信息粒化简介

信息粒就是一些元素的集合,这些元素由于难以区别、或相似、或接近或某种功能而结合在一起.


信息粒作为信息的表现形式在我们的周围是无所不在的,它是人类认识世界的一个基本概念.人类在认识世界时往往将一部分相似的事物放在一起作为一个整体研究它们所具有的性质或特点,实际上,这种处理事物的方式就是信息粒化.而所研究的“整体”就称为信息粒.


信息粒化中,粒为非模糊的粒化方式(c-粒化)在众多方法技术中起着重要的作用,但是在几乎所有人的推理及概念形成中,粒都是模糊的(f-粒化),非模糊的粒化没有反映这一事实.模糊信息粒化正是受人类粒化信息方式启发并据此进行推理的.


信息粒化的主要三种模型是:基于模糊集理论的模型;基于粗糙集理论的模型;基于商空间理论的模型.三种模型之间存在着密切的联系与区别.模糊集理论与粗糙集理论有很强的互补性,这两个理论优化、整合在处理知识的不确定性和不完全性时已显示出更强的功能.商空间理论与粗糙集理论都是利用等价类来描述粒化,再用粒化来描述概念,但是,它们讨论的出发点有所不同.粗糙集理论的论域只是对象的点集,元素之间拓扑关系不在考虑之内;商空间理论是着重研究空间关系的理论,商空间理论是在论域元素之间存在有拓扑关系的前提下进行研究的,即论域是一个拓扑空间.
Matlab的FIG信息粒化SVM对于上证指数的预测-FIG_SVM_sh.rar 秉承着这个帖子: 利用libsvm做回归分析的一个小例子 https://www.ilovematlab.cn/thread-47453-1-1.html对于上证指数的预测我又做了一些探究,这次我要做的是从20号开始对于未来五天内(20,21,24,25,26)[22,23两天关闭],上证指数的每日开盘数的变化空间(五日内的变化范围的预测,以及与前五日相比的趋势). 所采用的方法是FIG+SVM[信息粒化 支持向量机]. 这回也加大了数据量,为上证指数从1990.12.19开盘以来到2009.8.19,4579个交易日内每日的开盘数. 原始数据如下: ========上证指数1990.12.19-2009.8.19每日开盘数 sh_8_19.jpg ======== 我把每五日,放在一起对原始数据进行模糊信息粒化.[有关模糊信息粒化相关的代码我就不贴出来了,其他的代码可以共享] 得到原始数据的信息粒化图,三幅,分别是模糊数的三个部分: 最低,代表,最高.看图: 图的意义与那个帖子类似: 红色是原始数据,绿色是用SVM拟合的数据,下面的是归一化的数据,调试用的. =====low========= low.jpg    mse =  18.7764     r = 0.9960 =====R========== | R.jpg |   mse =  9.1019     r = 0.9980 =====up========= up.jpg |   mse =  8.4657     r = 0.9982 ============================= 利用上面训练得到的模型 对于从20号开始对于未来五天内(20,21,24,25,26)开盘指数的变化范围的预测是: [2505.6,2951.8,3204.8] 所表示的意义是: 20,21,24,25,26这五天内开盘数的变化范围为 2505.6到3204.8,且五日内平均水平大概为2951.8. 由于20号的开盘指数已知为:20号的实际开盘是2798.4 验证一下是在上面的范围内的. 21,24,25,26可以每天验证一下看看这个模型预测的怎么样... [不一定准哈,我就是做了个小探索.hehe.OO,要是准了.咱完后就靠这个模型天天预测大盘.炒股就成.了.so.......] 且20号往前五日[13,14,17,18,19]的变化范围是[2796.3    3138.2    3380.2] 这样比较起来说明:[2505.6,2951.8,3204.8]  vs [2796.3    3138.2    3380.2] 趋势预测: 20号后面五日内的开盘数整体会比前五日有所降低.down.. 代码如下:[信息粒化的我没贴出来,但接口给了,其他的我都贴上] ====FIG_SVM_sh.m=====%FIG SVM script by faruto to predict trend of the index of Shanghai 09.8.21 %Email:farutoliyang@gmail.com QQ:516667408 http://blog.sina.com.cn/faruto %www.ilovematlab.cn load sh_8_19; TS = sh_open'; figure; plot; legend'); grid on; len = length; win_num = floor; [low,R,up]=FIG_D; % figure; % plot; % legend; % grid on; % figure; % plot; % legend; % grid on; % figure; % plot; % legend; % grid on; [pre_low,acc_low,model_low,ps_low] = SVM_regression; [pre_up,acc_up,model_up,ps_up] = SVM_regression; [pre_R,acc_R,model_R,ps_R] = SVM_regression; prlow = svmpredict; prlow = mapm
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值