基于模糊认知图学习的时间序列预测算法研究.pdfVIP

摘要

摘要

模糊认知图是一种具有模糊逻辑和神经网络优点的图结构模型.由于其灵活性和

可解释性等优点，模糊认知图在时间序列预测方面得到了广泛的应用，通过模糊认知

图对时间序列进行建模，能够挖掘出概念节点间的因果关系，从而对时间序列数据进

行预测分析.然而，目前的研究仍存在一些需要进一步分析和研究的问题.本文对基

于模糊认知图学习的时间序列预测算法进行了深入研究，主要工作如下：

1.针对多变量大规模时间序列数据，通过引入自适应损失函数，增强模型的鲁棒

性，进而通过对模糊认知图权重矩阵的稀疏约束，提出了一种基于自适应损失函数的

稀疏回归的模糊认知图学习算法.为了保证模糊认知图权重矩阵的元素值介于[-1,1]，

建立了基于二次规划的交替方向乘子法来学习模糊认知图权重，并证明了算法的收敛

性.最后，利用人工合成的无噪声和有噪声的大规模时间序列数据来测试算法性能，

并应用到了基因调控网络重建中，验证了所给算法的有效性.

2.针对现有模糊认知图算法对权重矩阵学习缺乏指导的问题，受皮尔逊相关系数启

发，通过计算数据矩阵(自变量)和目标矩阵(因变量)