉模糊推理系统模糊化处理进行学习预测；在一组样本输入系统网络后根据产生的预测误差和球形势采用元认知学习算法对系统网络进行更新；所述区间二型直觉模糊推理系统包括输入层、模糊化层、空间发射层、时间触发层和输出层；所述模糊化层使用TSK型模糊规则，求取输入数据的隶属度和非隶属度，所述空间发射层对隶属度和非隶属度进行降维处理，所述时间触发层使用LSTM递归为数据建立时间上的联系，所述输出层采用基于中心的去模糊化处理输出数据。

技术领域

本公开属于数据处理的技术领域，涉及一种基于直觉循环模糊神经网络的时间序列预测方法及装置。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

1965年，美国加州大学伯克利分校的L.A.Zadeh教授提出了表达事物模糊性的重要概念：隶属函数，这就是本公开的一个或多个实施例所熟知的模糊集合理论(Type-1Fuzzy Sets)，它为处理不确定性、模糊性和不精确性的信息奠定了基础。1969年，P.N.Marinos发表模糊逻辑的研究报告。1974年，L.A.Zadeh发表模糊推理的研究报告。同年，英国的E.H.Mamdani首次用模糊逻辑和模糊推理实现了世界上第一个实验性的蒸汽机控制，并取得了比传统的直接数字控制算法更好的效果。从此，模糊理论成了一个热门的课题。

基于模糊集合理论的良好效果，Zadeh对这一理论进行了扩展以达到更好的效果，他将一型模糊集的隶属度值再度进行模糊化，于1975年提出二型模糊集合(Type-2FuzzySets)的概念。由于采用了三维的隶属函数，比一型模糊集多一维描述不确定性的自由度，二型模糊集合获得了处理高不确定性的能力。然而，二型模糊集具有较高的运算复杂度，难以满足实际工程对运算效率的需求，导致其在之后的二十多年中并未得到迅速发展，人们对模糊集合理论的研究仍然以一型模糊集为主。

Jang对模糊建模的早期研究进行了讨论，并对人工神经网络进行了比较，于1993年提出了一种基于自适应网络的模糊推理系统的体系结构和学习过程，这就是本公开的一个或多个实施例所熟知的ANFIS。Juang和Lin在1999年基于集群算法提出了一种灵活的输入分区方法，从而减少了模糊规则的生成。2000年，Lee通过在模糊神经网络的第二层中添加反馈连接将时间关系嵌入到网络中。随后，Juang于2002年提出了一种tsk型周期性反复模糊的模糊网络结构，该网络由一系列重复的模糊if-then规则与tsk类型的后续部分组成的，并且提出了一种具有并行结构和参数学习的在线学习算法。一型模糊集合理论在推理系统中得到了广泛的应用。2002年，Rutkowska通过分析NEFCON、NEFCLASS和NEFPROX三种模型与PFB模糊神经网络的等价性，首先提出了二型模糊神经网络的概念。2002年，Mastorocostas提出了一种由反复的TSK规则组成的动态模糊神经网络。随后，Lee提使用类型-2模糊集对系统中的不确定关系进行建模和最小化，并在网络中使用实码遗传算法推导学习算法。二型模糊集合理论的应用提高了处理显示世界中高不确定性的能力。