论文部分内容阅读
随着管理信息系统(MIS)应用水平的提高，决策人员和研究人员掌握了大量数据，并希望利用数学模型来分析这些数据，挖掘有用信息，从而进行定量预测。本文针对一维等时距时间序列，将应用范围极其广泛的灰色系统理论和神经网络技术融合起来，研究并建立了不同的融合模型，提出了灰色系统理论和神经网络融合的时序数据挖掘技术。本文首先在第2章里阐述了灰色系统模型的优点与不足，针对GM(1，1)模型的缺陷和不同的数据列特点给出了基于各种改进GM模型的数据挖掘预测技术；同时阐述了BP神经网络的有关理论，提出了基于有动量的自适应梯度下降法BP神经网络挖掘预测模型，用于对攀枝花市的钢产量进行预测；重点为第3章，对灰色模型和神经网络模型取长补短，提出了灰色系统理论和神经网络融合的各种模型，并将融合方式分为： 1．弱融合(简单融合)； 2．强融合： 2．1 组合融合(Combination grey neural network CGNN)： 2．1．1 CGNN Ⅰ 2．1．2 CGNN Ⅱ 2．2 完全融合(Full grey neural network FGNN)： 2．2．1 FGNN Ⅰ 2．2．2 FGNN Ⅱ 2．2．3 FONNⅢ选取部分模型用于攀枝花市水泥用石灰岩的需求量的挖掘预测，进行对比分析。实例表明灰色系统理论和神经网络融合的时序数据挖掘模型FGNN Ⅰ对具有波动性质、随机性较大的时间序列挖掘预测比单一的灰色模型和神经网络模型更有效；与其它常用时序数据挖掘模型比具有所需样本少，操作简单，更具实用价值。