本文關(guān)鍵詞：函數(shù)系數(shù)時序模型基于各類進化算法的估計及其異常點檢測，由筆耕文化傳播整理發(fā)布。

【摘要】：函數(shù)系數(shù)時序模型,作為一種新的非線性時間序列模型,自1993年由Chen和Tsay提出以來,該模型的參數(shù)估計和異常點診斷問題近年來受到不少學(xué)者的關(guān)注,但參數(shù)估計效率不高成為了制約其發(fā)展的重要因素。遺傳算法的成功運用,良好地解決了參數(shù)估計效率問題。遺傳算法GA (genetic algorithms)是一類借鑒生物界的進化規(guī)律(適者生存,優(yōu)勝劣汰遺傳機制)演化而來的隨機化搜索方法。它是由美國的J.Holland教授1975年首先提出。近年來,眾多學(xué)者針對傳統(tǒng)遺傳算法(SGA)存在的弊端,提出了改進,使其更好的發(fā)展,改進后的遺傳算法有分層遺傳算法(HGA)、CHC算法、Messy GA.自適應(yīng)遺傳算法(AGA)、基于小生境技術(shù)的遺傳算法、并行遺傳算法等。本文首先介紹函數(shù)系數(shù)時序模型的基本概念,然后列出傳統(tǒng)遺傳算法(SGA)以及改進的遺傳算法(HGA、AGA、Messy GA)估計函數(shù)系數(shù)時序模型參數(shù)及診斷異常點的基本流程,最后應(yīng)用這些遺傳算法(SGA、HGA、AGA、Messy GA)對給定的函數(shù)系數(shù)時序模型進行參數(shù)估計,并在此基礎(chǔ)之上診斷函數(shù)系數(shù)時序模型中存在的異常點。在診斷異常點時,采用絕對值診斷統(tǒng)計量、平方診斷統(tǒng)計量、調(diào)整的平方診斷統(tǒng)計量,選定某顯著水平下的近似Gumbel分位數(shù)作為異常點診斷的臨界值,通過多次Monte Carlo隨機模擬判斷一串序列中異常點是否存在以及存在位置的方式,并提出累計p值的概念,輔助進行異常點類型的判斷。隨機模擬結(jié)果表明：SGA、HGA、AGA、Messy GA方法均能很好地估計給定的函數(shù)系數(shù)時序模型的參數(shù)：上述四種方法對解決單個異常點或者多個不連續(xù)異常點的情形,具有很好的效果；同時,對于連續(xù)多個10異常點及連續(xù)多個IO、AO異常點混合(僅含一個AO異常點)的情形,也能成功診斷。
【關(guān)鍵詞】：函數(shù)系數(shù)時序模型 遺傳算法 異常點
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：O211.61
【目錄】：

• 摘要4-5
• Abstract5-8
• 第一章 緒論8-10
• 1.1 研究背景及研究現(xiàn)狀8-9
• 1.2 本文主要工作9
• 1.3 本文的創(chuàng)新9-10
• 第二章 遺傳算法及其改進10-18
• 2.1 傳統(tǒng)遺傳算法(SGA)10-13
• 2.1.1 傳統(tǒng)遺傳算法簡介10-11
• 2.1.2 編碼與解碼11
• 2.1.3 適應(yīng)度函數(shù)11-12
• 2.1.4 選擇算子12
• 2.1.5 交叉算子12-13
• 2.1.6 變異算子13
• 2.2 遺傳算法的改進13-17
• 2.2.1 分層遺傳算法(HGA)14-15
• 2.2.2 自適應(yīng)遺傳算法(AGA)15-16
• 2.2.3 Messy GA16-17
• 2.3 小結(jié)17-18
• 第三章 函數(shù)系數(shù)時序模型參數(shù)估計及隨機模擬18-24
• 3.1 函數(shù)系數(shù)時序模型簡介18
• 3.2 SGA方法18-19
• 3.2.1 SGA算法步驟18-19
• 3.2.2 模型參數(shù)估計結(jié)果19
• 3.3 HGA方法19-21
• 3.3.1 HGA算法步驟19-20
• 3.3.2 模型參數(shù)估計結(jié)果20-21
• 3.4 AGA方法21-22
• 3.4.1 AGA算法步驟21-22
• 3.4.2 模型參數(shù)估計結(jié)果22
• 3.5 Messy GA方法22-23
• 3.5.1 Messy GA算法步驟22-23
• 3.5.2 模型參數(shù)估計結(jié)果23
• 3.6 小結(jié)23-24
• 第四章 異常點模型及診斷24-31
• 4.1 異常點的概念24
• 4.2 異常點模型24-25
• 4.3 極值理論25-26
• 4.4 異常點診斷統(tǒng)計量26-30
• 4.5 小結(jié)30-31
• 第五章 函數(shù)系數(shù)時序模型異常點診斷步驟及單個(或多個不連續(xù))異常點隨機模擬31-51
• 5.1 異常點模型診斷步驟31-33
• 5.1.1 絕對值診斷統(tǒng)計量診斷步驟31-32
• 5.1.2 平方診斷統(tǒng)計量診斷步驟32-33
• 5.1.3 調(diào)整的平方診斷統(tǒng)計量診斷步驟33
• 5.2 單個異常點或者多個不連續(xù)異常點診斷舉例33-49
• 5.2.1 SGA方法34-39
• 5.2.2 HGA方法39-43
• 5.2.3 AGA方法43-46
• 5.2.4 Messy GA方法46-49
• 5.3 小結(jié)49-51
• 第六章 函數(shù)系數(shù)時序模型多個連續(xù)異常點隨機模擬51-64
• 6.1 多個連續(xù)異常點診斷舉例51-63
• 6.2 小結(jié)63-64
• 第七章 總結(jié)與展望64-65
• 7.1 本文結(jié)論64
• 7.2 有待進一步研究的問題64-65
• 致謝65-66
• 參考文獻66-67

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張春生;李艷;王海珍;張世錚;;基于縱橫距離的單純異常點檢測算法及應(yīng)用[J];內(nèi)蒙古民族大學(xué)學(xué)報(自然科學(xué)版);2009年04期

2 顏慶茁;Java的異常設(shè)計原則[J];集美大學(xué)學(xué)報(自然科學(xué)版);2004年02期

3 王康寧;汪四水;;二值數(shù)據(jù)下模型和異常點的同時識別[J];蘇州大學(xué)學(xué)報(自然科學(xué)版);2010年04期

4 成邦文,師漢民,王齊莊;多維統(tǒng)計數(shù)據(jù)質(zhì)量檢驗與異常點識別的模型與方法[J];數(shù)學(xué)的實踐與認識;2003年04期

5 郭慶然;;基于小波變換的股票異常點檢測研究[J];統(tǒng)計與決策;2012年04期

6 楊麗豐;陳雄波;;一種判別實測資料中異常點的方法及應(yīng)用[J];水運工程;2006年04期

7 陸介平;倪巍偉;孫志揮;;基于關(guān)聯(lián)分析的高維空間異常點發(fā)現(xiàn)[J];應(yīng)用科學(xué)學(xué)報;2006年01期

8 趙潔;;統(tǒng)計模型中幾種異常點檢測方法簡介[J];吉林教育;2013年04期

9 楊延嬌;門維江;;基于異常點挖掘的聚類算法比較研究[J];甘肅聯(lián)合大學(xué)學(xué)報(自然科學(xué)版);2008年01期

10 成邦文,師漢民,王齊莊;多維統(tǒng)計數(shù)據(jù)對數(shù)正態(tài)分布檢驗與異常點識別[J];系統(tǒng)工程;2001年05期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 張維;劉博;張小濤;;日內(nèi)金融高頻數(shù)據(jù)的異常點檢測[A];全國自動化新技術(shù)學(xué)術(shù)交流會會議論文集（一）[C];2005年

2 劉曉艷;王麗珍;楊志強;陳紅梅;;基于數(shù)學(xué)形態(tài)學(xué)的模糊異常點檢測[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）[C];2009年

3 王倩;劉奕群;馬少平;茹立云;;面向用戶互聯(lián)網(wǎng)訪問日志的異常點擊分析[A];第五屆全國信息檢索學(xué)術(shù)會議論文集[C];2009年

4 王麗珍;周麗華;肖清;;基于數(shù)據(jù)倉庫的動態(tài)異常點檢測研究[A];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（二）[C];2008年

5 張重生;馮海軍;陳紅;梁思維;李翠平;;一種分布式數(shù)據(jù)集上top-n異常點挖掘的高效算法[A];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（二）[C];2008年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 何歡;基于概念漂移的異常檢測技術(shù)研究[D];電子科技大學(xué);2015年

2 楊宗羲;函數(shù)系數(shù)時序模型基于各類進化算法的估計及其異常點檢測[D];東南大學(xué);2015年

3 趙伯夷;基于神經(jīng)網(wǎng)絡(luò)的異常點挖掘[D];河北大學(xué);2011年

4 孫易木;異常點挖掘及證券行業(yè)應(yīng)用實例研究[D];同濟大學(xué);2006年

5 曹忠虔;時間序列異常檢測的研究[D];電子科技大學(xué);2012年

6 彭珊;線性回歸模型中關(guān)于異常點的若干問題的分析[D];東北林業(yè)大學(xué);2014年

7 楊金偉;基于距離和信息熵的不確定異常點檢測研究[D];云南大學(xué);2011年

8 莊雪鵬;基于小波的時間序列中異常點的檢測[D];南京大學(xué);2013年

9 王康寧;貝葉斯方法下二值與多值序次數(shù)據(jù)模型與異常點的同時識別[D];蘇州大學(xué);2011年

10 張洋;一種基于熱計量數(shù)據(jù)的異常點挖掘算法研究[D];燕山大學(xué);2012年

  本文關(guān)鍵詞：函數(shù)系數(shù)時序模型基于各類進化算法的估計及其異常點檢測，由筆耕文化傳播整理發(fā)布。

，

本文編號：295353