Интеллектуальный анализ временных рядов. Ярушкина Н.Г - 295 стр.

UptoLike

ВУЗ: 

УлГТУ | Ульяновск

Составители: 

Рубрика: 

295
Таблица 6.1
Нечеткая модель типов нечетких тенденций
Rule Count MF
if ((Input0 is Стабильность) and (Input1 is Рост))
then (Output is Рост)
5 0,76
if ((Input0 is Рост) and (Input1 is Рост)) then (Out-
put is Падение)
3 0,64
if ((Input0 is Рост) and (Input1 is Падение)) then
(Output is Падение)
2 0,64
if ((Input0 is Падение) and (Input1 is Падение))
then (Output is Падение)
3 0,64
if ((Input0 is Падение) and (Input1 is Падение))
then (Output is Стабильность)
2 0,64
if ((Input0 is Падение) and (Input1 is Стабиль-
ность)) then (Output is Рост)
3 0,66
if ((Input0 is Рост) and (Input1 is Рост)) then (Out-
put is Рост)
3 0,66
if ((Input0 is Рост) and (Input1 is Рост)) then (Out-
put is Стабильность)
3 1,00
6.2. Вычислительный эксперимент
Целью вычислительного эксперимента являлось исследование продук-
тивности структурно-лингвистического подхода для генерации авторских
моделей временных рядов, позволяющих извлекать знания о нечетких тен-
денциях в форме продукционных правил «ЕСЛИ-ТО» и использовать их для
прогнозирования нечетких тенденций и числовых уровней ВР. Для этого
предлагаемые модели ВР были исследованы по критериям точности моделей
в терминах нечетких элементарных тенденций TTend, а также числовой
оценки прогноза по критериям МАРЕ, MSE и RMSE, применяемых в рабо-
тах зарубежных авторов, результаты которых были использованы для срав-
нения. Вычислительный эксперимент показал, что авторские нечеткие моде-

Страницы