| 以下仅列出文章摘要、提纲简介，如需获取全文阅读权限，或原创定制、长期合作，请随时联系。 微信QQ:312050216 |
 |
 |
| 面向时序数据的不确定性知识表示及预测 摘要 灰数作为一种“贫信息”时序数据的不确定性知识表示方式，是灰色系统研究的基本“单元”或“细胞”。当前基于此类知识表示的预测算法存在以下问题：1）基于连续灰数的知识表示预测方法均采用可能度函数白化灰数，然而白化过程存在随机性（随机生成白化实数）和模糊性（信息丢失）。且预测过程中利用单变量预测模型进行模拟预测，割裂了序列发展因子之间相互作用关系，预测效果不理想。2）基于离散灰数的知识表示预测方法无法在元素不齐时进行预测。3）目前对知识表示预测算法还是理论上的研究，需进一步对其应用领域进行探索。本学位论文针对上述问题，分别对灰数的白化过程、元素补齐和预测模型的可能应用领域进行了探索和研究。主要研究工作如下： 1. 提出一种优化的基于连续灰数知识表示的预测模型。针对现有连续灰数知识表示预测模型白化过程中存在不确定性问题，本学位论文利用核和信息扩散度作为序列发展因子，避免白化过程；并利用发展因子直接构建多变量预测模型，从系统的角度把握数据发展趋势，反映出序列发展因子之间相互作用、相互影响关系。 2. 提出一种基于元素不齐的离散灰数知识表示的预测模型（MS-DGM）。传统的基于离散灰数知识表示预测模型，直接对核和灰单元格面积序列进行提取。然而，当元素不齐时，传统方法无法提取出灰单元格面积序列。针对此问题，本学位论文，利用Grubbs算法对缺失值（或异常值）进行筛选和标记，并利用临近均值对缺失值（异常值）进行填充，扩宽了模型的应用领域。 3. 对MS-DGM模型进行应用实践。目前基于无线传感器网络数据预测融合研究均存在对时空相关性考虑不足的问题，然而离散灰数是一种有效描述时空相关性的知识表示工具。本学位论文首先利用离散灰数对多传感器的时空相关性进行描述；然后利用Grubbs对异常值（缺失值）进行检测标记，减少干扰数据对预测模型的影响，并利用临近均值对异常值（缺失值）进行填充，提取序列发展因子；最后利用序列发展因子别分构建灰色离散单变量预测模型，用于对下一时刻的数据进行预测。 关键词： 时序数据；知识表示；灰色预测；传感器数据融合 |
