第四章 基于 EMD 的区间二型 GRU 直觉模糊推理系统 ......................... 29
4.1 引言 ............................. 29
4.2 系统概述 .............................. 29
第五章 总结与展望 ......................46
5.1 引言 ......................46
5.2 下一步工作计划 ......................46
第四章 基于 EMD 的区间二型 GRU 直觉模糊推理系统
4.1 引言
对于金融数据的分析与研究一直是社会的热点话题，人工智能的发展为数据处理提供了更多可能。针对金融数据时间强关联性、非线性和噪声大的特点，本章对金融数据这一特殊的时间序列进行了研究。通过对金融数据的特点进行分析，结合已有预测系统的特性，本章提出了一种基于 EMD 的区间二型 GRU 直觉模糊推理系统（Interval Type-2 GRU Intuitionistic Fuzzy System via EMD，EMD-IT2IFS-GRU）。该系统以滑动窗口的形式呈现数据，并在数据输入预测模型前进行预处理。推理过程以直觉模糊神经网络为基础，保障了处理不确定性的能力。针对金融数据时间维度依赖性强的特点，在网络中引入循环神经网络加强前后数据间的联系。最后，通过仿真实验验证了结构的有效性。
在对金融数据变化的推理过程中，主要目的是为了获取价格走势，因此，在使用预测模型对价格变化情况进行预测时，大致的数据流向就能带来良好的推理结果。以此为基础，数据的预处理能够提高运算的效率。EMD-IT2IFS-GRU 对数据的处理步骤表示如下：首先对数据进行预处理，通过简化数据提高运算效率。随后，将经过处理的数据放入预测模型中进行计算，得到较为准确的预测结果。最后，通过推理机制对预测结果进行分析，进而获得科学的判断。
............................
第五章 总结与展望
5.1 研究内容总结
时间序列是一种按照时间关联组织起来的数据集合，随着大数据的发展，时间序列作为一种普遍存在的数据形式被广泛地研究和应用。随着人工智能这一科学研究领域的崛起，神经网络由于其本身所具备的仿生作用得到了进一步的完善与发展。本文在区间二型模糊神经网络的研究基础上，通过将模糊集拓展至直觉模糊集，针对数据本身的构造特点、网络中的时间关联以及网络训练过程中的自发性学习等问题进行研究，主要工作如下：
（1）根据所预测时间序列的特点，建立数据预处理环节。研究原始时间序列本身所蕴含的内部联系，将单一数据映射到多维度模型，探究数据在不同维度所表达的运动趋势。通过对数据在多维度走势的分析，寻找原始数据中可能受到干扰的数值并进行针对性处理。从而在保留时间序列主体特性的基础上，获取更易操作的时间序列，为后续研究的展开提供便利。
（2）为更适应复杂的现实数据，对模糊化环节进行扩展。系统构造的过程中引入了犹豫度的概念，将模糊集扩展至直觉模糊集，在模糊化环节使用隶属度与非隶属度两种判别方法对数据进行处理，从而获得更高的有效信息传输率和更可靠的语义描述，进而提高预测模型的准确率。
（3）在多层系统模型下，对强化系统内部事件关联性进行研究。在推理系统中添加LSTM 或 GRU 作为自反馈环节，使用门控循环神经网络记忆已学习数据样本所表达的特性，探讨顺序学习中前后数据间存在的长程时序依赖关系对预测系统本身的影响。在系统构造中，同时考虑数据间时间层上的纵向影响与数据在多层网络间流动的横向状态，为自反馈环节寻找恰当的连接方式与构造方法。
（4）以更加高效智能地构造预测系统为目的，对系统内部更新过程进行研究。通过引入元认知机制，赋予系统自主学习的能力，利用输出结果和历史信息进行模型结构和参数的智能学习及更新。在直觉模糊集的基础上，对元认知调节过程进行了改进，将非隶属度作为参考依据对预测模型进行调整，使其更加适应数据处理要求。
参考文献（略）
