自组织模式识别与经济预测.pdf

《自组织模式识别与经济预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第32卷第1期电子科技大学学报Vol.32No.12003年2月JournalofUESTofChinaFeb.2003*自组织模式识别与经济预测**俞海贺昌政何跃(四川大学工商管理学院成都610064)【摘要】基于自组织数据挖掘方法与经济预测原则，提出了自组织模式识别方法。该方法的主要特点是在几个相似模式的合成中使用了数据分组处理方法自动合成技术，实际应用于经济预测时比传统意义上的预测方法方便。实例表明了它在经济预测中的有效性。同时，使用增加同类经济对象样本数据的方法，解决了样本数据不足的问题.关键词自组织

2、数据挖掘;经济预测;模式识别;相似模式;数据分组处理方法中图分类号F021文献标识码ASelf-OrganizingPatternRecognitionandEconomyForecastingYuHaiHeChangzhengHeYue(BusinessSchool,SichuanUniversityChengdu610064)AbstractInthispaper,theself-organizingpatternrecognitionmethodispresentedbasedontheself-org

3、anizingdataminingmethodandtheprincipleofeconomyforecasting.ThepeculiarityofSPRdiffersfromotherpatternrecognitionmethodsisUsinggroupmethodofdatahandingsynthesizingtechniqueinthecombinationofseveralsimilarpatterns.Thismethodismoreconvenientthancommonforecasti

4、ngmethodswhenapplyingtoeconomyforecasting.Theexampleshowsthatthismethodiseffectiveineconomyforecasting.Atthesametime,byaddingsamplesofsametype,ithassolvedtheproblemofsmalldatasamples.Keywordsself-organizingdatamining;economyforecasting;patternrecognition;si

5、milarpatterns;groupmethodofdatahanding模式识别是在20世纪60年代初迅速发展起来的一门学科。它有两种基本方法：统计模式识别方法和结[1]构(句法)模式识别方法。随着新理论和方法的不断出现，与其他学科相互结合和相互渗透，不断推动模式[2~4]识别方法的发展。模糊数学和神经网络引入模式识别就是典型的例子。[5,6]将自组织数据挖掘方法及经济预测的原则引入模式识别，这就是用于经济预测的自组织模式识别法(Self-organizingPatternRecognition，SPR)

6、。1自组织模式识别方法的工作原理用于经济预测的自组织模式识别(SPR)方法基于将经济预测原则及自组织数据挖掘方法引入模式识别，同时使用相似模式的合成与延拓来进行最终的预测。1.1经济预测的原则1)惯性原则：经济现象在过去和现在的发展变化过程中存在着某种规律，并且这一规律在未来一段时期内将继续存在。2002年9月2日收稿*国家自然科学基金资助项目，编号：70271073**男25岁硕士生主要从事管理科学及自组建模方面的研究第1期俞海等:自组织模式识别与经济预测105惯性原则包含两个方面的内容：(1)时间上的惯性

7、，即经济预测对象自身发展变化在一段时期内呈现惯性；(2)结构上的惯性，即预测对象与其相联系的经济现象之间呈现惯性。2)类推原则：利用预测对象与其他事物之间在发展变化上虽然时间先后不同，但在表现形式上都有相似的特点，将时间上先出现的事物发展过程推到预测对象上，从而对预测对象的前景作出预测。在经济发展过程中，不同空间不同时间的同类经济现象所遵循的发展规律有时是相似的，由于这种相似性，根据类推原则，就可以从某一空间已发生的经济现象的变化规律去类推另一空间的同类经济现象的变化前景。1.2自组织数据挖掘方法[7]自组织

8、数据挖掘的核心技术是数据分组处理方法(GroupMethodofDataHanding，GMDH)，其主要思想是通过各简单的初始输入(局部模型)的交叉组合产生第一代中间候选模型，再从第一代中间候选模型中选出最优的若干项结合而产生第二代中间候选模型，重复这样一个产生、选择和遗传进化的过程，使模型复杂度不断增加，直到选出最优复杂度模型为止。GMDH算法的特点是将数据样本分成学习集和检测集。在学习集上产生