[发明专利]一种在线序列数据预测方法及装置

摘要

本发明公开了在线序列数据预测方法及装置。其中，该预测方法包括：构造区间二型直觉循环模糊神经网络模型；训练区间二型直觉循环模糊神经网络模型；其具体过程为：通过递归地更新平均值和标准差来标准化序列数据样本；基于近似密度中心的递归计算的动态聚类方法选择直觉模糊集模糊规则；将标准化的序列数据样本输入至选定直觉模糊集模糊规则的区间二型直觉循环模糊神经网络模型中，输出序列数据预测结果并判断其是否达到预设精度要求；若是，则训练完成区间二型直觉循环模糊神经网络模型；否则，更新输出权重、反馈权重、直觉模糊集模糊规则中心和点差，直至输出的预测结果达到预设精度要求；将在线序列数据输入至训练完成的模型，获得预测结果。

主权项

1.一种在线序列数据预测方法，其特征在于，包括：步骤1：构造区间二型直觉循环模糊神经网络模型；所述区间二型直觉循环模糊神经网络模型由六层构成；其中，第一层为输入层；第二层为模糊化层，在该层中采用二型直觉隶属函数来实现模糊化，且采用带犹豫指数的上隶属函数和带犹豫指数的下隶属函数的有界区间来表示二型直觉隶属函数的不确定性轨迹；第三层为空间隶属度层，该层中的每个直觉模糊集模糊规则都是由一个由隶属函数的上下激发强度及直觉模糊集的非隶属度组成的节点；第四层为时间隶属度层，该层中的每个节点均为具有内部反馈回路的周期性节点，且通过周期性节点保留上一层的触发强度并将其沿时间线传递；第五层为去模糊层；第六层为输出层；步骤2：训练区间二型直觉循环模糊神经网络模型；训练区间二型直觉循环模糊神经网络模型的具体过程为：步骤2.1：通过递归地更新平均值和标准差来标准化序列数据样本；步骤2.2：基于近似密度中心的递归计算的动态聚类方法选择直觉模糊集模糊规则；步骤2.3：将标准化的序列数据样本输入至选定直觉模糊集模糊规则的区间二型直觉循环模糊神经网络模型中，输出序列数据预测结果并判断其是否达到预设精度要求；若是，则训练完成区间二型直觉循环模糊神经网络模型；否则，通过扩展卡尔曼滤波方法更新输出权重、反馈权重、直觉模糊集模糊规则中心和点差，直至输出的预测结果达到预设精度要求；步骤3：将在线序列数据输入至训练完成的区间二型直觉循环模糊神经网络模型，获得预测结果。