基本介紹
- 中文名：自適應選擇
- 外文名：Adaptive selection
- 涉及領域：信息科學
- 特點：自適應性
- 根據：信號等的不同
- 套用：自動化
自適應選擇,預測模型的自適應選擇,特性,模型自適應選擇方法,背景分析,模型方法庫,建立判別理論基礎,
自適應選擇
首先根據終端設備獲取所有可適應的網路；然後判定該網路是否可以啟動自適應，從而將可啟動自適應的網路按照所設定的自適應網路方式的優先順序進行記錄；接著啟動自適應，則終端設備將通過所記錄的優先順序，將選擇的最優先無線網路同當前使用的網路類型進行比較，如果相同，則不進行切換，否則切換到最優先的無線網路；重複上述步驟直至找到最佳或需要的網路環境。
自適應就是在處理和分析過程中，根據處理數據的數據特徵自動調整處理方法、處理順序、處理參數、邊界條件或約束條件，使其與所處理數據的統計分布特徵、結構特徵相適應，以取得最佳的處理效果的過程。
自適應算法可以用硬體(處理電路)或軟體(程式控制)兩種辦法實現。前者依據算法的數學模型設計電路，後者則將算法的數學模型編製成程式並用計算機實現。算法有很多種，它的選擇很重要，它決定處理系統的性能質量和可行性。常用的自適應算法有迫零算法，最陡下降算法，LMS算法，RLS算法以及各種盲均衡算法等。
例如，自適應均衡器就是按照某種準則和算法對其係數進行調整最終使自適應均衡器的代價(目標)函式最小化，達到最佳均衡的目的，而各種調整係數的算法就稱為自適應算法。
自適應算法是根據某個最優準則來設計的。自適應算法所採用的最優準則有最小均方誤差(LMS)準則，最小二乘(LS)準則、最大信噪比準則和統計檢測準則等。LMS算法和RLS算法由於採用的最優準則不同，因此這兩種算法在性能，複雜度等方面均有許多差別。
預測模型的自適應選擇
模型函式，有很多簡單模型，實際上，有些也更加複雜的多。這些模型的判別、識別、參數估計和選擇工作十分繁重，也十分複雜。有時能夠用於某種經濟預測對象的模型方法有很多中，例如以上的模型例子都可以用於經濟序列的預測分析。這種情況下，如何選擇；如何比較；以什麼為參考標準；到底哪一種方法可行；哪一種最好等都是令工程技術人員頭痛的事情。因此，我們有必要設計一種自適應的模型比較和選擇的方法過程，建立一套智慧型化的預測分析軟體，為工程和經濟預測分析的良好套用提供方法及工具。
我們知道，對信息數據或樣本進行背景分析，根據數據信息所反應出的結構和趨勢特點，選擇相應的預測模型組是進行智慧型預測分析的第一步。經濟數據背景分析的方法很多，例如可以將數據進行差分分析，增量分析，迭加分析等，通過這些計算分析可以判斷出信息數據是否具有線性特徵，指數特徵，生長曲線特徵，周期特徵以及多種組合特徵等。在加上數據的背景分析，可以容易地對其作出一定的解釋。
特性
通過對經濟數據的詳細計算分析，可以發現數據序列的以下特性：
(1)數據序列的遞增或遞減性，即數據的趨勢特徵；
(2)數據的某種周期性變化特徵；
(3)經濟數據的變化強度和相關性；
(4)數據的隨機變化特徵；
(5)多種趨勢曲線成份特徵；
(6)數據序列發展變化的局部極值點和極限；
(7)數據的一致性特徵，即數據的穩健性；
(8)數據的相關背景特徵等。但這還遠遠不夠，有的預測方法，由於其數學結構的複雜性，從簡單的背景分析中是計算不出來的。所以，我們應該羅列所有可用的預測模型方法，在經濟預測中，建立一個儘可能豐富的模型庫，這是智慧型化預測軟體的基礎。對於同一個經濟預測對象，可以有許多不同的預測模型可用，那么用那一種好呢?這就是我們要在智慧型化預測中試圖解決的問題。
模型自適應選擇方法
背景分析
對數據進行背景分析、必要的穩健性處理。通過背景分析把握兩個問題：
一是背景情況、數據的可靠性和可用性；
二是確定預測分析所用的預測方法的大類，如回歸模型、時間序列模型還是計量模型，以及投入產出模型等。當發現有異常值，而且需要進行處理後，才能用時，就需要對數據進行穩健預處理。
模型方法庫
建立豐富的模型方法庫，並將這些模型方法分類，例如時間序列模型，內容包括各種各樣的趨勢模型、周期模型，以及混合模型等。
根據數據構成的特點，選擇相應的建模方法，進行預測分析。但有的預測可以直觀地根據預測目標確定預測方法，例如，設備狀態的預測，簡單的天氣預測，就可以直接用MARKOV(馬爾可夫)預測方法進行。許多像這樣的預測，帶有明顯的範圍特點，此時可以直接選用適用此類預測目標的固定預測方法。
回歸預測方法也帶有明顯的結構特徵。此時，歷史數據通常表現為有一個數據(一元回歸)或幾個數據(多元回歸)決定一項預測目標，歷史數據同時有好幾個序列組成。在這種情況下，主要是判別是線性回歸還是非線性回歸。線性回歸的分析方法採用LS估計，比較簡單，方法也比較成熟。
而非線性回歸，我們可以通過神經網路預測法來分析，採用BP三層網路算法進行逼近，然後，將各種方法預測結果的方差進行比較分析，根據各方面綜合分析之結果確定採用回歸預測的類型。
在許多連續預測中，我們還應研究一種自適應預測方法，這種方法能夠適時地根據預測誤差及時調整預測方法。這樣能保證預測的最適性。
如果數據背景分析的結果表明，歷史數據的變化呈現某種曲線的趨勢，我們可以選用近似而光滑的連續函式來分析。這些函式應儘可能的簡單，即要求函式項少，冪次低，極值及拐點少。
趨勢外推函式
根據具體背景分析情況，常用的趨勢外推函式有以下幾種：
(1)線性型；
(2)二次型；
(3)指數型；
(4)雙曲線型；
(5)生長曲線型；
(6)周期曲線型等：
這些模型當具體的預測對象明確之後，也就是說知道了預測方法的大類後，儘可能多的尋找可用的方法模型．建立一個可選的模型組。
建立判別理論基礎
為了比較選擇一種相對最合適的模型，必須建立判別、比較的標準。通常情況下人們選擇擬合的方差(最小二乘估計、統計檢驗等方法都是建立在最小方差的基礎上)作為一種判斷的標準。在選擇預測方法時，因為預測是對未來經濟事物的推測，不可避免地要產生誤差，誤差大小說明預測的精度，是評價預測好壞的重要標準，因此在選擇預測方法時，應使誤差儘可能的小。方差越小，預測精度也越高。這是常規性原則。
除了我們用均方差來衡量預測效果的好壞之外；在實用中，我們還應結合其他的判別方法，例如，隨機誤差的信息熵H(r)和其它的經驗公式等。利用這些理論方法來判別預測方法的可用性。
我們可將均方差MSE(f)分解為三個部分，這可以進一步說明系統誤差的來源，而且還可以幫助預測工程技術人員得到更詳細的依據，以及認清系統誤差的不同來源。
均方差可分為三項：
- 第一項是偏差平方，它反應了由於真正偏差引起的預測誤差；
- 第二項是以斜率餘數平方和做權數引起的預測誤差，它反應了斜率的誤差；
- 第三項是以實際值與預測判別係數的餘數為權數的實際方差，它反應了誤差中有殘差部分。
了解誤差的構成，有助於分析經濟預測分析過程中的誤差源，並設法減小。有的情況下，我們不但要用均方差來判別，而且還要衡量誤差序列的離散程度。我們將誤差序列看作隨機變數
設
為其機率分布密度，則正的熵為
，的各項積分和，計為
。由資訊理論知，
反應了隨機變數E的不確定程度。因此，也說明了預測的不確定程度或者預測的準確程度。預測熵對於所選擇的預測方法從另外一個角度說明了其實用性，這一點在人工神經網路套用於經濟預測分析時非常有用。
我們還可考慮引入其他的標準，來反應不同的方法對一個經濟數據的可預測度，這也是一個值得研究的技術問題。因為，預測技術人員可能面對來自各行各業的經濟數據列，這些數據既有線性也有非線性，甚至有混沌現象。所以，可預測度問題也必須予以考慮。對於一個可預測性較差的信息數據列，即使人們臨時找到的預測方法很好，預測精度一時很高，其長期的適用性也可能有問題。
我們可考慮定義一個可預測度參數，設為P0，一個方法的P越大，表示它的可預測度越高，因此，我們可以用戶來反應預測模型可測性的好壞或強弱；同時也反應預測模型對所研究的經濟預測系統的控制能力及經濟系統發展的不確定性。
簡單的判別不太全面，也不科學，在對具體經濟問題預測分析時，需要建立全面科學的判別根據，這就是我們所說的統一判別理論，也是智慧型預測判別分析的理論標準，當然也是智慧型預測研究的關鍵問題。
關於統一的判斷理論標準是一個需要進一步研究的課題。當然，目前在我們的方法中．用的還是最小方差的判別方法，即在一群模型組中，比較擬合的方差，選擇其中擬合方法最小的模型。
