现代科技综述知识文库：模糊线性回归分析.pdf

现代科技综述系列—— 模模糊糊线线性性回回归归分分析析 科技是人类区别于动物的重要文明之一， 是人类对自然规律研究 利用的学科。 本文提供对科技基本概念 “模糊线性回归分析” 的解读，以供大家了解。 模模糊糊线线性性回回归归分分析析 经典的线性回归分析是数理统计中最重要的内容之 一，是一种十分重要的数据处理方法。 但是在含有人为影响在内的实际问题中，由于人心观 察的模糊性，这种仅考虑随机性在内的回归分析方法 便失去了它应有的作用。 模糊线性回归分析就是考虑模糊性的一种统计方法， 是模糊数据处理的一种不可忽视的手段，在不确定环 境下的预测方面，为决策人提供辅助决策等方面有着 重要作用。 第1类模糊线性回归模型于1982年由田中英夫(Tanaka) 等人引进。 在这类模型中回归方程中自变量是实值变量，因变量 是模糊值变量，参量为模糊数。 这种回归方法不认为变量的估计值与观察值之间的差 异是系统的随机误差引起的，而认为是由于系统的不 确定性或系统参数的模糊性造成的，且反映在一个表 示模糊现象的模糊线性函数上，这种模糊线性函数由 扎德(L ．A ．Zadeh) 的扩展原理定义。 模型的模糊参数意味着一个表示系统模糊性的可能性 分布，通过定义模型的拟合度及模型的模糊性程度， 其模型参数的估计问题可化为一个线性规划问题，规 划的目标函数为模糊性程度，约束为拟合度不小于某 给定的阈值，这类线性回归模型对发现估计系统中的 模糊结构是很有用的。 田中英夫等人将上述模型应用到了预定房地产的价格 体系中，解释了价格体系中存在的不确定性。 应用第一类模糊线性回归模型，可以构造不确定环境 下的预测模型。 1985年，海什马提(B ．Heshmaty)与康德尔(K ．Kandel) 应用上述第一类模糊性回归模型构造了美国从60年代 中期到80年代初期电子工业市场中计算机及外部设备 的销售价格的预测模型。 由于对测量模型中的每一个独立变量均没有先验的知 识可寻，因此应用第一类线性回归分析可以检验那些 独立变量在测量模型中最为活跃，对测量模型的贡献 成分最大。 这些筛选出来的变量可以认为是影响计算机及外部设 备的销售价格的主要因素。 通过求解上述回归问题，回归参数的估计值可以给 出。 最后通过分析这些模糊参数的中心，宽度解释相应变 量的效能，通过代入相应变量的值可以计算售价的预 测值以及这些预测值的模糊程度。 由于计算机及外部设备的销售价的预测值是由模糊集 给出的，决策人可以根据模糊集的三角隶属函数决定 一个预测区间，从而给决策留有一定的余地。 从理论上谈，第1类模糊线性回归模型可以认为是一种 可能性线性系统，因而第1类线性回归又称为可能性线 性回归模型。 模糊集可以认为是一种可能性分布，可能性分布与可 能性测度可以在一定条件下相互决定。 对于一个可能性线性系统来说，输入值为非模糊的， 但其输出值是模糊的，称为可能性输出。 可能性输出一般可以通过可能性测度来计算，其计算 方法类似于用概率测度计算随机输出。 第1类模糊线性回归模型的一般形式由巴道西(A ． Ba dossy)于1988年给出，设回归参数为L －R型模糊 数，一般回归模型的模糊性可分为极大型、平均型、 积分型3种。 通过在一些约束下极小化模型的模糊性，第一类回归 的参数估计问题可化为某些数学规划问题或优化问 题。 其结果当然依赖于L －R型模糊数的选取及模糊性度量 的选取。 第2类模糊线性回归模型于1987年由王震源引进。 这类模型中，回归参数是实参量，而变量是取值为模 糊数的变量，因而这种线性回归又称为模糊值变量线 性回归。 在这种方法中变量的观察值与估计值之间的差异仍认 为是系统的模糊性造成的，但这种模糊性反映在变量 取值为模糊数上。 第2类模糊线性回归的一些参数估计原则，可借助可能 性理论给出，类