資源描述：
《基于小波分析的時間序列數(shù)據(jù)挖掘》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、第34卷第1期計算機工程2008年1月Vol.34No.1ComputerEngineeringJanuary2008·博士論文·文章編號：1000—3428(2008)01—0026—04文獻標識碼：A中圖分類號：TP311基于小波分析的時間序列數(shù)據(jù)挖掘佟偉民，李一軍，單永正(哈爾濱工業(yè)大學管理學院，哈爾濱150001)摘要：將小波分析和ARMA模型引入時間序列數(shù)據(jù)挖掘中。利用小波消噪對原始時間序列進行濾波，利用小波變換充分提取和分離金融時間序列的各種隱周期和非線性，把小波分解序列的特性和分解數(shù)據(jù)隨尺度倍增而倍減的規(guī)律充分用于BP神經(jīng)
2、網(wǎng)絡(luò)和自回歸移動平均模型的建模。利用小波重構(gòu)技術(shù)將各尺度域的預報結(jié)果組合成為時間序列的最終預報。經(jīng)過試驗驗證了該方法的實際有效性。關(guān)鍵詞：小波分析；ARMA模型；神經(jīng)網(wǎng)絡(luò)；時間序列；數(shù)據(jù)挖掘DataMiningofTimeSeriesBasedonWaveletAnalysisTONGWei-min,LIYi-jun,SHANYong-zheng(SchoolofManagement,HarbinInstituteofTechnology,Harbin150001)【Abstract】Thispaperpresentswaveletme
3、thodandARMAmodelfortimeseriesdatamining.Accordingtothewaveletdenoisingandwaveletdecomposition,thehiddenperiodandthenonstationarityexistedinfinancialtimeseriesareextractedandseparatedbywavelettransformation.ThecharacteristicofwaveletdecompositionseriesisappliedtoBPnetwork
4、sandanAutoregressiveMovingAverage(ARMA)model.Finally,waveletreconstructionisusedtorealizetimeseriesforcaseting.Itshowsthattheproposedmethodcanprovidemoreaccurateresults.【Keywords】waveletanalysis;AutoregressiveMovingAverage(ARMA)model;BPnetworks;timeseries;datamining安全穩(wěn)定的
5、時間序列預測在金融領(lǐng)域扮演了很重要的角個階段，即小波去噪、小波分解、分解序列的預測和原始序色，這些方法主要有經(jīng)典方法和基于人工智能(AI)的各種技列的預測。第1階段是小波去噪，目的是消除時間序列中的術(shù)，古典的方法主要是基于統(tǒng)計理論的模型。智能方法包括噪聲。小波分解的主要目的是得到時間序列在各個變換域中[1]神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)等方法。由于計算機技術(shù)的廣泛應用，的小波分解序列和最后的尺度分解序列。第3階段是利用BP時間序列預測方法取得長足進展，同時還產(chǎn)生了許多新方法，神經(jīng)網(wǎng)絡(luò)模型建模和預測各個變換域的小波分解序列，同時可利用的建模算法也很多
6、。如時域、頻域和時-頻域分析方法利用ARMA模型建模和預測最后的尺度分解序列。第4階段是典型的3類時間序列分析方法，而在各個相應域中又可分的主要目的是利用小波重建技術(shù)將各個變換域中的預測序列[2]為線性模型、非線性模型和隨機模型。典型的線性時域模合并產(chǎn)生系統(tǒng)短期時間序列的預測。型如回歸分析，隨機線性模型如自回歸(AR)分析和滑動平均在圖1中，原始序列表示任何需要分析的時間序列。其(MA)模型，非線性模型如神經(jīng)網(wǎng)絡(luò)，頻域分析如譜估計，時中，第1級小波分解，第2級小波分解，?，第M級小波分-頻域分析如窗口傅里葉變換、小波變換等，另外利用人類
7、專原始序列家經(jīng)驗知識和相似推理的專家系統(tǒng)方法以及人工神經(jīng)網(wǎng)絡(luò)[3](ANN)得到了深入研究。但是上述提到的方法中線性模型原始序列只能提取時間序列的整體的和時間全局的規(guī)律，幾乎無法顯小波去噪示任何短時事件和意外事件的影響；而像神經(jīng)網(wǎng)絡(luò)這樣的非線性方法又正好相反，它更側(cè)重于描述局部的和短期因素的第1級第2級…第M級第M級影響作用，要想適當照顧時間序列中隱藏的全局規(guī)律，則必小波分解小波分解…小波分解尺度分解須對神經(jīng)網(wǎng)絡(luò)的連接權(quán)系數(shù)進行十分麻煩的調(diào)整。ANN非常第1個第2個…第M個擅長描述變量之間的非線性關(guān)系，但是在實際應用時，網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)
8、BP神經(jīng)網(wǎng)絡(luò)ARMABP神經(jīng)網(wǎng)絡(luò)…設(shè)計沒有理論指導，而且當直接利用ANN實際學習和逼近時小波重構(gòu)間序列中隱藏的高度的非線性關(guān)系時，往往需要大量的輸入單元，使網(wǎng)絡(luò)訓練經(jīng)常陷于局部極小且收斂速度很慢的窘境，時間
