基于在线小波支持向量回归的混沌时间序列预测

混沌时间序列预测是非线性动力学研究中一个十分重要的问题，支持向量回归方法为其提供了一种有效的解决思路.通过分析新样本加入训练集后支持向量集的变化情况，建立了一种混沌时间序列预测的支持向量回归算法，具备了在线学习的特点.同时，针对混沌信号提出了一种满足小波框架的小波核函数，它不但能以较高的精度逼近任意函数，而且适合于混沌信号的局部分析，提高了支持向量回归的泛化能力.最后就Mackey-Glass混沌时间序列在线预测问题进行了大量仿真.结果表明，本文算法与现有的算法相比具有训练时间短、预测精度高等特点，有一定 关键词： 混沌时间序列 支持向量回归 在线学习 小波核     

基于平均场支持向量机的混沌时间序列预测

提出了一种新的基于支持向量机的混沌时间序列预测方法，该方法利用平均场理论使支持向量机的学习过程变得简单高效。同时由于该方法将支持向量机的参数近似为高斯分布的，因此采用平均场理论能够容易的求解这些参数，这样获得的支持向量机的参数比传统的基于二次规划的算法更加精确，而且学习速度更快。最后利用该方法对嵌入维数与模型的泛化能力关系进行了探讨，并利用Mackey-Glass时间序列对该方法进行了验证，结果表明：该预测方法能精确地预测混沌时间序列,而且在混沌时间序列的嵌入维数未知时也能取得比较好的预测效果.这一结论预示着平均场支持向量机是一种研究混沌时间序列的有效方法.     

基于在线最小二乘支持向量机回归的混沌时间序列预测

提出了一种基于在线最小二乘支持向量机（LS-SVM）回归的混沌时间序列的预测方法.与离线支持向量机相比，在线最小二乘支持向量机预测方法即使当混沌系统的参数随时间变化时仍然有效.以Chen's混沌系统、Rssler混沌系统、Hénon映射及脑电(EEG)信号四种混沌时 间序列为例评估本文提出的预测方法，结果验证了其混沌时间序列预测的有效性. 关键词： 混沌时间序列 预测 在线学习 支持向量机     

基于模糊模型支持向量机的混沌时间序列预测

基于支持向量机强大的非线性映射能力和模糊逻辑易于将先验的系统知识结合到模糊规则的 特性, 根据混沌动力系统的相空间重构理论, 提出了一种混沌时间序列的模糊模型的支持向 量机预测模型,并采用适用于大规模问题求解的最小二乘法来训练预测模型,利用该模型分别 对模型的整体预测性能与嵌入维数及延迟时间的关系进行了探讨.最后利用Mackey-Glass时 间序列和典型的Lorenz系统生成的时间序列对该模型进行了验证,结果表明该预测模型不仅 能够自动的从学习数据中获取知识产生模糊规则，提取能够代表混沌时间序列内在规律的支 持向量，大大减少支持向量的数目，精确地预测未来的混沌时间序列,而且在混沌时间序列 的嵌入维数未知和延迟时间不能合理选择的情况下,也能取得比较好的预测效果.这一结论预 示着基于模糊模型的支持向量机是一种研究混沌时间序列的有效方法. 关键词： 模糊模型 混沌时间序列 支持向量机 最小二乘法     

基于选择性支持向量机集成的混沌时间序列预测

提出了一种基于聚类的选择性支持向量机集成预测模型.为提高支持向量机集成的泛化能力，采用自组织映射和K均值聚类算法结合的聚类组合算法，从每簇中选择出精度最高的子支持向量机进行集成，可以保证子支持向量机有较高精度并提高了子支持向量机之间的差异度.该方法能以较小的代价显著提高支持向量机集成的泛化能力.采用该方法对Mackey-Glass混沌时间序列和Lorenz系统生成的混沌时间序列进行预测实验，结果表明可以对混沌时间序列进行准确预测，验证了该方法的有效性. 关键词： 支持向量机 集成 混沌时间序列 聚类     

用于混沌时间序列预测的组合核函数最小二乘支持向量机

针对混沌时间序列的预测问题,考虑到单一核函数的最小二乘支持向量机无法明显提高预测精度,提出了一种组合核函数的最小二乘支持向量机预测模型,模型中采用多项式函数与径向基函数组合构建核函数.同时,还对遗传算法进行了改进,使之具有更快的收敛速度和更高的精度,改进的遗传算法适用于解决预测模型中的参数优化问题.通过典型的Lorenz时间序列、Mackey-Glass时间序列、太阳黑子数时间序列以及具有混沌特性的网络流量时间序列对该模型进行了验证.仿真结果表明所提出的模型是有效的.     

基于多核最小二乘支持向量机的永磁同步电机混沌建模及其实时在线预测

提出了多核最小二乘支持向量机的永磁同步电机混沌系统建模方法. 通过不同核函数的线性加权组合构造新的等价核,降低建模精度对核函数及其参数选择的依赖性. 理论上给出多核最小二乘支持向量机回归参数和模型输出值的求解方法. 采用关联积分计算方法对永磁同步电机混沌系统进行相空间重构,以窗式移动的在线学习方式对重构后的永磁同步电机混沌序列进行一步和多步实时在线预测,并讨论了不同测量噪声对该方法的影响. 仿真结果表明,该方法能有效提高永磁同步电机混沌系统的建模精度,具有良好的抗噪能力. 关键词： 永磁同步电机 多核学习 最小二乘支持向量机 混沌预测     

基于粒子群支持向量机的海杂波序列回归预测

在雷达数据处理中,为更好地抑制海杂波,预测海杂波是必要的;海杂波具有混沌特性,而支持向量机算法能够有效地对混沌序列进行回归预测,文章提出了一种改进的支持向量机海杂波序列回归预测算法;文中给出了算法的框架结构,采用了互信息法和改进的伪邻近点法提取海杂波混沌特性的延迟时间和嵌入维数,利用相空间重构求取SVM训练样本,应用改进的PSO算法优化SVM的核函数参数以及惩罚系数,并仿真了预测模型;仿真实验结果表明:海杂波回归预测能达到满意的精度,而PSO-SVM方法比SVM方法的预测精度更高。     

混沌时间序列的支持向量机预测

根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机的强大的非线性映射能力, 建立了混沌时间序列的支持向量机预测模型,并在统计学习理论的基础上采用最小二乘方法来训练预测模型,利用该模型对嵌入维数与模型的均方根误差的关系进行了探讨.最后利用Mackey-Glass时间序列和变参数的Ikeda 时间序列对该模型进行了验证,结果表明,该预测模型能精确地预测混沌时间序列,而且在混沌时间序列的嵌入维数未知时也能取得比较好的预测效果.这一结论预示着支持向量机是一种研究混沌时间序列的有效方法. 关键词： 混沌时间序列 支持向量机 最小二乘法     

最小二乘支持向量域的混沌时间序列预测

从支持向量域SVD(Support Vector Domain)出发，根据Takens延时相空间重构思想，利用支持向量机非线性映射，建立了混沌时间序列和混沌非线性相轨迹运动的SVD预测模型.采用数据集作为支持对象元素，机器自学习缩小模型泛化误差的上界，利用最小二乘支持向量域(SVD)，预测了Henon/Lorenz/Rossler三种混沌时间序列.预测结果表明，三种预测模型将集合映射到一个更高维特征空间，通过嵌入维数，实现了序列预测，误差随嵌入维数变化趋于恒定，与支持向量机(SVM)相比，SVD所需支持向量少，收敛速度快，鲁棒性强，核函数选择容易灵活，且存在自适应方法.网格点数提高了10—20倍，序列预测在小样本、非线性、未知概率密度条件下，预测和实际值取得了一致. 关键词： 支持向量域 混沌 最小二乘 时间序列预测     

多元混沌时间序列的多核极端学习机建模预测

多元混沌时间序列广泛存在于自然、经济、社会、工业等领域. 对多元混沌时间序列进行建模预测有助于人类更好地管理, 控制与决策. 针对多元混沌时间序列的建模预测问题, 本文提出一种基于多核极端学习机的预测方法. 首先对多元混沌时间序列进行相空间重构, 将多元混沌时间序列序列的时间相关性转化为空间相关性. 提出一种结合多核学习算法与核极端学习机模型的多核极端学习机建立相空间中输入输出数据的非线性映射. 多核极端学习机模型结合了多核学习算法的数据融合能力以及核极端学习机的训练简便优势. 基于Lorenz混沌时间序列预测和San Francisco河流月径流量预测的仿真实验表明, 与其他常见混沌时间序列预测方法相比, 本文提出的基于多核极端学习机的多元混沌时间序列预测方法具有更小的预测误差.     

基于高斯过程的混沌时间序列单步与多步预测

针对混沌时间序列单步和多步预测,提出基于复合协方差函数的高斯过程 (GP)模型方法.GP模型的确立由协方差函数决定,通过对训练数据集的学习,在证据最大化框架内,利用矩阵运算和优化算法自适应地确定协方差函数和均值函数中的超参数.GP模型与神经网络、模糊模型相比,其可调整参数很少.将不同复合协方差函数的GP模型应用在混沌时间序列单步及多步提前预测中,并与单一协方差函数的GP、支持向量机、最小二乘支持向量机、径向基函数神经网络等方法进行了比较.仿真结果表明,基于不同复合协方差函数的GP方法能精确地预测混沌时间序 关键词： 高斯过程 混沌时间序列 预测 模型比较     

基于多核最小二乘支持向量机的永磁同步电机混沌建模及其实时在线预测

提出了多核最小二乘支持向量机的永磁同步电机混沌系统建模方法. 通过不同核函数的线性加权组合构造新的等价核,降低建模精度对核函数及其参数选择的依赖性. 理论上给出多核最小二乘支持向量机回归参数和模型输出值的求解方法. 采用关联积分计算方法对永磁同步电机混沌系统进行相空间重构,以窗式移动的在线学习方式对重构后的永磁同步电机混沌序列进行一步和多步实时在线预测,并讨论了不同测量噪声对该方法的影响. 仿真结果表明,该方法能有效提高永磁同步电机混沌系统的建模精度,具有良好的抗噪能力.     

Multimodality Prediction of Chaotic Time Series with Sparse Hard-Cut EM Learning of the Gaussian Process Mixture Model

The contribution of this work is twofold:(1) a multimodality prediction method of chaotic time series with the Gaussian process mixture(GPM) model is proposed, which employs a divide and conquer strategy. It automatically divides the chaotic time series into multiple modalities with different extrinsic patterns and intrinsic characteristics, and thus can more precisely fit the chaotic time series.(2) An effective sparse hard-cut expectation maximization(SHC-EM) learning algorithm for the GPM model is proposed to improve the prediction performance. SHC-EM replaces a large learning sample set with fewer pseudo inputs, accelerating model learning based on these pseudo inputs. Experiments on Lorenz and Chua time series demonstrate that the proposed method yields not only accurate multimodality prediction, but also the prediction confidence interval. SHC-EM outperforms the traditional variational learning in terms of both prediction accuracy and speed. In addition,SHC-EM is more robust and insusceptible to noise than variational learning.     

基于混合神经网络和注意力机制的混沌时间序列预测

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.     

基于极端学习机的多变量混沌时间序列预测

针对多变量混沌时间序列预测问题, 提出了一种基于输入变量选择和极端学习机的预测模型. 其基本思想是 对多变量混沌时间序列进行相空间重构后, 采用互信息方法选择与预测输出统计相关最高的重构输入变量, 借助极端学习机的通用逼近能力建立多变量混沌时间序列的预测模型. 为进一步提高预测精度, 采用模型选择算法选择具有最小期望风险的极端学习机预测模型. 基于Lorenz, Rössler多变量混沌时间序列及Rössler超混沌时间序列的仿 真结果证明所提方法的有效性.     

Chaotic time series prediction using fuzzy sigmoid kernel-based support vector machines

Support vector machines (SVM) have been widely used in chaotic time series predictions in recent years. In order to enhance the prediction efficiency of this method and implement it in hardware, the sigmoid kernel in SVM is drawn in a more natural way by using the fuzzy logic method proposed in this paper. This method provides easy hardware implementation and straightforward interpretability. Experiments on two typical chaotic time series predictions have been carried out and the obtained results show that the average CPU time can be reduced significantly at the cost of a small decrease in prediction accuracy, which is favourable for the hardware implementation for chaotic time series prediction.