Resumen

La predicción de fallos o del estado de salud de los sistemas complejos ha atraído más atención en los últimos años. Los sistemas complejos suelen mostrar un comportamiento dinámico complejo e incertidumbre, lo que dificulta el establecimiento de un modelo físico preciso. Por lo tanto, las series temporales de sistemas complejos se utilizan para implementar la predicción en la práctica. Con el objetivo de la predicción en línea de series temporales, en este trabajo proponemos un nuevo método para mejorar la precisión de la predicción, que se basa en la teoría de los sistemas grises y en el algoritmo de aprendizaje incremental. En este método, se realiza en primer lugar la operación de generación acumulada (AGO) con las series temporales brutas para mejorar la calidad y regularidad de los datos; a continuación, se lleva a cabo la predicción mediante un modelo LS-SVR modificado, que simplifica el proceso de cálculo con el aprendizaje incremental; por último, se realiza la operación de generación acumulada inversa (IAGO) para obtener los resultados de la predicción. Los resultados de los experimentos de predicción indican de forma preliminar que el esquema propuesto es un enfoque de predicción eficaz por su buena precisión de predicción y menor tiempo de cálculo. El método será útil en aplicaciones reales.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:sistemas complejos, funcionamiento generador, series temporales, comportamiento dinámico complejo, enfoque de predicción eficaz, buena precisión de predicción, teoría de los sistemas grises, predicción del estado de salud, algoritmo de aprendizaje incremental, modelo físico preciso
• Keywords:complex systems, generating operation, time series, complex dynamic behavior, effective prediction approach, good prediction precision, grey system theory, health condition prediction, incremental learning algorithm, precise physical model