基于Bernstein多项式的自适应混沌时间序列预测算法

提出了利用Bernstein多项式对混沌时间序列的动力学方程进行建模的方法,并将该方法与递推最小二乘(RLS)算法相结合,从而可以自适应地逼近混沌时间序列的动力学特性,以达到预测的目的.理论分析和仿真实验表明该方法对一些常见的混沌时间序列具有较高的预测精度和较理想的准确预测率.由于RLS算法的收敛速度较快,因此该方法比较适合于对短混沌时间序列进行实时预测. 关键词： 混沌 预测 Bernstein多项式 RLS算法     

混沌时间序列全局预测新方法——连分式法

拓展了多项式逼近理论，利用连分式法建立了混沌时间序列非线性全局预测模型，此模型替代混沌序列的动力学方程，实现对其动力学特性分析，达到预测目的. 理论分析和仿真实验表明，连分式法能够有效预测一些混沌序列，该方法预测精度高，并且能得到显式的预测表达式. 关键词： 混沌时间序列 全局预测 连分式     

风电功率时间序列混沌特性分析及预测模型研究

为揭示风电功率序列内在的动态特性, 利用非线性方法对风电时间序列混沌特性进行识别, 为对风电功率进行预测提供了基础.首先对某风电场的风电功率时间序列的日相关性进行了分析;然后在相空间重构的基础上计算了风电序列的最大Lyapunov指数, 验证了风电时间序列的混沌特性;由于采用Volterra滤波器多步预测法对风电功率进行超短期预测误差较大, 利用局域多步预测法以及最大Lyapunov指数法的预测结果并结合加权马尔科夫链和有序算子对Volterra滤波器的预测结果进行校正.最后以某实际风电场的风电功率预测为算例, 仿真结果表明校正预测模型有效的提高了预测精度, 其为利用Volterra滤波器多步法进行风电预测提供了有益的参考.     

短时交通流复杂动力学特性分析及预测

为揭示短时交通流的内在动态特性,利用非线性方法对交通流混沌特性进行识别,为短时交通流的预测提供基础.基于混沌理论对交通流时间序列进行相空间重构,利用C-C算法计算时间延迟和嵌入维数,采用Grassberger-Procaccia算法计算吸引子关联维数,通过改进小数据量法计算最大Lyapunov指数来判别交通流时间序列的混沌特性.针对局域自适应预测方法在交通流多步预测中预测器系数无法调节的问题,提出了交通流多步自适应预测方法.通过实测数据计算,结果表明:2,4和5 min三种统计尺度的交通流时间序列均具有混沌特性;改进的小数据量法能够准确地计算出最大Lyapunov指数;构建的交通流多步自适应预测模型能够有效地预测交通流量的变化.为智能交通系统诱导和控制提供了依据.     

具有选择与遗忘机制的极端学习机在时间序列预测中的应用

针对训练样本贯序输入时的极端学习机 (ELM)训练问题,提出一种具有选择与遗忘机制的极端学习机 (SF-ELM),并研究了其在混沌时间序列预测中的应用. SF-ELM以逐次增加新训练样本的方式实现在线训练,通过引入遗忘因子以减弱旧训练样本的影响,同时以泛化能力为判断依据,对其输出权值进行选择性递推更新. 混沌时间序列在线预测实例表明,SF-ELM是一种有效的ELM在线训练模式. 相比于在线贯序极端学习机,SF-ELM具有更快的在线训练速度和更高的在线预测精度,因此更适于混沌时间序列在线预测. 关键词： 混沌时间序列 时间序列预测 神经网络 极端学习机     

变参数混沌时间序列的神经网络预测研究

研究一类复杂变参数混沌系统时间序列的预测问题.首先构造一个变参数Logistic映射,分析变参数混沌系统的特点,指出动力学特征不断变化的这类系统不存在恒定形状的吸引子;结合Takens嵌入定理和神经网络理论,阐述神经网络方法预测具有恒定吸引子形状的混沌系统可行的原因,分析研究其用于预测变参数混沌系统的潜在问题.变参数Ikeda系统的神经网络预测试验验证了理论分析结果,试验还表明,简单增大预测训练样本数可能降低泛化预测精度,训练集的选择对这类系统的泛化预测效果影响极大,指出混沌时间序列预测实用化必须研究解决这类变参数混沌系统的预测. 关键词： 混沌 预测 神经网络 变参数系统     

道路交通流状态的多参数融合预测方法

针对道路交通流普遍存在的混沌特性以及单交通参数不足 以全面反映交通流状态的实际情况,考虑交通动力学系统中多个 交通参数之间的关联关系,提出一种新的多参数混沌时间序列预 测算法.该算法在相空间重构理论的基础上,借助Bayes估计将多个参数在 同一高维相空间中进行相点最优融合,从而增加重构相空间的系统信息量, 使得相空间的相点轨迹更加逼近原交通系统的动力学行为.同时借鉴单 参数混沌时间序列预测方法,从不同角度对动力学系统的运动状态进行描 述,以实现多参数时间序列的混沌预测.实验结果表明,通过融合多交通参数时 间序列,获得了更加完整的交通流状态变化特征.与单交通参数时间序列的预测 结果相比,其预测误差显著降低,均衡系数相应增大,提高了交通流状态预测的准确率.     

基于Cholesky分解的增量式RELM及其在时间序列预测中的应用

针对应用于混沌时间序列预测的正则极端学习机(RELM)网络结构设计问题,提出一种基于Cholesky分解的增量式RELM训练算法.该算法通过逐次增加隐层神经元的方式自动确定最佳的RELM网络结构,并以Cholesky分解方式计算其输出权值,有效减小了隐层神经元递增过程的计算代价.混沌时间序列预测实例表明,该算法可有效实现最佳RELM网络结构的自动确定,且计算效率高.利用该算法训练后的RELM预测模型具有预测精度高的优点,适用于混沌时间序列预测. 关键词： 神经网络 极端学习机 混沌时间序列 时间序列预测     

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     

基于平稳小波和相空间重构的激光混沌预测

提出了一种激光混沌时间序列预测算法.该算法通过平稳小波分解，将原始数据序列分解为与原序列等长的尺度系数和小波系数，利用坐标延迟理论，重建各级尺度系数和各级小波系数的相空间,再根据混沌吸引子的稳定性和分形性,在相空间中对尺度系数和小波系数进行预测,进而通过平稳小波重构算法,实现了时间序列的非线性预测.该算法对数据可以进行更平滑的处理，比无小波算法预测的时间范围更长.通过仿真试验说明，原始时间数据序列被成功的重建，说明算法能够有效的对非线性动态系统的时间序列进行建模和预测.     

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.     

Chaotic time series prediction using least squares support vector machines

We propose a new technique of using the least squares support vector machines (LS-SVMs) for making one-step and multi-step prediction of chaotic time series. The LS-SVM achieves higher generalization performance than traditional neural networks and provides an accurate chaotic time series prediction. Unlike neural networks‘ training that requires nonlinear optimization with the danger of getting stuck into local minima, training LS-SVM is equivalent to solving a set of linear equations. Thus it has fast convergence. The simulation results show that LS-SVM has much better potential in the field of chaotic time series prediction.     

The improved local linear prediction of chaotic time series

Based on the Bayesian information criterion, this paper proposes the improved local linear prediction method to predict chaotic time series. This method uses spatial correlation and temporal correlation simultaneously. Simulation results show that the improved local linear prediction method can effectively make multi-step and one-step prediction of chaotic time series and the multi-step prediction performance and one-step prediction accuracy of the improved local linear prediction method are superior to those of the traditional local linear prediction method.     

混沌时间序列多步自适应预测方法

针对混沌时间序列局域自适应预测方法在多步预测中预测器系数无法调节的问题，根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点，提出了混沌时间序列多步自适应预测方法.仿真结果表明，此方法的多步预测性能明显好于局域自适应预测方法的多步预测性能. 关键词： 多步自适应预测方法 局域自适应预测方法 混沌时间序列     

基于模糊边界模块化神经网络的混沌时间序列预测

提出一种模糊边界模块化神经网络（FBMNN）的混沌时间序列预测方法,该方法先对混沌时间序列观测点重构的相空间进行模块化划分,划分点的选取由遗传算法自动寻优.然后定义一个模糊隶属度函数,在划分边界一侧按照一定的模糊隶属度设定模糊边界带,通过模糊化处理,解决了各模块划分点附近预测结果的跳跃问题.最后每一模块,及其模糊边界的样本点都对应一个递归神经网络进行训练,通过预测合成模块输出结果.该方法对三个混沌时间序列基准数据集Mackey-Glass,Lorenz,Henon进行实验,结果表明该方法有效地提高了混沌时间序列预测效果. 关键词： 模糊边界 模块化神经网络 混沌时间序列 预测     

混沌时间序列的局域高阶Volterra滤波器多步预测模型

依据相空间邻近轨道演化相似性特点建立训练模式,提出了基于自适应高阶非线性Volterra滤波器（HONFIR）的混沌时间序列多步预测模型（MSP-HONFIR）;通过定义距离相似度、趋势相似度来衡量轨道演化相似度,提出了混沌吸引子邻近轨道判别的新方法;从模型训练充分性角度出发探讨了MSP-HONFIR滤波器模型训练集规模控制的依据.数值研究表明MSP-HONFIR滤波器模型的多步预测性能优于原有HONFIR滤波器模型. 关键词： 混沌 非线性自适应预测 Volterra滤波器模型 训练模式